Il bello di lavorare nel mondo delle tecnologie emergenti è che spesso si sentono arrivare le cose prima ancora che siano davvero all’orizzonte, discutendo con dei colleghi. A volte non si vede ancora la nave, ma si sente già il rumore delle macchine. Per esempio, non stiamo considerando con sufficiente chiarezza gli effetti delle tecnologie biometriche. E prima ancora di discuterne, occorre fare una distinzione che nel dibattito pubblico viene quasi sempre saltata: una cosa è il riconoscimento dell’immagine, che appartiene al mondo della visione artificiale; un’altra cosa è la biometria vera e propria, cioè la capacità di misurare caratteristiche biologiche di una persona — volto, iride, impronta, geometria della mano, voce, andatura — e trasformarle in un criterio di identificazione.

Perché questa distinzione è importante? Perché il riconoscimento dell’immagine, in quanto tale, può essere ingannato quando si riesce a imitare l’immagine. Gli esempi classici sono la targa finta, la fotografia a grandezza naturale, la faccia stampata su una maglietta, il cartello piazzato nel punto giusto per confondere una telecamera. In quel caso il sistema non sta davvero “conoscendo” l’oggetto: sta classificando una superficie visibile.

La biometria, invece, quando è fatta bene, gioca una partita diversa. Non guarda soltanto un’immagine: misura una configurazione biologica. Cerca distanze, proporzioni, texture, relazioni geometriche, caratteristiche statisticamente rare. E più il sensore è buono, più il dato è pulito, più l’algoritmo è addestrato su casi reali, più il sistema diventa difficile da ingannare. Non impossibile, perché “impossibile” in tecnologia è una parola da venditori o da ministri. Ma difficile, e sempre più difficile.

Il problema, quindi, è capire che cosa significhi davvero dire che questi sistemi “migliorano” o che “sono efficaci”. Se mi chiedete quale sia l’errore nel distinguere Giuseppe Rossi da Mario Bianchi, chiunque essi siano, la domanda sembra semplice. Ma non lo è. Dipende dal tipo di confronto: sto verificando se una persona è proprio quella che dice di essere, quindi un confronto uno-a-uno? Oppure sto cercando una persona dentro un archivio di milioni di volti, quindi uno-a-molti?

Nel primo caso, l’errore rilevante è il falso match: il sistema dice che due persone diverse sono la stessa persona. Nel secondo caso, entra in gioco anche il falso positivo di identificazione: cerco qualcuno in un archivio e il sistema mi restituisce un candidato sbagliato. Poi c’è l’errore opposto: il falso non-match, cioè il caso in cui il sistema non riconosce la stessa persona in due immagini diverse.

Ed è qui che la discussione diventa meno rassicurante, perché le percentuali non sono più quelle della fantascienza anni Novanta. Non siamo più nel mondo della webcam sgranata che confonde vostra zia con Nicolas Cage. Nei test seri, su immagini controllate, i sistemi migliori lavorano ormai con soglie di falso match dell’ordine di uno su centomila sino a uno su un milione. Il che non significa che siano infallibili. Significa una cosa peggiore: che sono abbastanza buoni da essere usati.

Ed infatti, esistono le applicazioni commerciali, che si vanno moltiplicando.

---

Ma adesso chiediamoci una cosa più concreta: se passo una fotografia biometrica a un sistema moderno e gli chiedo di rispondere soltanto “maschio” o “femmina”, quanto sbaglia?

Qui la risposta è meno filosofica e molto più secca: in condizioni buone, con una foto frontale, illuminata, nitida, simile a quelle usate per documenti, visti o mugshot, l’errore dei sistemi seri è nell’ordine di pochi punti percentuali. Il riferimento pubblico più solido, nei test NIST, dava al miglior algoritmo un’accuratezza complessiva del 96,5%, cioè circa il 3,5% di errore.

Non stiamo parlando, quindi, di una monetina. E nemmeno di un giocattolo che tira a indovinare. Stiamo parlando di sistemi che, davanti a una fotografia biometrica pulita, sbagliano grossomodo una volta ogni trenta. In alcune condizioni anche meno; in altre, specialmente se la foto non è davvero biometrica, molto di più.

