Nell’articolo della settimana scorsa ho provato a raccontarvi quanto valgono i dati personali, percorrendo il mercato dei broker, l’ARPU di Meta e Google, i prezzi del dark web e l’ipotesi del Personal Data Trading. Il quadro che ne è uscito è quello di un mercato in cui un dato demografico grezzo vale frazioni di centesimo, mentre lo stesso dato contestualizzato e arricchito può arrivare a valere centinaia di euro l’anno.

Ma vi siete domandati come si arricchisce un dato? Cosa serve davvero per passare dallo 0,0005 dollari di un record demografico ai 189 dollari del modello compositivo PLS citato nello studio sulle aste di GSP (che sta per Generalized Second-Price)?

La risposta, sorprendentemente per i non addetti ai lavori, è che spesso non serve nulla di esotico, niente hacker con la felpa col cappuccio in stanze buie.
Non servono database rubati, non serve accesso a sorgenti illegali, non serve nemmeno particolare competenza tecnica.

Servono i social network, un po’ di tempo, un po’ di pazienza e quella che in gergo si chiama Open Source Intelligence, o OSINT.

Il punto di partenza: il banale selfie

Prendete una foto su Instagram di un profilo pubblico. Una persona sorridente davanti a casa propria, una domenica mattina. Niente di compromettente, niente di intimo, una di quelle foto che chiunque pubblica senza pensarci due volte.
Quante ce ne sono?

Quello scatto, isolato, vale zero, proprio 0€. Se finisse in un dataset venduto da un broker, sarebbe nell’ordine di un decimo di centesimo. È un dato grezzo, un identificatore visivo a cui manca tutto il contesto che lo rende economicamente appetibile.

Veramente? Eh no!
Raramente uno scatto è davvero isolato.
È parte di un profilo, è collegato a una geolocalizzazione (anche quando il GPS dei metadati EXIF è stato strippato dalla piattaforma, lo skyline alle spalle parla), è accompagnato da didascalie, hashtag, tag di amici, commenti, reazioni.

E quasi sempre è uno di centinaia di scatti caricati negli anni dalla stessa persona, su due o tre piattaforme diverse.

Il valore non sta nello scatto. Sta nella correlazione. Qui bisogna saper tirare i fili giusti.

Strato uno: identità e geografia

Mettendo insieme nome, città di residenza, età approssimativa ed email pubblica (o dedotta dal pattern nome.cognome@dominio), siamo intorno ai 50 centesimi di valore di mercato per profilo, in linea con quanto pagano oggi piattaforme come Profiler che vendono lookup a cinquanta centesimi a interrogazione.
Sono app pubbliche, ci sono sia siti, che app per Android e iOS.

La cosa interessante è che la geografia non è solo “Roma” o “Milano”. È il quartiere, che si può dedurre dagli sfondi delle foto, dai check-in dei ristoranti frequentati, dalla scuola dei figli taggata nelle foto della recita.

È la differenza tra Parioli e Tor Bella Monaca, tra Brera e Quarto Oggiaro. Una distinzione che in termini di profilazione vale, da sola, un buon ordine di grandezza.

A questo strato si aggiunge la rete: chi tagga la persona, chi viene taggato dalla persona, in che frequenza, in quali contesti.

Facebook gli ha dato anche una struttura e un nome: social graph. Un asset finanziario nato quindici anni fa e che oggi è disponibile gratuitamente a chiunque sappia leggere una pagina pubblica.

Siamo passati da meno di un centesimo a circa un euro di valore aggregato.
Ricordiamocelo: stiamo ancora parlando di dati che chiunque può vedere senza fare login.

Strato due: gli oggetti raccontano tutto

Qui entra in gioco quello che gli analisti bravi chiamano photo intelligence, e che con i modelli di visione artificiale del 2026 è diventata banale.

Un modello “multimodale ben prompted” (che è il modo figo per dire “fatto bene”) riconosce in una foto da spiaggia non solo che c’è una persona, ma anche il modello di automobile parcheggiata nello sfondo, la marca dell’orologio al polso, la borsa appoggiata sulla sdraio, il prosecco nel secchiello.

