Le inchieste sul caporalato nella moda accelerano il ricorso a piattaforme digitali e sistemi algoritmici per vigilare su fornitori e subappalti. Ma quando l’intelligenza artificiale decide quali laboratori siano a rischio, il controllo etico può trasformarsi in sorveglianza, discriminazione ed esclusione economica. Con implicazioni che vanno oltre il GDPR e l’AI Act, fino al rischio di nuove forme di caporalato digitale.
Indice degli argomenti
Caporalato nella moda: dalle inchieste alla compliance algoritmica
Il controllo della filiera produttiva sta diventando una questione centrale per l’industria italiana della moda, con implicazioni che vanno ben oltre la responsabilità sociale d’impresa. Le inchieste della Procura di Milano, coordinate in diversi procedimenti dal pubblico ministero Paolo Storari, hanno mostrato come lo sfruttamento lavorativo possa svilupparsi attraverso reti di appalti e subappalti formalmente regolari, fino a raggiungere laboratori nei quali vengono praticati orari estenuanti, retribuzioni inadeguate e gravi violazioni delle norme sulla sicurezza.
Ai procedimenti che hanno interessato marchi come Armani, Dior, Valentino Bags e Loro Piana si aggiunge ora l’inchiesta della Procura di Prato che, il 6 novembre 2026, ha portato il Tribunale di Firenze a disporre l’amministrazione giudiziaria per Tessilform, titolare del marchio Patrizia Pepe, e Dixie. Le due società, non indagate per i reati contestati ai gestori delle imprese terziste, sono state destinatarie di una misura preventiva fondata su carenze nella vigilanza sui fornitori, ritenute dal Tribunale una forma di agevolazione colposa delle attività illecite.
Il provvedimento toscano aggiunge un elemento significativo al dibattito sulla compliance di filiera. Secondo il Tribunale, i committenti avrebbero dovuto effettuare controlli sostanziali e continuativi sulla capacità organizzativa dei fornitori, sulla congruità dei prezzi e sulle concrete condizioni di impiego della manodopera. Non basta dunque conoscere l’identità del contraente diretto o acquisire periodicamente certificazioni di regolarità: occorre verificare se le condizioni economiche e produttive delle commesse siano effettivamente compatibili con il rispetto dei diritti dei lavoratori.
Tracciabilità dei subappalti e potere degli algoritmi
La necessità di controlli più incisivi alimenta l’interesse per piattaforme digitali capaci di ricostruire i rapporti di subfornitura, confrontare volumi produttivi e risorse disponibili e individuare anomalie nelle commesse.
Il Protocollo per la legalità degli appalti nella filiera della moda, sottoscritto presso la Prefettura di Milano nel maggio 2025, si inserisce infatti in questa direzione, prevedendo una piattaforma digitale per censire le imprese della filiera e raccogliere informazioni sulle strutture produttive e sulla manodopera impiegata, affiancata da una green list consultabile dai marchi per individuare gli operatori aderenti in possesso dei requisiti previsti. Un sistema che punta a rafforzare la trasparenza dei subappalti, ma che rende centrale anche la definizione dei criteri di accesso e condivisione dei dati. Il Protocollo richiama anche il principio dei “coni di visibilità”, per conciliare trasparenza della filiera e riservatezza delle informazioni: una questione che diventa ancora più delicata quando ai controlli documentali si aggiungono valutazioni algoritmiche.
Quando alla tracciabilità si aggiungono sistemi algoritmici di valutazione del rischio, infatti, la questione assume una dimensione ulteriore: quali dati possono essere utilizzati per individuare un laboratorio sospetto? Fino a che punto il committente può spingersi nel monitoraggio delle attività produttive? E quali conseguenze può avere una classificazione automatizzata sull’accesso alle commesse?
La tecnologia può rendere visibili incongruenze che i controlli tradizionali non intercettano; può però anche concentrare nelle mani dei grandi marchi un potere di selezione dei fornitori difficile da contestare per le imprese più piccole della filiera.
