Un bilancio può raccontare molto più di ricavi, debiti e utili. Può lasciare tracce statistiche del modo in cui un’impresa viene gestita e, in alcuni casi, anomalie compatibili con strutture societarie utilizzate dalla criminalità organizzata. È da questa idea che nasce Rozes, startup costituita nel 2019 e poi riconosciuta come spin-off dell’Università di Padova, creata per commercializzare un algoritmo di machine learning capace di attribuire alle società di capitali un punteggio basato sulla somiglianza con aziende caratterizzate da anomalie contabili associate a frodi, riciclaggio, falsa fatturazione e bancarotta fraudolenta.
A maggio del 2026 l’Ateneo padovano ha rinnovato formalmente a Rozes lo status di spin-off universitario, valutando tra i criteri anche la solidità economica, le collaborazioni con l’Università, i progetti di ricerca e i brevetti. Il passaggio è rilevante perché fotografa una realtà che continua a sviluppare ricerca accademica e, contemporaneamente, vende servizi a imprese e istituzioni.
Che cosa fa davvero l’algoritmo
Il principio di base è relativamente semplice. Il sistema prende i dati economici e finanziari di un’impresa e li confronta con quelli di società che, sulla base di evidenze giudiziarie, sono state collegate alla criminalità organizzata.
L’obiettivo è quello di cercare combinazioni ricorrenti di caratteristiche contabili e quindi non una singola voce sospetta, bensì un insieme di segnali che, considerati all’unisono, possono rendere un’azienda statisticamente simile a quelle osservate nel campione criminale. Rozes utilizza questi risultati per produrre indicatori di rischio e per ricostruire anche le relazioni tra società e persone. Sul proprio sito ufficiale la startup descrive una piattaforma destinata alla due diligence, alla verifica delle controparti, alle attività antiriciclaggio e alle investigazioni.
In altre parole, chi deve valutare migliaia di fornitori, clienti o imprese coinvolte in una gara può usare il sistema come un filtro finalizzato a portare le posizioni considerate più anomale all’attenzione degli analisti umani per ulteriori controlli.
L’algoritmo non prevede un reato futuro e neppure stabilisce che un’azienda si muova in acque poco limpide, produce un punteggio statistico di rischio sulla base di somiglianze osservate nei dati. L’IA di Rozes serve a scegliere dove concentrare l’analisi e non sostituisce un’indagine giudiziaria o amministrativa.
La prova scientifica tra risultati forti e un significato preciso
La base scientifica più importante è lo studio di Francesco Ambrosini, Michele Fabrizi e Antonio Parbonetti, ricercatori dell’Università di Padova e figure legate alla nascita di Rozes. Il lavoro utilizza un archivio di 2.082 imprese collegate alla criminalità organizzata attraverso evidenze giudiziarie e addestra un modello di machine learning sui loro dati contabili.
Jacopo Berti, cofondatore e Ceo di Rozes, spiega come funziona l’algoritmo: «l'Indice Rozes è un modello di IA che misura il grado di similarità tra i bilanci di un'impresa e quelli di un campione di riferimento di imprese con connessioni accertate alla criminalità organizzata: società sottoposte a confisca o sequestro perché collegate a organizzazioni di tipo mafioso, oppure società in cui un amministratore o un socio con almeno il 10% del capitale è stato condannato, anche in via non definitiva, per associazione mafiosa (art. 416-bis c.p.) o concorso esterno. Il modello utilizza esclusivamente dati pubblici, standardizzati e disponibili: i bilanci e le informazioni depositate presso le Camere di Commercio, da cui ricaviamo voci contabili grezze, indici finanziari e informazioni di settore. Su questa base sono state costruite oltre 200 variabili sviluppate appositamente, tra cui variabili "di distanza" che confrontano ogni metrica dell'impresa con la mediana delle imprese comparabili dello stesso settore, così da tenere conto delle specificità settoriali senza penalizzarle. L'output è un valore tra 0 e 1, tradotto in sei classi di rischio da A a F. Tre precisazioni che evidenziamo sempre: l'indice esprime una misura statistica di similarità, non un giudizio sull'impresa o sulla sua proprietà, è coperto dal brevetto n. 102020000001681, di cui Rozes è licenziataria esclusiva ed è uno degli strumenti della piattaforma Rozes Intelligence PRO, che lo affianca all'Indice di Default (rischio di insolvenza), all'Indice PA (similarità dei Comuni con quelli sciolti per infiltrazione mafiosa), alla network analysis su soci, amministratori e titolari effettivi, agli indicatori ANAC (Autorità nazionale Anticorruzione, l’ente che controlla trasparenza, legalità e correttezza degli appalti nella Pubblica amministrazione italiana, nda) e Banca d'Italia sugli appalti, e all'OSINT AI su notizie, liste sanzioni e liste pubbliche».
