La risposta breve
Rozes, spin-off dell'Università di Padova, usa l'intelligenza artificiale sui bilanci pubblici per individuare società con profili simili a quelle già condannate per reati economici e mafiosi. Il modello estrae oltre 200 variabili dai documenti depositati presso le Camere di Commercio e dalle banche dati pubbliche, e copre 15 macro-categorie di rischio: dalle collusioni mafiose al caporalato, dalle false fatturazioni al riciclaggio. Il 30 settembre 2026 i fondatori sono convocati dalla commissione parlamentare d'inchiesta sullo sfruttamento del lavoro.
Per chi fa impresa, il punto non è la singola startup ma la direzione: stazioni appaltanti, grandi committenti e controllori si stanno dotando di modelli di IA e analisi dei dati capaci di leggere in automatico migliaia di bilanci. Chi lavora con la pubblica amministrazione o in filiere lunghe dovrà dimostrare coerenza nei numeri, e chi costruisce strumenti di scoring dovrà farlo nel rispetto dell'AI Act europeo.
Come funziona il modello di Rozes
Il progetto nasce dalla ricerca accademica del Dipartimento di Scienze economiche e aziendali «Marco Fanno» dell'Università di Padova. Il gruppo di Antonio Parbonetti, con Michele Fabrizi, Patrizia Malaspina e Francesco Ambrosini, ha studiato come le imprese infiltrate dalla criminalità organizzata lascino tracce ricorrenti nei conti: strutture del debito, rapporti tra attivo e fatturato, costo del lavoro, legami societari.
Il principio è quello dell'apprendimento supervisionato. Il modello viene addestrato su un campione di riferimento di aziende già colpite da condanne per reati economici e di mafia, e poi applicato a qualsiasi società con un bilancio depositato. Il risultato non è una sentenza ma un indice di somiglianza statistica: più il profilo di un'azienda assomiglia a quello delle imprese condannate, più alta è la priorità di un controllo umano.
| Elemento | Cosa usa Rozes |
|---|---|
| Fonti | Bilanci depositati presso le Camere di Commercio, banche dati pubbliche (incluse quelle Anac) |
| Variabili | Oltre 200 indicatori economico-finanziari e societari per azienda |
| Riferimento | Campione di società già coinvolte in condanne per reati economici e di criminalità organizzata |
| Output | Indice di rischio per 15 macro-categorie, da verificare con analisi umana |
| Utenti | Imprese attente alla prevenzione ed enti a partecipazione pubblica |
I numeri dichiarati e i loro limiti
Secondo quanto riportato dall'ANSA, i fondatori indicano una precisione di circa il 90%: nove società su dieci segnalate risultano effettivamente a rischio. Allo stesso tempo ammettono che fino a quattro casi a rischio su dieci possono sfuggire al modello. Berti ha anche stimato che, applicando questi modelli ogni anno agli appalti pubblici, lo Stato avrebbe potuto recuperare tra i 10 e i 15 miliardi di euro l'anno.
Sono cifre fornite dall'azienda, non una validazione indipendente, e vanno lette come tali. Key4biz ha messo in fila i limiti strutturali di questo tipo di strumenti:
- Falsi positivi: un'impresa sana può avere un bilancio simile a quello di un'impresa criminale, per settore, dimensione o fase del ciclo.
- Dipendenza dal passato: il modello impara da condanne già avvenute e può non riconoscere strategie criminali nuove.
- Qualità del campione: l'efficacia dipende da quanto i dati di addestramento sono rappresentativi.
- Quadro regolatorio: la valutazione automatizzata del rischio su persone giuridiche e sui loro amministratori tocca GDPR e AI Act.
Perché se ne occupa il Parlamento
La convocazione arriva dalla commissione parlamentare d'inchiesta sullo sfruttamento del lavoro, interessata agli indicatori sul caporalato. È un tema in cui i controlli tradizionali arrivano spesso tardi: le imprese che sfruttano manodopera tendono a nascere e chiudere in fretta, a subappaltare e a presentare costi del lavoro incoerenti con il fatturato. Sono proprio le anomalie che un modello sui bilanci può far emergere su larga scala.
L'audizione non equivale a un'adozione da parte dello Stato. Ma sposta la discussione dal laboratorio alle politiche pubbliche: se strumenti simili entrassero nei controlli su appalti e subappalti, la selezione delle imprese da verificare sarebbe sempre più guidata dai dati.