Una BMW Serie 5 del 2023 nel parcheggio di casa dice una cosa diversa rispetto a una Panda del 2014.

Una Ducati Panigale nel garage racconta un reddito disponibile e un profilo di rischio differente da uno scooter Liberty.

L’orologio, la borsa, persino la cucina che si vede sullo sfondo in un reel, sono tutti indicatori che permettono di stimare una fascia di reddito con un margine d’errore che è incredibilmente basso.

Il caffè al bar di Capalbio ad agosto, lo stesso utente fotografato a Cortina a febbraio, la maratona di New York a novembre, le foto del seminario aziendale a Lisbona a marzo.

Quattro scatti, quattro destinazioni, e abbiamo già una stima credibile della disponibilità economica e dello stile di consumo turistico annuale.

Con queste informazioni cambiamo scala di prezzo.
Aggiungendo questi insight visivi, il profilo passa dai due euro circa dello strato precedente a un valore tra i quindici e i venticinque euro.

Stiamo entrando in un territorio dove il dato non è più una commodity, ma un piccolo dossier.

Strato tre: vita familiare e ciclo di vita

Lo strato che fa salire il valore in modo più imponente è quello familiare.
Lo stato civile, la presenza di un partner e da quanto, l’eventuale matrimonio (con relativa data e luogo, dedotti da un singolo post anniversario), i figli e soprattutto la loro età.

L’età dei figli è uno dei dati a maggior valore intrinseco per il marketing.

Una famiglia con bambino di otto mesi è un mercato preciso, con esigenze precise e una disponibilità all’acquisto che le aziende del baby care conoscono bene.
Una famiglia con adolescenti che si stanno preparando all’università è un altro mercato, con bisogni completamente diversi: corsi di lingua, test preparatori, eventualmente immobili in città universitarie.

E così via per ogni fase della vita.

Nell’articolo della settimana scorsa abbiamo visto che l’informazione singola “donna in gravidanza” vale circa 11 centesimi sul mercato dei broker generalisti.
Valgono due lire, certo, ma sono 220 volte tanto un dato demografico grezzo.

Un profilo familiare completo, con timeline coerente di matrimonio, prima casa, secondo figlio, è un asset che vale ordini di grandezza in più.

A questo punto, con identità, geografia, proprietà, stile di vita e profilo familiare, siamo nell’ordine dei quaranta-sessanta euro per profilo.

È il prezzo di una lead di buona qualità nel B2C ad alto margine, dall’immobiliare di pregio alle assicurazioni vita premium.

Strato quattro: il lavoro e i pattern professionali

Ah! LinkedIn! Meriterebbe un articolo a sé, ma per ora ci serve solo perché è la sorgente che chiude il cerchio.

Posizione attuale, storia professionale, settore, azienda, eventuali certificazioni, network di colleghi. Sono dati che la persona ha pubblicato deliberatamente per essere trovata, il che in termini di valutazione economica è esattamente quello che serve.

Se si riesce a incrociare i dati pubblici di LinkedIn con il resto dei social si ottiene qualcosa di più del semplice “lavoro come”: si ottiene il pattern professionale.

Ossia la frequenza dei viaggi di lavoro (post da aeroporti, foto in hotel a metà settimana, check-in in città fiere), il tipo di eventi a cui la persona partecipa, il suo ruolo nelle conferenze, la sua visibilità nel settore.

Questi pattern raccontano se la persona è in crescita, in plateau o in transizione, e per certe industrie (recruiting, executive search, B2B sales) la differenza è enorme.

Aggiungendo lo strato professionale, un profilo ben costruito si attesta tra gli ottanta e i centocinquanta euro.

È un valore in linea con quello che i data analyst OSINT in Nord America fatturano oggi per casi di base, secondo i listini pubblici di varie agenzie del settore, dove quella che si chiama indagine background check con social media review costa al cliente finale tra cinquecento e mille dollari, ma il costo marginale del dato aggregato (al netto del tempo dell’operatore) è molto più basso.