Due diligence predittiva: come vengono valutati i laboratori
Le piattaforme digitali di gestione della filiera consentono oggi di ricostruire una rete produttiva che può estendersi ben oltre il fornitore diretto del marchio: attraverso anagrafiche condivise, registri dei siti produttivi e collegamenti tra ordini di acquisto, commesse e lavorazioni, permettono di identificare i soggetti coinvolti nelle diverse fasi della produzione, documentare eventuali subappalti e associare a ciascun laboratorio certificazioni, verifiche ispettive e non conformità riscontrate.
Le soluzioni più evolute integrano questi dati con i sistemi gestionali aziendali, automatizzano il controllo della validità dei documenti e segnalano informazioni mancanti o incongruenti. Alcune utilizzano l’intelligenza artificiale per estrarre dati da certificati e rapporti di audit, mentre altre impiegano modelli di valutazione del rischio per orientare le verifiche sui fornitori.
Il passaggio più delicato avviene quando la piattaforma non si limita a registrare e verificare informazioni, ma le utilizza per formulare valutazioni sul rischio di irregolarità, incrociando dati relativi alla capacità produttiva, al personale dichiarato, ai volumi delle commesse, ai tempi di consegna e alle precedenti non conformità, così da segnalare situazioni meritevoli di approfondimento.
Se tali valutazioni vengono elaborate attraverso modelli predittivi, la selezione dei laboratori da sottoporre ad audit può dipendere anche da correlazioni statistiche non immediatamente comprensibili a chi viene valutato.
Un laboratorio con pochi dipendenti potrebbe utilizzare tecnologie produttive efficienti o collaborazioni esterne legittime. Un’impresa con caratteristiche poco rappresentate nei dati del modello potrebbe ricevere un punteggio negativo pur senza avere commesso irregolarità.
Se le valutazioni della capofiliera determinano la sospensione di una commessa, l’esclusione da un albo fornitori o l’imposizione di condizioni contrattuali più gravose, il sistema cessa di essere soltanto uno strumento di supporto agli audit e diventa un meccanismo di selezione economica. La compliance algoritmica può dunque esercitare un potere significativo su imprese che spesso non conoscono i criteri con cui vengono valutate e non dispongono degli strumenti necessari per contestarli.
In ogni caso, infine, la tracciabilità documenta soltanto ciò che entra nel sistema informativo: un subappalto occultato o una lavorazione affidata a un laboratorio non censito possono rimanere invisibili anche alla piattaforma più sofisticata. L’intelligenza artificiale può segnalare incongruenze nei dati disponibili, ma non sostituisce gli accertamenti sulle effettive condizioni di lavoro.
GDPR e compliance: quali dati possono raccogliere i marchi
La finalità di contrastare lo sfruttamento lavorativo non costituisce un’autorizzazione generale a raccogliere e analizzare informazioni sulle persone impiegate nella filiera.
Le piattaforme di compliance possono trattare dati relativi ai titolari dei laboratori, ai dipendenti, alle presenze, agli orari, alle retribuzioni e alle condizioni contrattuali. In alcune circostanze possono altresì acquisire informazioni sulla regolarità dei titoli di soggiorno o documentazione proveniente da verifiche ispettive.
Quando queste informazioni riguardano persone fisiche identificate o identificabili, si applica il GDPR, indipendentemente dalla finalità etica dichiarata dal committente. Quanto alla base giuridica, obblighi previsti da specifiche disposizioni normative possono giustificare determinate attività di raccolta e verifica, nei limiti del loro ambito. In altri casi può venire in considerazione l’interesse legittimo del titolare, previa verifica della necessità del trattamento e bilanciamento con i diritti degli interessati.
Non basta richiamare genericamente la responsabilità sociale d’impresa o la reputazione del marchio. Il consenso dei lavoratori, peraltro, difficilmente può costituire una base giuridica adeguata per forme sistematiche di monitoraggio, considerato lo squilibrio di potere nel rapporto di lavoro.