Il punto interessante è proprio questo: una tecnologia che sbaglia una volta ogni trenta è abbastanza precisa da sembrare autorevole, ma non abbastanza precisa da diventare una verità amministrativa. È abbastanza buona per fare statistiche. È abbastanza buona per filtrare, ordinare, suggerire, segmentare. Ma se la trasformate in un verdetto individuale, allora state solo dando una divisa da pubblico ufficiale a una probabilità.

Scenario	Errore realistico
Foto biometrica buona, sistema serio	circa 2–4%
Valore NIST migliore, test pubblico	3,5%
Maschi nel miglior test NIST	2,5%
Femmine nel miglior test NIST	4,4%

Ovviamente, non stiamo contando gruppi realistici.

Queste percentuali vi sembreranno enormi, ma bisogna capire che cosa significhi, in questo contesto, “gruppi problematici”.

Per esempio: i bambini che non hanno ancora sviluppato caratteri sessuali secondari marcati. Oppure le persone molto giovani, o molto anziane, nelle quali alcuni tratti facciali statisticamente associati al sesso risultano meno leggibili. Oppure ancora popolazioni e sottogruppi nei quali, per ragioni genetiche, ambientali, culturali o semplicemente per come sono costruiti i dataset, i caratteri usati dal sistema risultano meno distintivi rispetto a quelli su cui l’algoritmo è stato addestrato meglio.

Non significa che “gli orientali sono tutti uguali”, come direbbe un cretino con la patente. Significa una cosa più tecnica: se un algoritmo è stato addestrato soprattutto su certi volti, certe luci, certe età, certe proporzioni e certi fenotipi, quando incontra distribuzioni diverse può sbagliare di più. Non perché il mondo sia ambiguo per vendetta, ma perché il dataset era provinciale.

Poi ci sono i casi davvero fuori distribuzione: volti molto androgini, foto di qualità scarsa, angoli strani, trucco, barba, capelli, occhiali, occlusioni, chirurgia estetica, condizioni mediche, immagini compresse da un social network fino a sembrare un affresco etrusco fotografato col Game Boy.

E naturalmente gli Elfi di Granburrone.

Ok, gli Elfi di Granburrone non esistono. Ma se esistessero, probabilmente manderebbero nel panico metà dei classificatori biometrici: zigomi perfetti, età apparente indefinibile, sessualità fenotipica da copertina prog rock del 1973, luce diffusa da foresta incantata e capelli abbastanza lunghi da diventare una classe statistica autonoma.

A quel punto il sistema non starebbe più facendo biometria: starebbe chiedendo aiuto a Tolkien.

---

E qui ci sara' il caso delle persone transessuali. Secobdo i dati biometrici di ANSUR,

Proporzione	Maschi	Femmine	Differenza proporzionale
Testa / spalle biacromiali	~0,37	~0,40	femmine +8% circa
Spalle biacromiali / testa	~2,70×	~2,50×	maschi +8% circa
Collo / testa	~0,68–0,70	~0,58–0,61	maschi +15–18% circa
Spalle biacromiali / fianchi	~1,18–1,22	~1,00–1,06	maschi +15–20% circa
Fianchi / spalle biacromiali	~0,82–0,85	~0,94–1,00	femmine +12–18% circa
Vita / fianchi	~0,85–0,95	~0,70–0,82	femmine -10/-20 punti percentuali
Torso seduto / statura	~0,52	~0,53	femmine +1–2% circa
Gambe / statura	~0,48	~0,47	maschi +1–2% circa
Torso / gambe	~1,08	~1,13	femmine +3–5% circa
Larghezza bacino / statura	~0,19	~0,21	femmine +8–10% circa
Bacino / spalle	~0,82–0,85	~0,94–1,00	femmine +12–18% circa
Angolo Q femore-anca-ginocchio	~10–14°	~15–20°	femmine +4–7°
Angolo sottopubico	~50–80°	~80–100°+	femmine +20–40°
Bizigomatico / bigoniale, cioè zigomi / mandibola	~1,12	~1,18	femmine +5,4%
Bigoniale / bizigomatico, cioè mandibola / zigomi	~0,89	~0,85	maschi +4,7%
Altezza volto / larghezza mandibola	~1,50–1,55	~1,60–1,65	femmine +5–8%
Larghezza mandibola / larghezza faccia	~0,88–0,90	~0,83–0,86	maschi +5–8%
Larghezza volto / altezza volto, fWHR	~1,85–1,95	~1,80–1,90	maschi +0–5%, tratto debole
Naso / altezza volto	~0,28–0,30	~0,26–0,28	maschi +5–10%
Larghezza naso / larghezza volto	~0,26–0,28	~0,24–0,26	maschi +5–8%
Proiezione nasale / altezza volto	~0,20–0,22	~0,18–0,20	maschi +8–12%
Bocca / larghezza volto	~0,36–0,38	~0,34–0,36	maschi +5–8%
Occhi / larghezza volto	~0,30–0,32	~0,32–0,34	femmine +4–7%
Terzo inferiore volto / altezza volto	~0,36–0,38	~0,33–0,35	maschi +6–10%
Mento / altezza volto	~0,16–0,18	~0,14–0,16	maschi +8–12%
Mano / statura	~0,107–0,110	~0,102–0,105	maschi +4–6%
Piede / statura	~0,150–0,155	~0,145–0,150	maschi +3–5%
Circonferenza collo / statura	~0,215–0,220	~0,195–0,200	maschi +9–12%
Larghezza spalle / statura	~0,228–0,232	~0,218–0,222	maschi +4–6%
Larghezza fianchi / statura	~0,188–0,192	~0,210–0,214	femmine +10–13%