E comunque oggi, con l’aiuto dell’IA, è un prezzo che si sta abbassando semestre dopo semestre.

Strato cinque: comportamenti, opinioni, vulnerabilità

L’ultimo strato è quello che sposta il profilo da asset commerciale a dossier, ed è dove le considerazioni etiche cominciano a pesare seriamente.

Sono le opinioni politiche dedotte da like e condivisioni, le posizioni religiose, le eventuali condizioni di salute mostrate o suggerite, le passioni potenzialmente compromettenti, le vulnerabilità emotive che traspaiono dai post nei momenti difficili.

Sono dati che, secondo lo studio sulle aste GSP citato nell’articolo precedente, hanno il peso maggiore nella funzione di valutazione composita: gli attributi privati in senso stretto.

Stiamo parlando del tipo di informazione che porta un profilo completo verso quei 189-225 dollari che lo studio di valutazione PLS attribuisce a un record sensibile completo, e che in certi contesti specifici (sanitario, finanziario, assicurativo) possono salire molto sopra.

È esattamente lo strato che la nuova legge italiana sull’AI del 17 settembre 2025 cerca di regolare in modo più stringente, e per ottime ragioni: è la differenza tra un profilo che serve a vendere meglio un viaggio e un profilo che serve a discriminare nell’accesso a un’assicurazione, un mutuo, un lavoro.

L’aritmetica del dataset: il vero modello di business

Fin qui ho mostrato come cambia il valore del singolo profilo, ed è utile per capire come si forma il prezzo.
É importante chiarire una cosa che cambia completamente la prospettiva: nel mercato reale, nessuno vende un profilo alla volta.

Si vendono dataset, e la dimensione minima di un dataset commerciabile parte dalle decine di migliaia di record e arriva facilmente alle centinaia di migliaia.

È esattamente la stessa logica per cui nell’articolo della settimana scorsa abbiamo visto che un dato demografico costa 0,0005 dollari: nessuno paga mezzo millesimo di dollaro per un singolo record, ma si pagano 500 dollari per un milione di record, oppure 5.000 euro per dieci milioni.

Funziona allo stesso modo per i profili arricchiti: nessuno paga 150 euro per il profilo di Mario Rossi, ma qualcuno paga 30.000 euro per un dataset di duemila profili affini di alta fascia in una specifica area geografica, oppure 200.000 euro per ventimila profili di neogenitori in regioni a reddito medio-alto.

Questo cambia 3 cose, contemporaneamente.

La prima: la convenienza economica della costruzione.
Costruire un singolo profilo da 150 euro a mano, anche con l’aiuto di tool automatizzati, costerebbe in tempo e risorse più del suo valore di vendita.
Costruire diecimila profili dello stesso tipo, riusando le stesse pipeline su segmenti omogenei (stessa città, stessa fascia d’età, stesso settore lavorativo), ha invece un costo marginale che crolla rapidamente.
È economia di scala applicata alla profilazione, e l’AI multimodale ha appena spostato in modo drammatico la soglia di redditività di questa scala.

La seconda: la qualità statistica.
Un singolo profilo isolato può contenere errori di inferenza che lo rendono inutilizzabile. Decine di migliaia di profili dello stesso segmento, costruiti con lo stesso metodo, hanno una distribuzione statistica che permette di filtrare gli outlier (i dati che non c’entrano niente), validare i dati per consistenza interna, scartare i casi dubbi mantenendo comunque un dataset commercialmente utile.
É la stessa cosa che fanno i dipendenti dei supermercati che tolgono le verdure rovinate e rimettono le carote lasciate in giro dai clienti nella cassetta delle carote.
Su un singolo profilo è importante che sia “giusto”, su un dataset di ventimila è importante che la maggioranza sia “abbastanza giusta”.