La questione decisiva è quindi stabilire quali informazioni siano effettivamente necessarie per verificare la conformità del fornitore. Per valutare se un laboratorio dispone di personale sufficiente a realizzare una commessa potrebbe essere adeguato acquisire dati aggregati sul numero di addetti, sulle ore lavorate e sulla capacità produttiva. Non è dunque detto che il committente debba conoscere l’identità di ogni lavoratore, consultarne sistematicamente le buste paga o ricostruirne le singole attività.
Per questi motivi, la distinzione tra controllo dell’organizzazione produttiva e controllo delle persone dovrebbe orientare la progettazione delle piattaforme fin dall’origine.
Quanto alle responsabilità in materia di protezione dei dati, il brand, il fornitore e il gestore tecnologico non assumono automaticamente gli stessi ruoli e occorre individuare chi determina finalità e mezzi del trattamento, disciplinare i rapporti tra titolari e responsabili e definire regole di accesso proporzionate.
Nei casi in cui il monitoraggio comporti profilazioni sistematiche, combinazioni di fonti informative o rischi elevati per i diritti delle persone, può poi rendersi necessaria una valutazione d’impatto ai sensi dell’articolo 35 del GDPR.
L’efficacia dell’audit deve essere pertanto dimostrata anche dalla capacità di raggiungere gli obiettivi di controllo limitando la raccolta di informazioni personali.
AI Act: quando il controllo dei fornitori riguarda i lavoratori
L’applicazione dell’AI Act introduce un ulteriore livello di complessità, che non può essere risolto qualificando indistintamente come ad alto rischio ogni sistema di intelligenza artificiale impiegato nella compliance.
Dato che il Regolamento europeo 2024/1689 distingue le applicazioni in funzione della loro finalità prevista e delle caratteristiche del sistema, una piattaforma che analizza dati economici e produttivi per individuare possibili irregolarità nei rapporti di subfornitura non rientra necessariamente tra i sistemi ad alto rischio individuati dall’Allegato III.
La valutazione cambia quando l’intelligenza artificiale viene destinata a monitorare o valutare le prestazioni e il comportamento di singoli lavoratori, assegnare loro compiti oppure contribuire a decisioni che incidono sui rapporti di lavoro.
L’Allegato III, punto 4, individua infatti specifiche applicazioni dell’AI nella gestione dei lavoratori e nell’accesso all’occupazione: quando un sistema ricade in tale categoria e non opera una delle esclusioni previste dal regolamento, trovano applicazione obblighi relativi alla gestione dei rischi, alla governance dei dati, alla documentazione, alla tracciabilità e alla sorveglianza umana. La verifica della disciplina applicabile richiede inoltre di considerare il calendario di applicazione e le eventuali modifiche normative vigenti al momento dell’adozione del sistema.
Ad esempio, una piattaforma che confronta le commesse ricevute dai laboratori con il numero complessivo degli addetti, per affinare l’analisi, potrebbe integrare dati individuali sulle presenze, sui tempi di lavorazione e sulla produttività. Uno strumento destinato al controllo dei fornitori potrebbe così consentire anche il monitoraggio delle prestazioni dei lavoratori.
Il fatto che questi ultimi siano dipendenti di imprese terze non elimina infatti le questioni giuridiche: occorre verificare chi utilizza il sistema, per quali finalità e con quali effetti sulle persone interessate, considerando anche le garanzie previste dall’articolo 4 dello Statuto dei lavoratori in materia di controlli a distanza.
L’articolo 22 del GDPR, relativo alle decisioni esclusivamente automatizzate che producono effetti giuridici o analogamente significativi sulle persone fisiche, non si applica automaticamente alla classificazione di una società fornitrice. Può tuttavia assumere rilievo quando la valutazione riguarda direttamente lavoratori o imprenditori individuali. Anche quando l’articolo 22 non trova applicazione, restano comunque fermi i principi generali del GDPR se vengono trattati dati personali.