Ora, abbiamo visto prima quali sono le percentuali di errore globali. Su una fotografia biometrica decente del volto, un sistema moderno che debba scegliere soltanto tra “maschio” e “femmina” sbaglia nell’ordine del 3–4%. Prendiamo pure il valore prudente: 4,4%.

Ma quello è il caso povero: una faccia, una foto, un’inquadratura. Se invece il sistema dispone dell’intero corpo, il gioco cambia. A quel punto non sta più guardando soltanto mandibola, naso o distanza tra gli occhi. Sta guardando anche testa rispetto alle spalle, collo rispetto alla testa, spalle rispetto ai fianchi, bacino rispetto alla statura, torso rispetto alle gambe, rapporto vita/fianchi, angolo delle anche, postura, distribuzione delle masse. E se ha un video, aggiunge anche il movimento.

In altre parole: non sta decidendo su un indizio. Sta decidendo su una pila di indizi.

Molti di questi indizi, presi singolarmente, hanno differenze medie del 5%, 10%, 15%, 20%. Alcuni sono deboli, altri sono forti, altri vengono disturbati da peso, età, vestiti, postura, allenamento e qualità dell’immagine. Ma quando venti o trenta proporzioni diverse puntano nella stessa direzione, la probabilità che il sistema rimanga incerto non resta al 4,4% della sola faccia. Scende.

Quanto scende? Per un adulto occidentale medio, ben ripreso, con volto visibile e corpo intero, una stima prudente è sotto l’1–2% di errore. Se aggiungete video e movimento, e se il soggetto non è in una categoria difficile per il classificatore, l’errore pratico può scendere verso meno dell’1%.

Quindi no: non sto dicendo “la maggior parte”, che significa tutto e niente. Sto dicendo una cosa più precisa: in condizioni favorevoli, per adulti medi e ben rappresentati nei dataset, parliamo verosimilmente di classificazioni corrette nel 98–99% dei casi, e probabilmente oltre il 99% quando il sistema può usare volto, corpo intero e movimento.

Non 100%. Il 100% è una parola da venditori di sicurezza biometrica, cioè da gente che meriterebbe di essere identificata da un tornello rotto per il resto della vita.

Ma 98–99%, in un sistema amministrativo, è già abbastanza pericoloso.

---

Adesso andiamo alla sola faccia. Ed e' molto importante, perche' e' quello che si usa nei documenti, passaporti, e via dicendo.