Cosa cambia per le imprese
Nell'immediato, nessun obbligo nuovo. Nel medio periodo, però, tre effetti sono prevedibili. Il primo riguarda chi partecipa a gare pubbliche: i bilanci diventano un dato che può essere analizzato in automatico, e incoerenze che un tempo passavano inosservate possono generare approfondimenti. Il secondo riguarda la due diligence dei fornitori: grandi committenti e gruppi industriali hanno interesse a filtrare le proprie filiere prima che lo faccia un controllore, anche per ragioni reputazionali.
Il terzo effetto tocca chi vuole costruire questi strumenti in casa. Un sistema di scoring del rischio richiede ingestione di dati eterogenei, modelli spiegabili, tracciabilità delle decisioni e una valutazione d'impatto sulla protezione dei dati. È un progetto di sviluppo software su misura prima ancora che di data science, e va progettato tenendo conto di GDPR e AI Act fin dall'architettura. Per banche e intermediari, dove antiriciclaggio e verifica della clientela sono già obbligatori, il tema si incrocia con i processi fintech esistenti.
Come prepararsi: una checklist
- Rendete coerenti i bilanci. Costo del lavoro, subappalti e struttura del debito devono raccontare la stessa storia del fatturato: sono le prime variabili che un modello osserva.
- Mappate la filiera. Sapere chi sono i fornitori di secondo e terzo livello è il presupposto di qualunque verifica, manuale o automatica.
- Automatizzate i controlli di base. Visure, bilanci e notizie pubbliche sui fornitori possono essere raccolti e confrontati in automatico, lasciando alle persone i casi anomali.
- Chiedete spiegabilità. Se adottate uno strumento di scoring esterno, pretendete di capire quali variabili guidano una segnalazione.
- Valutate l'impatto regolatorio. DPIA, basi giuridiche del trattamento e classificazione del sistema ai sensi dell'AI Act vanno definite prima del rilascio.
Rozes è un caso italiano che anticipa una tendenza europea: l'analisi automatica dei dati pubblici come primo filtro dei controlli. Per le imprese oneste è un'opportunità di distinguersi con numeri puliti; per chi costruisce software, un campo in cui accuratezza, trasparenza e conformità contano quanto l'algoritmo.
Domande frequenti
Che cos'è Rozes?
Rozes è una startup nata come spin-off dell'Università di Padova, dal lavoro del Dipartimento di Scienze economiche e aziendali «Marco Fanno». Il gruppo di ricerca è guidato dal professor Antonio Parbonetti; l'amministratore delegato e cofondatore è Jacopo Berti. La piattaforma analizza dati pubblici sulle società per segnalare quelle con profili di rischio di reato.
Come funziona l'algoritmo?
Il modello lavora solo su fonti aperte, in particolare i bilanci depositati presso le Camere di Commercio e banche dati pubbliche come quelle dell'Anac. Da questi dati estrae oltre 200 variabili e confronta ogni società con un campione di aziende già coinvolte in condanne per reati economici e di criminalità organizzata. Il risultato è un indice di somiglianza statistica, non un giudizio di colpevolezza.
Quanto è affidabile?
Secondo quanto dichiarato dai fondatori all'ANSA, circa 9 società segnalate su 10 risultano effettivamente a rischio, ma il sistema può non individuare fino a 4 casi a rischio su 10. Sono dati forniti dall'azienda e non una validazione indipendente; restano i limiti tipici di questi modelli: falsi positivi e difficoltà a riconoscere schemi criminali nuovi.
Perché Rozes è stata convocata in Parlamento?
I fondatori sono stati convocati per il 30 settembre 2026 dalla commissione parlamentare d'inchiesta sullo sfruttamento del lavoro, per illustrare gli indicatori sviluppati, tra cui quelli legati al caporalato.
Cosa devono fare le imprese?
Nulla cambia subito a livello normativo. Ma chi partecipa ad appalti pubblici o gestisce catene di fornitura dovrebbe aspettarsi controlli sempre più basati sui dati: conviene curare la qualità e la coerenza dei bilanci, integrare verifiche automatiche nella due diligence dei fornitori e, se si adottano strumenti di scoring, valutarne la conformità a GDPR e AI Act.
Fonti
ANSA — Startup IA italiana «predice» i reati delle aziende, convocati in Parlamento, 21 settembre 2026
Key4biz — L'IA italiana che va a caccia di frodi nei bilanci delle imprese: ma davvero predice i reati?, settembre 2026
il Nord Est — Rozes, ecco l'algoritmo che individua le frodi nei bilanci aziendali, settembre 2026