Quando l’AI mente bene: deepfake, prova digitale e anti-forensics nel processo penale
L’anti-forensics non è nuova, ma ha cambiato natura. Per trent’anni ha significato cancellare, nascondere, offuscare, e lasciando un vuoto dove ci si aspettava una traccia lasciava anche un sospetto. Quando l’AI mente bene: deepfake, prova digitale e anti-forensics nel processo penale di Cosimo de Pinto racconta il salto: oggi un modello generativo non produce un falso qualsiasi, ma qualcosa che combacia con ciò che l’analista si aspetta di trovare, metadati coerenti, timestamp credibili, struttura interna valida. Quando l’assenza non fa più rumore, vacilla la nozione stessa di autenticità su cui la digital forensics ha costruito la propria credibilità in giudizio.
L’autore attraversa le tecniche senza ridursi a un catalogo: data poisoning, istruzioni nascoste nei documenti, log impeccabili, trasferimento della firma PRNU tra fotocamere, inpainting, deepfake, clonazione vocale, evasion attacks. E pesa ogni passaggio con onestà, distinguendo ciò che è dimostrato in laboratorio da ciò che è già accaduto e da ciò che resta teorico. I casi danno corpo al discorso: la truffa da circa 25 milioni di dollari ai danni di Arup, con dirigenti deepfake in videoconferenza; il falso video di Zelensky del 2022; gli adesivi che deviavano l’Autopilot di una Tesla nei test del Keen Security Lab.
Il filo che lega tutto è però giuridico. Una prova accolta senza verificarne origine e integrità mette in gioco la libertà di chi è sotto processo. Una conversazione mai scritta, sistemata in un database credibile, esce pulita da un tool forense standard, e un consulente non formato la presenta al giudice come autentica. A complicare il quadro c’è lo squilibrio di mezzi: contestare una prova richiede perizie costose e competenze in AI forensics ancora rare, e nel caso peggiore la misura cautelare arriva su indizi che nessuno ha smontato. L’autore richiama i principi che dovrebbero arginare il rischio, dalla presunzione di non colpevolezza dell’art. 27 della Costituzione al diritto all’equo processo dell’art. 6 CEDU, e il loro rovescio, la liar’s dividend: se tutto può essere falso, basta il dubbio per screditare una prova vera o per farne passare una costruita.
Sul piano normativo il lavoro allinea AI Act, NIST AI RMF e le ISO della famiglia 27037-27043 ai decreti 215 e 216 del dicembre 2025 e alla Relazione del Massimario della Cassazione 25/2026, e li confronta con il sistema statunitense (FRE 901 e 902, standard Daubert e Frye). Da lì un punto che vale molte pagine: un hash garantisce che il file non è cambiato dopo l’acquisizione, non che racconti un fatto realmente accaduto. Su questa distinzione de Pinto costruisce la proposta, cinque principi per una forensics che regga all’AI (provenance by design, corroborazione indipendente, disclosure dell’uso di AI, formazione obbligatoria del perito, dubbio proporzionato al rischio) e quattro interventi normativi, dalla modifica dell’art. 247 c.p.p. all’obbligo di dichiarare l’impiego di sistemi AI nella produzione di prove.
È un testo per chi la prova digitale la maneggia lungo l’intera filiera, dal sequestro all’aula, e che attorno a quella prova ridefinisce il proprio mestiere. Il perito e il consulente tecnico vi trovano una tabella che incrocia ogni tecnica con l’artefatto forense colpito, la contromisura disponibile e il rischio residuo, più un protocollo per dichiarare al giudice modello, versione e parametri degli strumenti AI impiegati, e per documentare l’intera catena di custodia in chiave AI-aware. L’avvocato penalista vi trova gli appigli tecnici e processuali per contestare l’autenticità di una prova a carico o, all’opposto, per difendere una prova genuina dall’accusa di essere sintetica. Il magistrato vi trova la domanda che dovrebbe precedere ogni valutazione, se di un dato generato o mediato dall’AI ci si possa fidare, e i criteri per rispondere senza scivolare né nell’ingenuità né nel sospetto sistematico. Il messaggio che li accomuna è uno solo: sulla prova digitale l’autenticità non è più un dato di partenza, è un risultato da costruire e verificare, prova dopo prova.