La terza: la più importante in termini di rischio, riguarda chi sta nel dataset.
Nel mercato reale, il profilo individuale come quello che abbiamo descritto a strati non viene mai trattato come tale, viene trattato come elemento di un segmento.
Il segmento può essere:
geografico (residenti del quartiere X),
demografico (famiglie con figli tra i sei e i dodici anni nella regione Y),
comportamentale (persone che hanno viaggiato in Sud America negli ultimi due anni),
reddituale (proprietari di auto di valore superiore ai 40.000 euro),
professionale (manager IT in aziende sopra i cinquanta dipendenti),
o, più spesso, una combinazione di tutti questi.

Una persona finisce in un dataset non perché qualcuno è interessato a quella persona, ma perché rientra in un segmento per cui c’è un compratore.

Lo stesso individuo può ritrovarsi simultaneamente in quindici dataset diversi venduti a quindici clienti diversi, ognuno dei quali ne pagherà una frazione di euro per la quota parte che gli interessa.

È così che il valore iniziale di 150 euro a profilo si distribuisce nel tempo e nel mercato: non come un’unica transazione, ma come molte piccole transazioni che, sommate, restituiscono al broker (o all’aggregatore) un ricavo coerente con il valore generato.

Il volume tipico di un dataset commerciabile parte intorno ai diecimila record per le nicchie più verticali (per esempio “appassionati di triathlon in Lombardia con reddito superiore alla media”) e arriva facilmente a milioni di record per i segmenti generalisti.

Sul mercato dei broker tradizionali si trovano listini con tagli pubblici: dataset da 50.000 contatti email B2B segmentati per industria a 0,15-0,30 euro a contatto, dataset di profili consumer arricchiti per il direct marketing a 1-3 euro a record, dataset premium con profilazione comportamentale a 5-15 euro a record.

I numeri sembrano modesti, ma moltiplicati per i volumi diventano il fatturato che abbiamo visto, tra i 290 e i 340 miliardi di dollari globali nel 2025.

Per capire la cosa con un esempio numerico, ipotizziamo un operatore che costruisce un dataset di 20.000 profili “famiglie con bambini in età prescolare residenti in città capoluogo di regione, con segnali di reddito medio-alto”. Costo di costruzione, in epoca AI multimodale, stimabile in qualche migliaio di euro tra infrastruttura, prompt engineering, validazione manuale a campione.

Prezzo di vendita a un singolo cliente del settore (catena di scuole private, marca pediatrica premium, immobiliare di pregio), tra 50.000 e 150.000 euro. Lo stesso dataset, magari con piccole modifiche o filtri, può essere rivenduto cinque o sei volte a clienti non concorrenti. Il margine è la ragione per cui questa industria esiste, e la ragione per cui l’AI generativa l’ha fatta diventare ancora più redditizia.

Il moltiplicatore: l’AI che fa quello che faceva un team

Tutto quello che abbiamo descritto, fino a tre o quattro anni fa, richiedeva ore di lavoro qualificato.
Un analista OSINT con esperienza impiegava qualche giorno di intenso lavoro per costruire il profilo che abbiamo descritto, e i costi del servizio erano coerenti con quel tempo.

Quello che è cambiato nel 2025 e 2026 è la velocità.
I modelli multimodali leggono cento foto in pochi secondi, estraggono oggetti, marche, contesti, segnalano correlazioni.
I modelli linguistici fanno cross-reference tra piattaforme, deducono pattern, scrivono il dossier finale in linguaggio naturale.

Quello che era un lavoro da consulenza è diventato un workflow automatizzabile.

Questo non significa che il costo per profilo sia crollato a zero. Significa che il punto di pareggio si è spostato: dove prima costruire un dataset di centomila profili profilati era economicamente improponibile per qualsiasi attore non istituzionale, oggi è alla portata di operatori molto più piccoli.

E questo, in termini di sicurezza individuale, cambia parecchio.

Cosa significa in pratica

Mettendo insieme tutti gli strati, un profilo costruito interamente da fonti pubbliche, senza accedere a nessun dato rubato, senza violare nessuna piattaforma, può valere tra i 100 e i 250 euro a seconda della completezza e del contesto di utilizzo.