Bias negli algoritmi: il rischio di discriminare i laboratori
Le inchieste milanesi sullo sfruttamento nella moda hanno documentato numerose irregolarità in laboratori gestiti da imprenditori di origine cinese, nei quali erano impiegati anche lavoratori stranieri in condizioni di vulnerabilità.
Un modello addestrato sui dati delle violazioni precedentemente accertate potrebbe individuare correlazioni tra determinate caratteristiche dei laboratori e la frequenza delle irregolarità e, se tra le variabili considerate figurassero la nazionalità dei gestori, il Paese di nascita dei lavoratori o elementi strettamente associati alla loro origine, il sistema potrebbe finire per attribuire punteggi di rischio più elevati alle imprese riconducibili a specifiche comunità. Anche informazioni come la localizzazione geografica, le reti di relazioni commerciali o alcune caratteristiche linguistiche possono fungere da indicatori indiretti dell’origine delle persone. La discriminazione assumerebbe così la forma di una classificazione statistica apparentemente neutrale.
C’è poi una distorsione ulteriore, legata ai dati utilizzati per addestrare il modello.
Se le attività ispettive si sono concentrate prevalentemente su determinate categorie di laboratori, le informazioni disponibili potrebbero contenere un numero maggiore di violazioni accertate in quelle categorie, senza rappresentare necessariamente la distribuzione effettiva dello sfruttamento nell’intero settore.
L’algoritmo potrebbe quindi imparare a riconoscere soprattutto le imprese che sono state controllate più frequentemente, anziché quelle nelle quali è realmente più probabile riscontrare irregolarità.
La stessa evoluzione delle inchieste dovrebbe mettere in guardia da simili automatismi. La più recente indagine pratese ha coinvolto una rete di imprese riconducibili a imprenditori albanesi, evidenziando che il fenomeno dello sfruttamento attraversa comunità e modelli organizzativi differenti. Un algoritmo che utilizzasse l’origine nazionale come indicatore di rischio finirebbe dunque per inseguire la geografia delle indagini, anziché individuare le condizioni economiche e produttive che rendono possibile lo sfruttamento.
Può così instaurarsi un circolo vizioso: i laboratori classificati come più rischiosi vengono sottoposti a maggiori controlli, i cui esiti possono rafforzare la valutazione iniziale. La nazionalità dei gestori o dei lavoratori rischia allora di diventare un indicatore di sospetto, a scapito di elementi verificabili come incongruenze produttive, irregolarità documentali e subappalti non autorizzati.
Sebbene la nazionalità non coincida giuridicamente con l’origine razziale o etnica tutelata dall’articolo 9 del GDPR, il suo utilizzo, anche attraverso variabili indirette, può produrre effetti discriminatori. Occorrerebbe quindi verificare la rappresentatività dei dati e i possibili bias dei modelli, evitando che le distorsioni dei controlli precedenti vengano riprodotte dall’algoritmo con un’apparenza di oggettività tecnica.
Caporalato digitale: quando la compliance aumenta le pressioni
Il rischio più significativo emerge quando le piattaforme di compliance iniziano a incidere sull’organizzazione economica della produzione: gli stessi strumenti utilizzati per accertare il rispetto delle norme da parte dei fornitori possono essere impiegati anche per confrontare continuamente le prestazioni dei laboratori, imporre obiettivi produttivi sempre più stringenti e subordinare l’assegnazione delle commesse al raggiungimento di determinati indicatori.
La distinzione tra controllo di conformità e controllo delle prestazioni economiche può diventare difficile da mantenere, soprattutto quando entrambe le funzioni sono integrate nella medesima piattaforma.