L’efficacia di Rozes in cifre
Nei test scientifici Rozes ha ottenuto un’AUC del 75,8% e una precisione del 90,4%, valori che vengono illustrati da Berti: «La precision del 90,4% risponde alla domanda: quando il modello segnala un'impresa come simile a quelle criminali, quanto spesso ha ragione? In nove casi su dieci. Significa pochissimi falsi allarmi/falsi positivi, che per chi fa antiriciclaggio o controllo delle terze parti è la metrica più importante: ogni segnalazione errata costa tempo di analisi e rischia di danneggiare un'impresa sana. L'AUC del 75,8% misura invece la capacità complessiva del modello di ordinare correttamente le imprese dalla meno alla più rischiosa, considerando tutte le possibili soglie di allerta. Un valore di 50% corrisponderebbe al lancio della monetina, 100% al modello perfetto. Letti insieme, i due numeri descrivono un modello calibrato per essere prudente: preferisce segnalare meno imprese ma con alta precisione, piuttosto che segnalare molto e sbagliare spesso. È una scelta deliberata, coerente con l'uso che ne fanno banche e pubbliche amministrazioni e tutela gli imprenditori onesti. Va aggiunto che questi risultati sono ottenuti su imprese criminali emerse dopo il periodo di addestramento, cioè su casi che il modello non aveva mai visto: è il test più severo possibile, e non un esercizio sui dati già noti».
Gli appalti del PNRR e l’individuazione delle mafie
Il 18 aprile del 2025 la tecnologia di Rozes è entrata negli uffici pubblici. Il ministero delle Infrastrutture e dei Trasporti ha annunciato un accordo con la startup per sperimentare il sistema nei controlli sugli appalti del Piano nazionale di ripresa e resilienza (PNRR).
Inoltre, Cassa Depositi e Prestiti - società controllata dallo stato che finanzia infrastrutture, enti pubblici e imprese – si appoggia a Rozes per i processi KYC (Know Your Customer) che mirano a effettuare le verifiche necessarie alla valutazione dei clienti.
Nel febbraio 2026, l’Assemblea legislativa dell’Umbria e l’Università di Padova hanno presentato un progetto per identificare la presenza di infiltrazioni mafiose sul territorio regionale. L’iniziativa, denominata “Algoritmo predittivo antimafia”, ha l’obiettivo di approfondire il tessuto economico umbro e costruire una mappa del rischio. In questo progetto Rozes non si limita a vendere una licenza d’uso della propria soluzione, affianca la Regione nelle attività di ricerca.
Jacopo Berti restituisce una dimensione pratica di come si traducetutto ciò nella realtà: «Il primo numero riguarda il Paese. Dai nostri calcoli sui dati ANAC degli anni passati, ogni anno tra i 10 e i 15 miliardi di euro di fondi pubblici vengono dispersi per accordi illeciti tra imprese nelle gare d'appalto. Con un'adozione sistemica dei nostri strumenti, questa è la cifra che lo stato potrebbe recuperare o mettere in sicurezza ogni anno. Questo modello che intercetta la collusione è stato validato nel 2026 nel programma FinTech Factory del MEF, dove siamo stati selezionati. Il secondo numero è scientifico. I nostri soci dell'Università di Padova (Ambrosini, Fabrizi, Parbonetti), studiando 57 operazioni antimafia nel Nord e Centro Italia tra il 2013 e il 2020, hanno misurato che rimuovere un'impresa criminale dal mercato migliora la performance delle concorrenti sane del 7,7%, pari a 1,97 miliardi di euro di EBITDA aggiuntivo; nei settori a bassa concorrenza l'effetto sale al 15%. Ogni impresa criminale intercettata è valore restituito all'economia legale. Il terzo riguarda chi ci usa. I dati che elaboriamo sono, come i bilanci, aperti e disponibili a chiunque; ciò che estraiamo, grazie a dieci anni di ricerca accademica applicata alle tecnologie IA più avanzate, non lo fornisce nessun altro. Uno dei maggiori gruppi bancari europei controllava circa 400.000 clienti ad alto rischio con lo stesso approfondimento per tutti, un blocco operativo da mesi di lavoro: con i nostri modelli ha ridotto del 96% il perimetro da analizzare manualmente, con una precisione del 91%, concentrando gli analisti sui profili realmente critici e risparmiando milioni di euro. Sui nostri clienti rileviamo in media −93% del tempo di raccolta dati, −57% della durata delle due diligence, −95% dei falsi positivi. Sul PNRR abbiamo effettuato una sperimentazione con il ministero delle Infrastrutture e dei Trasporti sul controllo dei richiedenti fondi, resa pubblica dal ministero, gli esiti dei controlli sono di competenza dell'amministrazione».
Sapere se l’algoritmo funziona nella vita reale
Un test scientifico misura quanto bene il modello riconosce esempi di cui, a posteriori, conosciamo l’etichetta. L’uso operativo pone problemi più difficili, perché la composizione delle imprese cambia nel tempo, la criminalità modifica strategie e strutture societarie, i dati possono essere incompleti e, soprattutto, molti casi segnalati richiedono mesi o anni prima di poter essere confermati o esclusi da un’indagine.
