Flussi migratori e scelte tecno-politiche

Claudio Agosti (Vecna)

Negli ultimi anni la Libia è diventata un punto di blocco lungo le rotte migratorie verso l’Europa, un pattugliamento pagato dall’Italia che si traduce in migliaia di persone detenute in diverse strutture ufficiali e no, di estorsione. In teoria fuggire da una guerra dovrebbe garantire lo status di rifugiato, invece si viene intrappolati, torturati per estorcere denaro alle famiglie. E se questo viene pagato, certo si è rilasciati con il rischio di essere ricatturati, ed il ciclo delle violenze si ripeta. I diritti fondamentali sono una fiaba della buonanotte.
In questo pezzo troverai le storie raccolte da un’associazione di rifugiati, trasformate tramite l’uso dei grandi modelli linguistici (LLM, o, Intelligenza Artificiale), e delle valutazioni etiche e procedurali per far processare ad una tecnologia così corrotta delle testimonianze tragiche, nelle quali – anche se forse il lettore di QCode non avrebbe voluto – noi italoeuropei ne siamo complici.

Dati non strutturati
Nel 2021, migliaia di richiedenti asilo manifestano davanti alla sede dell’UNHCR (United Nations High Commissioner for Refugees) a Tripoli. Chiedevano protezione e la difesa dei loro diritti da rifugiati, così facendo resero visibile l’inattività dell’UNHCRArrivano in Italia fondano un’associazione ed un hotline. Si chiama Refugees in Libya. Ha un numero WhatsApp diffuso per passaparola tra persone in movimento, attraverso cui chiedere aiuto, informazioni, orientamento.
Dietro quel numero non c’è un call center strutturato, ma una rete di volontarie e volontari che ascoltano, traducono, cercano contatti utili, documentano abusi. Il loro lavoro è paziente, spesso invisibile, svolto con mezzi limitati. La hotline non può risolvere ogni situazione, non ha poteri coercitivi né molte risorse, ma rappresenta uno spazio di ascolto e di raccolta di testimonianze che altrimenti andrebbero perdute – e con l’ambizioso obiettivo che le vittime possano avere giustizia davanti a tribunali internazionali. Le chiamate vengono salvate in note di testo, a volte gli allegati contribuiscono, con video e audio, a dare visibilità sugli abusi che avvengono nei centri di detenzione. Alcune di queste storie sono raccontate nel libro “C’è di mezzo il mare” di Eva Castelletti, o nel “Book of Shame” pubblicato dalla stessa RiL, nel quale viene spiegato il comportamento problematico delle nazioni unite (UNHCR).

Refugees in Libia, protesta a Roma, 18 Ottobre 2025

Soppesare il compromesso
Come trasformare migliaia di messaggi, nati per rispondere all’urgenza del momento, in un patrimonio di conoscenza utile anche per comprendere fenomeni più ampi? I racconti arrivano in arabo, inglese, francese, oromo e varianti dialettali. Sono frammentari, emotivi, spinti da una necessità impellente o da una ricerca d’aiuto.
La soluzione ideale sarebbe avere delle persone esperte di diritto internazionale, fluenti nelle lingue parlate dalle persone in movimento, con una metodologia di ricerca ed annotazione. Purtroppo la RiL non è così ben equipaggiata, e neppure l’associazione di cui son parte, Hermes, che si è offerta di supportare nel miglioramento della tecnologia della hotline.
La tentazione è naturalmente quella di dare in pasto questi dati ad un chatbot con delle domande puntuali “fai un riassunto di questo caso, dicci dove stava andando la persona, e quale problema avesse”, ma ci sono ottime ragioni per fermarsi a riflettere.I grandi modelli linguistici (tipo GTP, sul quale è stato creato il famoso ChatGPT) sono anche l’espressione di alcuni dei più severi problemi sociali: fondati sul furto automatizzato di conoscenza, diffusi nella società con la promessa di un progresso senza aver riflettuto sugli effettivi impatti, e ha mostrato due importanti lacune. La prima è che, vista la grande frequenza di abusi sessuali, un ChatGPT si rifiuterebbe categoricamente di andare avanti. Inoltre, non capiscono il contesto: un aggiornamento da parte di una fonte, ha valore in relazione a quello che è stato raccontato giorni e settimane prima. Se tutto quello che viene generato non deve essere ritenuto affidabile, allora che cosa possiamo cercare di automatizzare alcune analisi, per dare significati quantitativi ai dati, scoprire tendenze, far emergere pattern? Inoltre, come potremmo in buona coscienza, sottoporre racconti così personali di persone vulnerabili a dei servizi di sorveglianza automatizzata quali sono i chatbot? Stati Uniti – indipendentemente dal clima politico – collabora con l’Italia, c’è un allineamento tra i ministeri da prima di Trump-Meloni e così sarà in futuro. Il tecno-capitalismo della Silicon Valley in questi ultimi anni ha abbracciato le nuove forme di tecnofascismo, supportando il genicidio in Gaza, l’ICE, e il Dipartimento della Guerra. Insomma è un contesto in cui un copia incolla sbagliato, potrebbe già rivelare troppo.