Se gli algoritmi premiano soprattutto velocità, puntualità e riduzione dei costi, trascurando la sostenibilità dei carichi di lavoro, possono rafforzare le pressioni economiche che favoriscono lo sfruttamento. In questo senso si può parlare di rischio di “caporalato digitale”, espressione utilizzata in chiave critica, e non come autonoma fattispecie di reato, per descrivere sistemi di coordinamento e valutazione capaci di contribuire a condizioni di lavoro oppressive, anche attraverso la minaccia di esclusione dalla rete dei fornitori.
Piattaforme condivise: chi risponde dei punteggi sui fornitori
Le imprese che sviluppano piattaforme di tracciabilità e valutazione del rischio possono assumere un ruolo determinante nella definizione dei criteri con cui vengono classificati i laboratori, selezionate le anomalie e attribuite le priorità degli audit.
La scelta delle variabili, il peso assegnato agli indicatori e le modalità di aggiornamento dei modelli incidono sulle opportunità economiche delle imprese monitorate.
Occorre sottolineare che, per i marchi, affidarsi a una piattaforma esterna non significa trasferire automaticamente al fornitore tecnologico le proprie responsabilità, in quanto committente resta tenuto, nei limiti delle responsabilità derivanti dal proprio ruolo, a verificare l’adeguatezza dei criteri utilizzati, la qualità delle informazioni e la possibilità di ricostruire le ragioni delle classificazioni.
Il problema cresce quando più committenti condividono la stessa infrastruttura. Un punteggio negativo fondato su informazioni inesatte o correlazioni discutibili potrebbe compromettere l’accesso alle commesse di più marchi, senza che il fornitore conosca le ragioni della valutazione o possa contestarla efficacemente.
Si potrebbe arrivare alla formazione di vere e proprie liste reputazionali algoritmiche, nelle quali la classificazione di un’impresa viene riutilizzata da soggetti diversi e finisce per consolidarsi indipendentemente dall’effettiva esistenza di violazioni.
Una piattaforma condivisa richiede quindi regole precise sulla circolazione dei dati, sulle finalità del loro utilizzo e sui soggetti autorizzati ad accedervi. La condivisione di indicatori sintetici di conformità può risultare meno invasiva rispetto alla diffusione dell’intera documentazione relativa ai lavoratori e all’organizzazione produttiva, ma deve trattarsi di indicatori costruiti secondo criteri verificabili, aggiornati e contestabili.
La trasparenza richiede infatti di conoscere quali informazioni abbiano determinato una segnalazione, distinguere i fatti accertati dalle inferenze statistiche e individuare chi abbia assunto la decisione finale.
Contrastare il caporalato nella moda tutelando i lavoratori
Le inchieste sulla filiera della moda hanno mostrato l’insufficienza di controlli che si arrestano al primo livello della catena di fornitura. I marchi devono conoscere chi realizza effettivamente i loro prodotti e verificare che prezzi, tempi di consegna e capacità produttiva siano compatibili con il rispetto dei diritti dei lavoratori.
Le piattaforme digitali possono rendere questi controlli più efficaci, ma la loro affidabilità dipende dalla qualità delle informazioni e dalla capacità di distinguere un sospetto statistico da una violazione accertata. La progettazione dovrebbe privilegiare, ove sufficienti, dati aziendali e aggregati, prevedere verifiche delle distorsioni dei modelli e consentire ai fornitori di contestare classificazioni inesatte prima che producano conseguenze economiche rilevanti.
Il GDPR e l’AI Act offrono garanzie importanti, ma non risolvono da soli la questione degli incentivi economici incorporati nei sistemi di valutazione, sulla possibilità di discriminazioni indirette e sugli effetti che le classificazioni algoritmiche producono sui soggetti più deboli della filiera.
I marchi del Made in Italy sono oggi chiamati a dimostrare di conoscere ciò che accade nei laboratori ai quali affidano la produzione, evitando che gli algoritmi eventualmente introdotti per efficientare i controlli e contrastare lo sfruttamento possano diventare un modo per esercitare le stesse pressioni economiche che lo hanno reso possibile.
Partecipa alla community