Secondo CDC/NIOSH, abbiamo:

Proporzione facciale	Maschi	Femmine	Differenza proporzionale
Altezza facciale / larghezza facciale	~1,35	~1,30	maschi +3,8%
Larghezza facciale / altezza facciale	~0,74	~0,77	femmine +4,1%
Larghezza mandibola / larghezza zigomi	~0,89	~0,85	maschi +4,7%
Larghezza zigomi / larghezza mandibola	~1,12	~1,18	femmine +5,4%
Altezza facciale / larghezza mandibola	~1,50–1,55	~1,60–1,65	femmine +5–8%
Larghezza mandibola / altezza facciale	~0,65–0,67	~0,61–0,63	maschi +5–8%
Larghezza mandibola / larghezza facciale	~0,84	~0,80	maschi +5% circa
Larghezza facciale / larghezza mandibola	~1,19	~1,25	femmine +5% circa
Altezza facciale inferiore / altezza facciale totale	~0,36–0,38	~0,33–0,35	maschi +6–10%
Altezza facciale superiore / altezza facciale totale	~0,31–0,33	~0,33–0,35	femmine +3–6%
Altezza terzo medio / altezza facciale totale	~0,30–0,32	~0,31–0,33	femmine +3–5%
Naso / altezza facciale	~0,28–0,30	~0,26–0,28	maschi +5–10%
Larghezza naso / larghezza facciale	~0,26–0,28	~0,24–0,26	maschi +5–8%
Proiezione nasale / altezza facciale	~0,20–0,22	~0,18–0,20	maschi +8–12%
Proiezione nasale / larghezza nasale	~0,75–0,85	~0,70–0,78	maschi +5–10%
Larghezza bocca / larghezza facciale	~0,36–0,38	~0,34–0,36	maschi +5–8%
Larghezza bocca / larghezza mandibola	~0,54–0,58	~0,56–0,60	femmine +3–6%
Larghezza bocca / larghezza naso	~1,35–1,45	~1,35–1,45	differenza ~0–3%, debole
Distanza interpupillare / larghezza facciale	~0,44–0,45	~0,45–0,46	femmine +2–4%
Distanza interpupillare / larghezza cranica	~0,41–0,42	~0,42–0,43	femmine +2–3%
Distanza intercantale interna / distanza intercantale esterna	~0,36–0,37	~0,35–0,36	maschi +2–4%
Distanza intercantale esterna / larghezza facciale	~0,70	~0,72	femmine +2–4%
Occhio visibile / larghezza facciale	~0,30–0,32	~0,32–0,34	femmine +4–7%
Mento / altezza facciale	~0,16–0,18	~0,14–0,16	maschi +8–12%
Labbro superiore cutaneo / regione labbro-mento	~0,735	~0,680	maschi +8,1%
Labbro inferiore cutaneo / regione labbro-mento	~0,630	~0,611	maschi +3,1%
Vermiglio superiore / regione labbro-mento	~0,265	~0,320	femmine +20,8%
Vermiglio inferiore / regione labbro-mento	~0,370	~0,389	femmine +5,1%
Altezza volto / larghezza naso	~4,8–5,2	~5,0–5,5	femmine +4–8%
Larghezza zigomi / distanza interpupillare	~2,20–2,25	~2,15–2,22	maschi +0–4%, debole
Larghezza mandibola / distanza interpupillare	~1,95–2,05	~1,80–1,95	maschi +5–10%
Larghezza bocca / distanza interpupillare	~0,85–0,90	~0,84–0,88	maschi +0–5%, debole
Larghezza naso / distanza interpupillare	~0,58–0,63	~0,54–0,60	maschi +5–8%

Se prendiamo i dati NIOSH:

Misura / proporzione facciale	Maschi media	Maschi σ	Femmine media	Femmine σ	Differenza M-F	Rapporto M/F
Bigonial breadth, larghezza mandibola	120.4 mm	10.4	110.1 mm	8.9	+10.3 mm	1.094
Bizygomatic breadth, larghezza zigomi	143.5 mm	6.9	135.1 mm	6.5	+8.4 mm	1.062
Menton-Sellion length, altezza facciale	122.7 mm	7.0	113.4 mm	6.1	+9.3 mm	1.082
Interpupillary distance	64.5 mm	3.6	61.9 mm	3.5	+2.6 mm	1.042
Lip length, larghezza bocca	51.1 mm	4.2	48.0 mm	4.0	+3.1 mm	1.065
Nose breadth, larghezza naso	36.6 mm	4.1	33.2 mm	3.9	+3.4 mm	1.102
Nose protrusion, proiezione nasale	21.1 mm	2.7	19.8 mm	2.7	+1.3 mm	1.066
Subnasale-Sellion length, altezza nasale	52.0 mm	4.1	48.2 mm	3.8	+3.8 mm	1.079
Nasal root breadth	16.6 mm	2.3	16.3 mm	2.0	+0.3 mm	1.018
Maximum frontal breadth	112.3 mm	5.5	108.6 mm	5.3	+3.7 mm	1.034
Minimum frontal breadth	105.5 mm	5.7	102.9 mm	5.4	+2.6 mm	1.025
Head breadth	153.0 mm	6.0	146.8 mm	5.6	+6.2 mm	1.042
Head length	197.3 mm	7.4	187.5 mm	7.2	+9.8 mm	1.052
Head circumference	575.7 mm	17.1	554.9 mm	17.8	+20.8 mm	1.037