L’uso dei modelli linguistici

Il compromesso nasce dalla necessità di analizzare storie, e trasformarle in informazioni strutturate e comparabili. Rispondere a domande come “quanti casi gestiti venivano dal Sudan?” “Quante persone sono state intercettate dalla Guardia Costiera Libica e riportate nei centri di detenzione?”. Senza avere dati aggregati e strutturati non puoi né comunicare all’esterno in modo chiaro, io voglio ottenere questo:

Flussi di spostamento tra il Sudan e la Libia, negli ultimi mesi del 2024, 
con dimensioni proporzionali al numero di persone e destinazione del viaggio.

Usare un modello linguistico potrebbe aiutare nel trasformare storie individuali in dataset, storie comparabili. Permetterebbe di dare visibilità alle storie di sofferenza, rivendicazioni politiche e ricerca di giustizia. Aiuta infine anche la sostenibilità del progetto: banalmente mostrare a potenziali donatori o a futuri volontari la quantità di lavoro e il tipo di intervento che la hotline può fare.

Definire il perimetro della delega

Affidarsi ad un modello linguistico per tradurre ed estrarre dati è una forma di delega, di fiducia, che deve essere verificata e per questo si deve spezzare il problema in piccole sezioni, scrutinabili e riproducibili.

E non basta: la riservatezza è un diritto che va rispettato, specialmente a chi si affida a te in un momento di vulnerabilità. Per questo non si useranno mai servizi online, ma i così detti “modelli open source” che possono girare sul computer casalingo. Sappiamo che hanno bias di diversa natura, tutti li hanno. Ne ho comparati quattro: llama, deepseek, qwen, gpt-oss; con un processo di valutazione manuale ho cercato di trovare quello che in modo più robusto potesse gestire la traduzione e la valutazione delle testimonianze.

Il responso è che qwen, sviluppato dalla cinese Alibaba, è stato il migliore; gpt-oss al secondo posto, e specialmente anche più veloce. Questo è il primo compromesso: abbiamo abbastanza tempo? Fino a che punto si può sacrificare l’accuratezza? se un modello richiede 5 minuti per messaggio, e diverse migliaia sono state collezionate nel tempo, quanta energia computazionale sarà sottratto? Quando si “paga a token” questo non è un problema, ma se vuoi avere sovranità digitale, potresti trovarti a fare i conti con l’unico computer potente che hai in casa.

L’analisi ha avuto diverse fasi, anche per noi, tra tecnici ed attivisti, la difficoltà iniziale c’è stata nel capire “cosa potremmo tirare fuori da queste storie”. Ad esempio, estrarre i nomi delle autorità – polizia, milizia, ospedali – come sono state coinvolte, quale supporto o abuso hanno contribuito. Anche il percorso, quindi le città, province – di passaggio, destinazione, o detenzione – e per finire, i tipi di abusi. Questi ultimi, abbiamo scoperto, esiste il Global Protection Cluster (GPC) usato dall’UNHCR per classificare i rischi di protezione in cui incorrono le persone in movimento. Tutte queste esperienze sono state fatte in continue iterazioni: analizza, racconta, raccogli suggerimenti, e rianalizza.

Il funzionamento della “pipeline” di raccolta e processo delle storie

Va ricordato sempre che chi contatta la hotline non rappresenta l’intera popolazione in movimento, ma una parte che conosce il numero e sceglie di scrivere. Non c’è l’ambizione di descrivere l’intero fenomeno migratorio, ma solo offrire supporto al meglio ad un tratta disegnata per ostacolare e incarcerare.Abbiamo cercato di estrarre, per ogni storia, alcune caratteristiche che potessero dare un’idea della tragedia umanitaria. Ad esempio quante chiamate denunciano di violenza sessuale? O detenzione arbitraria? Nel grafico sottostante vedete quante persone riportano di aver perso uno o più familiari (analisi parziale)

Nuova strategia: dalle interazioni alle storie individuali

L’analisi in questa fase può sembrare interessante ma ogni persona può chiamare da numeri di telefoni diversi, ripetere la propria storia o aggiungere nuovi avvenimenti. Ulteriore miglioramento è venuto con un cambio di obiettivo. Invece di analizzare ogni messaggio come unità isolata, abbiamo iniziato a ragionare per storie, familiari ed individuali. E anche in questo caso è stato necessario affidarsi ai modelli linguistici. Alcuni nomi arabi possono essere tradotti in modo diverso. L’idea è aggregare le interazioni che probabilmente appartengono alla stessa persona o allo stesso nucleo familiare, ricostruendo un percorso nel tempo. Questo richiede criteri più raffinati di collegamento e una revisione delle categorie usate per classificare i casi.