L’indice di rischio, come specifica la startup, viene definito una indicazione derivante da variabili statistiche che può fornire una rappresentazione incompleta della situazione reale e l’attribuzione di un valore non comporta responsabilità penali, civili o amministrative per l’impresa analizzata.
Inoltre, Rozes esplicita di non garantire l’accuratezza degli algoritmi e definisce il servizio come un supporto alle decisioni dell’utente. Queste clausole non cancellano i risultati della ricerca, descrivono un impiego corretto degli strumenti potenziati dalle IA.
Il vantaggio potenziale è ridurre lo spazio di ricerca e, nello specifico, se un’amministrazione deve controllare migliaia di imprese, l’IA può aiutare a stabilire quali meritino un esame prioritario, fermo restando che la decisione finale è affidata a persone, documenti, verifiche e - se del caso - alle autorità competenti.
A che punto è Rozes e i limiti oggettivi
Rozes è una startup operativa, con un prodotto commercializzato, uno status di spin-off universitario rinnovato e almeno un impiego ministeriale documentato. La ricerca accademica mostra che l’idea di riconoscere tracce della criminalità organizzata nei bilanci ha una capacità predittiva misurabile. Il progetto umbro indica che il metodo viene esteso dalla singola impresa all’analisi territoriale, mentre l’esperienza riferita a Cassa depositi e prestiti suggerisce un utilizzo anche nei processi di verifica finanziaria.
Manca ancora il dato che permetterebbe di chiudere definitivamente la discussione sull’efficacia, ovvero una validazione pubblica e indipendente della piattaforma in produzione che dica, per esempio, quante migliaia di imprese sono state analizzate, quante sono state segnalate e quante di queste segnalazioni hanno trovato conferma in controlli amministrativi o investigativi.
A prescindere, l’IA sta entrando in un settore in cui il problema principale è individuare pochi segnali rilevanti dentro quantità enormi di informazioni economiche. Il valore aggiunto degli algoritmi di Rozes prende forma nella capacità di restringere il campo più che nell’idea di essere infallibile.
Riguardo ai limiti, Berti fa il punto della situazione: «Il limite principale è il dato, ed è un limite strutturale. Sui falsi positivi abbiamo lavorato molto: l’Indice Rozes è calibrato per un'alta precision (superiore al 90%) e l'OSINT AI ha ridotto del 95% i falsi positivi sulle persone giuridiche. Sull'adattamento delle organizzazioni criminali, effettuiamo in continuo attività di backtest. Il test su notizie di operazioni antimafia mostra che i pattern contabili restano riconoscibili anche su casi nuovi. E i modelli vengono costantemente riaddestrati man mano che emergono nuove evidenze e nuovi provvedimenti. Il limite vero è che il modello vede ciò che finisce in un bilancio depositato o in una banca dati pubblica. Un'impresa che non deposita i bilanci, che schermata dietro trust o fiduciarie estere, o il cui rischio passa per persone fisiche piuttosto che per la società, richiede strumenti diversi. È il motivo per cui stiamo investendo su knowledge graph e Graph Neural Network, per leggere il rischio nelle relazioni tra soggetti e andare a ricostruire un ‘gemello digitale’ della realtà, al fine di unire dati eterogenei e renderli utilizzabili da modelli di IA. E c'è un limite di fondo che non vogliamo superare: Rozes produce una misura statistica di supporto alla decisione, non una prova. La decisione resta all'analista, alla banca, all'amministrazione. Un algoritmo che pretendesse di sostituirla sarebbe un errore, prima ancora che tecnico, di metodo».
L'ecosistema tech italiano vale quasi 140 miliardi: boom di investimenti nel primo semestre 2026
La strada sembra giusta
L’Unità di Informazione finanziaria della Banca d’Italia ha sviluppato un proprio modello per individuare imprese potenzialmente collegate alla criminalità organizzata utilizzando soprattutto dati di bilancio. Nel Quaderno dell’antiriciclaggio n. 22 (datato 2024) si legge che ricercatori, lavorando su un dataset di oltre 28mila aziende, hanno identificato con successo il 76% delle imprese con infiltrazioni criminali e il 74% di quelle lecite. Quindi, un gruppo indipendente, con dati diversi e un modello diverso, arriva alla stessa conclusione generale, cioè che nei bilanci possono esistere segnali utili per costruire strumenti di screening antimafia.
/https%3A//www.repstatic.it/content/contenthub/img/2026/09/21/224341900-44bc75d7-c69a-4815-a612-970b3c24e101.jpg)
/https%3A//www.repstatic.it/content/contenthub/img/2026/09/23/122548787-b6150c2f-a8e3-46c8-97f2-b3fbc0908e72.jpg)
/https%3A//www.repstatic.it/content/contenthub/img/2026/09/21/164048022-6148d04a-4450-4fe3-ac3f-c76210af9368.jpg)