E QUINDI, PROPORZIONI RELATIVE:

Proporzione facciale	Formula	Maschi	Femmine	Differenza relativa
Mandibola / zigomi	bigonial / bizygomatic	0.839	0.815	maschi +2.9%
Zigomi / mandibola	bizygomatic / bigonial	1.192	1.227	femmine +2.9%
Altezza faccia / larghezza zigomi	menton-sellion / bizygomatic	0.855	0.839	maschi +1.9%
Larghezza zigomi / altezza faccia	bizygomatic / menton-sellion	1.169	1.191	femmine +1.9%
Mandibola / altezza faccia	bigonial / menton-sellion	0.981	0.971	maschi +1.1%
Altezza faccia / mandibola	menton-sellion / bigonial	1.019	1.030	femmine +1.1%
Distanza interpupillare / zigomi	IPD / bizygomatic	0.449	0.458	femmine +2.0%
Bocca / zigomi	lip length / bizygomatic	0.356	0.355	maschi +0.2%
Bocca / mandibola	lip length / bigonial	0.424	0.436	femmine +2.7%
Naso larghezza / zigomi	nose breadth / bizygomatic	0.255	0.246	maschi +3.8%
Naso larghezza / mandibola	nose breadth / bigonial	0.304	0.302	maschi +0.9%
Proiezione naso / altezza faccia	nose protrusion / menton-sellion	0.172	0.175	femmine +1.4%
Proiezione naso / larghezza naso	nose protrusion / nose breadth	0.577	0.596	femmine +3.3%
Altezza nasale / altezza faccia	subnasale-sellion / menton-sellion	0.424	0.425	femmine +0.2%
Altezza nasale / zigomi	subnasale-sellion / bizygomatic	0.362	0.357	maschi +1.4%
Radice nasale / zigomi	nasal root breadth / bizygomatic	0.116	0.121	femmine +4.4%
Fronte massima / zigomi	max frontal breadth / bizygomatic	0.783	0.804	femmine +2.7%
Fronte minima / zigomi	min frontal breadth / bizygomatic	0.735	0.762	femmine +3.7%
Larghezza testa / lunghezza testa	head breadth / head length	0.775	0.783	femmine +1.1%
Zigomi / larghezza testa	bizygomatic / head breadth	0.938	0.920	maschi +2.0%

Non tanto diverso da ANSUR.

A questo punto, qual'e' la possibilita', considerando tutti questi dati, di sbagliare?

Non avendo la distrbuzione , posso partire da 50/50%, e usare un naive bayesian.

Ricaviamo l'errore per singola misura:

Misura	Cohen d	Errore Bayesiano stimato
Menton-Sellion length, altezza facciale	1,417	23,8%
Head length	1,342	25,1%
Bizygomatic breadth, larghezza zigomi	1,253	26,5%
Head circumference	1,192	27,5%
Bigonial breadth, larghezza mandibola	1,064	29,5%
Head breadth	1,068	29,6%
Subnasale-Sellion length, altezza nasale	0,961	31,5%
Nose breadth, larghezza naso	0,850	33,5%
Lip length, larghezza bocca	0,756	35,2%
Interpupillary distance	0,732	35,7%
Maximum frontal breadth	0,685	36,6%
Nose protrusion	0,481	40,5%
Minimum frontal breadth	0,468	40,7%
Nasal root breadth	0,139	45,8%

Risultato finale:

Modello	Chance di sbagliare maschio/femmina
Combinazione di 14 misure, Gaussiane indipendenti, varianze separate	3,6%
Combinazione di 14 misure, covarianza diagonale pooled	3,7%

Come potete vedere, sono numeri assolutamente simili agli errori medi: le persone transessuali NON SONO un gruppo problematico per la biometria, come anziani, bambini, o asiatici che fanno K-POP.