Nella prima fase di analisi, le tassonomie (ovvero la lista di valori che può essere attribuita come risposta ad una domanda. Ad esempio, le Nazioni Unite, la richiesta di protezione, registrazione, aiuto, l’hanno RIFIUTATA o RIGETTATA? Quando usi un modello linguistico non lavori con un sistema deterministico, e potrebbe restituire entrambi. Poiché si sono dimostrati spesso incoerenti è stato necessario definire una tassonomia e degli esempi per forzare un’uniformità.

Anche i luoghi venivano trascritti con nomi differenti, pure se si tratta della stessa città, per questione di traduzione o traslitterazione.

Le autorità coinvolte erano descritte in modi variabili, talvolta con sigle. Una persona in movimento parlava dell’ “International Migration Office” e il modello linguistico lo riportava come IOM, o come “International Migration Organization”, ma ancora più frequenti, è che senza contesto non è possibile fare inferenza. Nelle conversazioni con la hotline si fa riferimento alla “Commissione” o all’ Organizzazione, sottintendendo che sia l’UNHCR, ma se questo non viene fornito dal modello linguistico, il risultato non permetterà di fare comparazioni accurate.

Anche i problemi riportati erano etichettati in modo non uniforme, mescolando categorie giuridiche e descrizioni emotive. Questo rendeva difficile confrontare i dati e individuare ricorrenze, mentre il mio obiettivo era aggregarli per similitudine e leggere i numeri.

La nuova strategia quindi si è basata sul definire vocabolari più chiari per luoghi, autorità e tipologie di abuso. L’obiettivo non è ridurre le storie a codici, le storie non devono essere dimenticate nel processo, ma è utile rendere comparabili fenomeni analoghi. E’ difficile, e sul sito di Hermes – Hacking 4 Human Rights sarà pubblicato un report dettagliato, ma le analisi ed il lavoro sta continuando mentre chiudiamo questo pezzo (Maggio 2026).

Conclusione
La cosiddetta Intelligenza Artificiale Generativa è un problema: è tecnologia che sanguina. In certi limitati casi può dare dei vantaggi, ma difficilmente sarà “un prompt ben assestato”. In questo caso è stato un costante tentativo pensato per imparare qualcosa sui dati della RiL e sulle possibilità effettive dei LLM. Significa avere due variabili indipendenti in una ricerca esplorativa. Certo sanno trattare il linguaggio naturale come nessuno strumento informatico mai prima d’ora, ma il costo occulto sta nel tempo, nell’accuratezza e nel soppesare come saranno usati i dati prodotti.

Sono strumenti ambigui, per questo non possono essere lasciati soli. Devono essere inseriti in un processo che preveda verifica umana, confronto collettivo, revisione continua delle categorie e consapevolezza della natura parziale dei dati. Rimane però la domanda più difficile: serve a qualcosa? Quando le storie individuali incontrano un’opinione pubblica stanca o anestetizzata, il rischio è che ogni nuovo racconto suoni a vuoto, venga percepito come un episodio tra tanti. L’analisi quantitativa non sostituisce la forza di una testimonianza, ma può mostrare che non si tratta di eventi sporadici. Può rendere visibile la ripetizione, la sistematicità, la concentrazione geografica delle violenze. Può aiutare a individuare luoghi in cui l’intervento sarebbe più urgente, o a dimostrare che certe pratiche non sono deviazioni ma parte di un meccanismo strutturale. Perché anche se il Generale al-Masri è stato arrestato, il sistema di estorsione e tortura dalle carceri non è finito.
Forse sarà anche una documentazione aggregata a poter far capire le responsabilità. Con dati strutturati, pur imperfetti, diventa possibile individuare ricorrenze, mappare attori ricorrenti, e pretendere rendiconto da parte degli europei che hanno contribuito a questa catastrofe umanitaria.

Trasformare storie individuali in dati leggibili dalle macchine è una sfida delicata. La prima analisi, con le sue incompletezze, lo dimostra. I dati raccolti non erano nati per essere confrontati statisticamente; sono stati prodotti per rispondere a un’urgenza. Riorganizzarli richiede disciplina metodologica e umiltà. La scienza dei dati non dispone di un ordine professionale che imponga regole condivise e controlli esterni. Per questo la responsabilità ricade su chi analizza: dichiarare le categorie scelte, rendere visibili i criteri di aggregazione, esplicitare ciò che non si sa.

Non basta inserire migliaia di messaggi in un modello linguistico per ottenere verità. Senza una metodologia trasparente, senza controllo umano, senza un lavoro continuo di revisione, il rischio è produrre grafici eleganti che nascondono distorsioni profonde. Il compito non è dimostrare che la tecnologia funziona, ma costruire un processo che possa essere interrogato, criticato, migliorato.

Se questo lavoro ha un senso, è proprio qui: nel tentativo di coniugare ascolto e struttura, testimonianza e comparabilità, tecnologia e responsabilità. Non per sostituire le persone, ma per rafforzare la capacità collettiva di rendere visibili violenze che altrimenti resterebbero nascoste al pubblico. In un contesto in cui le migrazioni forzate continueranno a crescere, dotarsi di strumenti autonomi, verificabili e consapevoli dei propri limiti è una scelta tecno-politica.