INTERPOL usa l’AI per il riconoscimento facciale: 126 sospetti individuati nell’operazione Shams II

108 mila immagini online, una macchina che filtra e collega, e un team che verifica. Così l’intelligenza artificiale ha aiutato INTERPOL a trasformare caos visivo in piste concrete. Funziona? Sì. È infallibile? No. Vediamo perché.

Shams II in breve: numeri, metodo, obiettivo

Dal 1° al 5 giugno 2026, a Tunisi, 28 agenti ed esperti da 11 Paesi hanno partecipato a Shams II, un’operazione contro il terrorismo che ha messo al centro l’AI. Partendo da contenuti pubblicati online da organizzazioni jihadiste, gli investigatori hanno estratto 108.076 immagini di volti. Un volume ingestibile per un team umano senza automazione.

Qui entra in gioco l’intelligenza artificiale: agenti software e script hanno ripulito e normalizzato il dataset, riducendo il materiale a 6.362 volti distinti e sufficientemente nitidi per essere confrontati con i database di INTERPOL tramite riconoscimento facciale. Il risultato, ad oggi: 126 possibili corrispondenze con sospetti combattenti terroristi stranieri. Lo conferma il comunicato ufficiale di INTERPOL.

Che cosa ha fatto davvero l’AI (e che cosa no)

Raccolta e pulizia dei dati

L’AI è stata utilizzata per automatizzare la raccolta del materiale visivo, eliminare duplicati, scartare immagini troppo scarse e standardizzare i formati. Questo lavoro “a monte” è fondamentale: riduce il rumore, aumenta la qualità dei dati e prepara il terreno per le analisi successive.

Selezione dei volti idonei

Dalle oltre 108 mila immagini si è arrivati a 6.362 volti “buoni”. Tradotto: non tutti i frame, selfie o still sono utili. L’AI ha filtrato in base a nitidezza, angolazione, grandezza del volto e altri segnali di qualità. Senza questa scrematura, il riconoscimento facciale produrrebbe troppi falsi positivi.

Confronto nei database (con controllo umano)

Una volta selezionate, le immagini sono state elaborate con il sistema di riconoscimento facciale di INTERPOL e confrontate con i suoi archivi. Qui il punto chiave: l’AI propone corrispondenze, ma la verifica resta umana. Gli investigatori validano i match, li contestualizzano e li integrano con altre informazioni operative.

Perché “126 sospetti” non è una condanna

“Identificati” non significa “colpevoli”. Le 126 corrispondenze sono piste investigative, non sentenze. Il riconoscimento facciale segnala probabilità, non certezze. Le corrispondenze vengono usate per:

• arricchire profili esistenti e mappe di contatti;
• coordinare indagini transnazionali e controlli di frontiera;
• attivare ulteriori verifiche su fonti aperte e canali riservati;
• incrociare dati con telecamere e sistemi di sicurezza in altre giurisdizioni.

In pratica, l’AI accorcia i tempi e amplia il raggio d’azione, ma l’ultima parola resta alle procedure legali e al lavoro degli investigatori.

Rischi e domande aperte (da non ignorare)

• Bias e accuratezza. Il riconoscimento facciale storicamente performa peggio su alcune etnie. INTERPOL non ha pubblicato i tassi di errore scartati nelle verifiche: serve trasparenza sui falsi positivi/negativi.
• Contesto e qualità delle immagini. Materiali di propaganda e contenuti compressi possono ingannare i modelli. La pulizia aiuta, ma non azzera gli errori.
• Proporzionalità e diritti. Le tecniche devono essere usate in modo mirato, documentato e auditabile. La presunzione d’innocenza non è negoziabile.
• Governance e catena di custodia. Log delle operazioni, versioni dei modelli, parametri e fonti vanno tracciati per essere difendibili in sede giudiziaria.
• Cooperazione internazionale. Standard comuni (formati, policy, sicurezza dei dati) sono indispensabili per non creare “zone grigie” tra Paesi.

Cosa cambia per le indagini (e cosa no)

La novità non è “l’AI che trova i colpevoli”, ma l’AI che rende gestibile l’ingestibile. Passare da 108.076 a 6.362 immagini utili significa velocizzare settimane di lavoro e concentrare gli sforzi umani dove contano. I database di INTERPOL si arricchiscono e diventano più reattivi quando emergono nuovi segnali sul campo.

Al tempo stesso, la tecnologia resta uno strumento. Senza regole chiare, supervisione e verifica incrociata, il rischio di errori e abusi rimane. La linea guida è semplice: automazione per la quantità, controllo umano per la qualità.

Perché questa operazione è un caso scuola

Shams II mostra una via pragmatica all’uso dell’AI in sicurezza: obiettivi chiari, dataset massivo, pipeline di filtraggio, riconoscimento facciale, verifica umana, integrazione nei database e lavoro ancora in corso. Un modello replicabile, purché accompagnato da metriche pubbliche di performance e da accountability.

Se vogliamo parlare seriamente di AI nelle forze dell’ordine, dobbiamo pretendere due cose insieme: efficacia operativa e garanzie per le persone coinvolte. Senza entrambe, non è progresso: è un azzardo.

Ascolta e approfondisci

👉 Per scoprire tutti i dettagli e l’opinione personale di Mario Moroni, ascolta la puntata completa su Spotify.