Nel teatro bellico contemporaneo, la distinzione tra combattente e civile non è più affidata solo all’occhio del soldato sul campo, ma a complessi sistemi di Machine Learning. Strumenti come “Lavender” o “Where’s Daddy?”, recentemente emersi nelle cronache geopolitiche, rappresentano una nuova frontiera: l’uso dell’IA per generare liste di bersagli su scala industriale. Se da un lato l’efficienza aumenta, dall’altro si corre il rischio di una de-umanizzazione algoritmica, dove l’essere umano viene ridotto a un semplice “output statistico”.
Il Funzionamento Tecnico: L’IA come “Motore di Ricerca” di Bersagli
Questi sistemi non operano tramite una visione diretta, ma attraverso l’analisi massiva di metadati.
- Analisi dei Big Data: L’IA incrocia migliaia di variabili: contatti telefonici, gruppi WhatsApp, spostamenti rilevati dai GPS, dati dai social media e abitudini di consumo. L’algoritmo assegna a ogni individuo un “punteggio di sospetto” (rating) basato sulla somiglianza dei suoi comportamenti con quelli di noti miliziani.
- Classificazione Automatica: Invece di analizzare un singolo individuo, l’IA può classificare interi gruppi di popolazione in pochi secondi, generando liste di migliaia di potenziali bersagli che un team di analisti umani impiegherebbe anni a compilare.
Il Collo di Bottiglia dell’Uomo: La Fine dello “Human-in-the-Loop”
In teoria, il diritto internazionale richiederebbe che un essere umano verifichi ogni decisione letale. Tuttavia, la velocità dell’IA sta trasformando questo principio in una formalità.
- Tempo di Revisione Ridotto: Quando un sistema genera centinaia di bersagli al giorno, il supervisore umano ha spesso solo pochi secondi per validare la scelta dell’algoritmo. In questa fase, l’uomo tende a fidarsi ciecamente della macchina (automation bias), diventando un semplice “notaro” di una decisione già presa dal codice.
- Erosione della Responsabilità: Se l’errore è generato da un calcolo statistico complesso, la responsabilità morale e legale si diluisce. Chi è responsabile di un falso positivo? Il programmatore, l’ufficiale che ha approvato o l’algoritmo stesso?
La “De-umanizzazione” Statistica
Il termine “de-umanizzazione algoritmica” descrive il processo per cui un individuo perde la sua identità unica per diventare un punto in un grafico di distribuzione.
- Vedere attraverso i Dati: Per l’operatore che guarda uno schermo, il bersaglio non è più una persona con una storia, ma un “profilo ad alto rischio” confermato da un software. Questo distacco aumenta la distanza psicologica, rendendo l’atto di ordinare un attacco simile alla chiusura di una pratica burocratica o a una sessione di data management.
- Sistemi di Notifica (“Where’s Daddy?”): Alcuni sistemi sono progettati per avvisare l’esercito quando un bersaglio entra in un determinato perimetro (come la propria casa). Tecnicamente, questo trasforma la vita privata in un parametro di “trigger” per l’attivazione di un’arma, eliminando ogni residuo di empatia.
Il Rischio dei “Falsi Positivi” su Scala
Nessun algoritmo di Machine Learning ha una precisione del 100%. In un contesto militare, un margine di errore del 10% non significa un bug software, ma la possibilità di colpire civili innocenti a causa di una correlazione errata (ad esempio, avere lo stesso nome di un sospetto o trovarsi nello stesso gruppo di messaggistica). L’automazione permette di commettere errori a una velocità e su una scala precedentemente impossibili.
Conclusione
L’automazione del targeting sta trasformando la guerra in un esercizio di ottimizzazione dei dati. Sebbene la tecnologia prometta una “guerra chirurgica”, la realtà mostra che la delega del giudizio morale alle macchine rischia di creare un mondo in cui la vita umana è pesata da algoritmi opachi. La sfida del futuro non è solo tecnica, ma legislativa: è necessario ristabilire un controllo umano significativo che non sia una semplice firma su un foglio generato da un’IA.