Formula del calcolo

Per ogni misura ho usato:

M ~ Normal(muM, sigmaM)
F ~ Normal(muF, sigmaF)

e classificazione Bayesiana:

scegli M se PDF_M(x) > PDF_F(x)
scegli F se PDF_F(x) > PDF_M(x)

Per la combinazione:

LLR = Σ log( PDF_M_i(x_i) / PDF_F_i(x_i) )

Errore finale stimato via Monte Carlo su 2 milioni di campioni per classe:

Classe reale	Errore
Maschi classificati come femmine	3,74%
Femmine classificate come maschi	3,48%
Errore medio	3,61%

Grazie, Wolfram, per averci dato Mathematica!

---

Insomma, lo stato dell'arte e'

Maschi classificati correttamente come maschi: 96,26%
Femmine classificate correttamente come femmine: 96,52%
Successo medio complessivo: 96,39%

Il che significa che, per quanto se ne dica in alcuni campus liberal americani, il problema esiste.

Perché dico “problema”?

Avete mai aperto un conto in banca online? In genere usano sistemi biometrici per identificarvi.

Vi chiedono, per esempio — Revolut lo fa — di scattarvi una foto tenendo accanto al volto il passaporto aperto. A quel punto l’immagine viene passata a un sistema di verifica biometrica. Tutto bene?

No.

Perché il processo non si ferma lì. Una volta estratti i dati, tutto finisce dentro un sistema antifrode. Il quale farà OCR sul passaporto per leggere i dati scritti, controllerà la fotografia del documento, controllerà la fotografia appena scattata, confronterà i volti, confronterà i metadati, e userà ogni altra cosa disponibile per decidere se siete voi, oppure se state tentando una frode.

A quel punto nasce il problema.

Se avete cambiato sesso nei documenti, il passaporto può dire “F”. Ma la fotografia biometrica può produrre una classificazione maschile con una confidenza molto alta. Nel modello che abbiamo calcolato sopra, usando solo misure facciali antropometriche, la classificazione corretta maschio/femmina arriva al 96,39%. Non è un oracolo, non è certezza assoluta, ma è abbastanza per far scattare un sistema antifrode medio.

Risultato finale: il sistema blocca tutto. Dal suo punto di vista, qualcosa non torna. Il documento dice una cosa, la faccia misurata ne suggerisce un’altra. Quindi il passaporto potrebbe essere falso, oppure rubato, oppure usato da una persona diversa. È quasi un esercizio classico di sistemi antifrode biometrici.

Niente conto in banca.

Ora, chiaramente, una persona che ha cambiato sesso potrà andare in una banca diversa, allo sportello, farsi identificare da un essere umano, spiegare la situazione e aprire il conto.

Ma qui arriva la parte divertente, nel senso di “divertente come una porta blindata che vi ride in faccia”: le filiali stanno chiudendo. Le banche da sportello stanno diminuendo. Sempre più servizi finanziari vengono spostati online. Sempre più identificazioni vengono fatte da remoto. Sempre più onboarding dipende da una combinazione di OCR, riconoscimento facciale, controllo documento, sistemi antifrode e classificatori biometrici.

Quindi il problema non è teorico. Non è una disputa da seminario universitario su quante identità possano danzare sulla capocchia di uno spillo.

Il problema è amministrativo.

Se un sistema automatico decide che il vostro documento e la vostra faccia non raccontano la stessa storia, il sistema non apre un dibattito. Non convoca Judith Butler. Non legge un paper. Non vi chiede come vi sentite oggi.

Vi blocca.

E se il mondo economico si sposta verso sistemi nei quali il primo filtro è automatico, biometrico e antifrode, allora il problema non è più “passo o non passo davanti a una persona”.

Il problema diventa: passo o non passo davanti a un computer?

E ho brutte notizie per voi.

Non passate.

Quasi nessuno/a di voi.

E con quelle percentuali, si direbbe che lo stesso concetto di “passare” sia completamente campato in aria.

---

Come sta andando l'adozione di sistemi biometrici, campo per campo?

Ecco una tabella.

Campo	Numero utile
Mercato biometrico globale 2026	circa 59,7 miliardi USD
Mercato biometrico globale 2030 previsto	circa 103,08 miliardi USD
CAGR biometria globale 2026–2030	circa 14,6%
Biometrics in government 2025	circa 7,02 miliardi USD
Biometrics in government 2026	circa 8,05 miliardi USD
Crescita government biometrics 2025→2026	circa 14,6%
Biometric payment market 2025	circa 11,74 miliardi USD
Biometric payment market 2026	circa 13,72 miliardi USD
Crescita biometric payments 2025→2026	circa 16,8%
Palm vein biometrics 2026	circa 1,99 miliardi USD
Palm vein biometrics 2031 previsto	circa 4,42 miliardi USD
CAGR palm vein 2026–2031	circa 17,28%
Smartphone con biometria integrata	circa 82% degli smartphone
Time & attendance software: quota biometrica 2026	circa 38% del mercato

Cosa significano questi dati?

Significano una cosa molto semplice:

entro cinque o dieci anni, le persone transessuali rischiano di avere problemi seri in una quota crescente di processi amministrativi automatizzati. Quasi tutti.

Non perché qualcuno allo sportello voglia discriminarle. Quello è il vecchio mondo. Il mondo nuovo è peggiore proprio perché non ha bisogno di volerlo. Il mondo nuovo è una pipeline.

Documento, OCR, fotografia, riconoscimento facciale, classificazione biometrica, liveness check, sistema antifrode, decisione automatica. Se tutto torna, passate. Se qualcosa non torna, finite in eccezione. Se l’eccezione è gestita bene, magari vi chiederanno un controllo manuale. Se è gestita male, e spesso lo sarà, verrete semplicemente bloccati.

E qui nasce il problema.

Perché le macchine se ne sbattono il cazzo dei feelings, dei seminari universitari e dei libri di Judith Butler. Non hanno una teoria del genere. Non hanno una sensibilità. Non hanno una colpa. Non hanno nemmeno un pregiudizio nel senso umano del termine. Fanno una cosa più banale: misurano.

Misurano mandibola, zigomi, naso, mento, altezza facciale, distanza interpupillare, proporzioni del terzo inferiore del volto. Se hanno il corpo intero, misurano anche spalle, bacino, collo, postura, movimento. Vedono attraverso makeup, vestiti e manierismi non perché siano più intelligenti di noi, ma perché quelle cose, per loro, sono quasi rumore.

L’essere umano può essere convinto da segnali sociali. La macchina, molto meno.

E siccome sempre più processi amministrativi useranno proprio queste macchine — banche online, passaporti, frontiere, identità digitale, welfare, accesso ai servizi, onboarding finanziario, assicurazioni, check-in, sistemi antifrode — il problema smette di essere estetico e diventa burocratico.

Il punto non è “passare” davanti a una persona.

Il punto è passare davanti a un sistema.

E se il sistema vede una discrepanza tra il sesso scritto nel documento e la classificazione biometrica della fotografia, il sistema non apre un dibattito. Non vi chiede di spiegare il vostro percorso. Non consulta un comitato etico. Non legge filosofia francese.

Vi mette in coda. Vi manda in revisione manuale. Vi segnala come rischio. Oppure vi blocca.

Per questa ragione dico che lavorare nel mondo delle tecnologie emergenti consente di vedere arrivare i problemi prima degli altri. Non perché si sia profeti. Ma perché si vedono le pipeline mentre vengono costruite. Si vede dove entreranno i dati. Si vede dove usciranno le decisioni. Si vede dove finiranno gli esseri umani quando il modello statistico e il documento amministrativo non racconteranno la stessa storia.

Solo che, come al solito, prima rideranno.

Poi diranno che era impossibile.

Poi succederà.

E alla fine ci ritroveremo qui a parlare di come, purtroppo, ci avevo preso.

Come sempre, su questo blog. Da 23 anni.

Uriel Fanelli

—
Written using Blogfrei: https://git.keinpfusch.net/loweel/blogfrei
Fedi: @uriel@bbs.keinpfusch.net
XMPP: uriel@keinpfusch.net
vecchio blog: https://blog.keinpfusch.net
email: blog@keinpfusch.net