Sono valori coerenti con quelli che si chiamano “modelli accademici di valutazione composita“, e con i prezzi praticati dalle aziende di people search avanzato per query premium.

Ma come abbiamo visto, questo valore non si realizza quasi mai sul singolo profilo: si realizza sulla scala del dataset, dove le decine di migliaia di profili omogenei costruiti in parallelo trasformano un’attività artigianale in un’industria.

La parte interessante è che questo valore non se lo prende l’utente che ha generato i dati. Se lo prende chi li ha aggregati, esattamente lo stesso market failure che abbiamo descritto nell’articolo di settimana scorsa, e qui non c’è nemmeno la finzione del servizio gratuito in cambio.

Le piattaforme hanno già monetizzato il dato per i fatti loro, e ora altri attori riusano lo stesso dato per costruirsi i propri asset, senza che la piattaforma lo veda e senza che l’utente sappia.

Non c’è bisogno di drammatizzare per capire che qualche conseguenza pratica c’è. La parte più rilevante non è quella commerciale, dove sostanzialmente la pubblicità targettizzata continuerà a fare quello che fa da quindici anni con strumenti più precisi.

È quella che riguarda la sicurezza personale, dove la disponibilità di profili così dettagliati a basso costo amplia la superficie d’attacco per spear phishing, ingegneria sociale, frodi mirate. Mi rendo conto che sto cadendo sempre più nell’uso di termini tecnici, ma seguite i link se vi interessa approfondire cosa significa quel termine o quella frase.

Il Business Email Compromise del 2026 non somiglia per niente a quello del 2020: l’attaccante sa con esattezza chi è il CFO, chi è la sua famiglia, dove va in vacanza, quali sono le sue catchphrase, qual è il tono delle sue email su LinkedIn. Sa abbastanza per scrivere un messaggio falso che superi l’attenzione del destinatario.

L’igiene digitale come deterrente economico

L’aspetto positivo della questione è che, come abbiamo visto, il valore di un profilo dipende dalla completezza degli strati.

Togliere uno strato non riduce il valore di una frazione: lo riduce di un moltiplicatore, perché blocca la possibilità di correlare i dati con gli strati successivi.

Disabilitare la geolocalizzazione delle foto, mettere il profilo Instagram in privato, evitare di taggare i figli o di mostrare le loro facce, separare il profilo personale da quello professionale, evitare di postare oggetti che rivelano fasce di reddito, sono tutte scelte che non azzerano il rischio ma che spostano in modo significativo il costo di costruire un dossier su di noi. E poiché chi costruisce dossier deve farlo a margine positivo, qualunque cosa che alzi il costo abbassa la convenienza dell’operazione.

È esattamente il principio che gli esperti di sicurezza ripetono da anni: nessuno è invulnerabile, ma quasi nessuno è veramente targeted. La maggioranza degli attacchi sono opportunistici, vanno dove costa meno. Rendere difficile la costruzione del proprio profilo per i data analyst OSINT lo rende di conseguenza più costoso da costruire, e questo significa banalmente finire fuori dal target.

Dove ci porta tutto questo

La traiettoria è chiara. Da una parte gli strumenti per costruire profili sono sempre più accessibili, sempre più automatizzabili, sempre più potenti grazie all’AI multimodale.

Dall’altra il quadro regolatorio europeo, e ora italiano, sta provando a riequilibrare il gioco, alzando i costi di compliance per chi tratta dati e introducendo tutele più chiare per chi viene profilato.

Per chi pubblica contenuti sui social, il messaggio operativo è lo stesso che vale per la sicurezza informatica in generale: non si tratta di smettere di vivere online, si tratta di farlo con consapevolezza di quello che ogni scatto, ogni tag, ogni reazione aggiunge a un puzzle che qualcun altro sta componendo.

La buona notizia è che lo stesso strumento che permette di costruire questi profili a basso costo, l’AI, permette anche di proteggersene meglio.

Modelli che preservano la privacy nelle foto, sistemi di anonimizzazione automatica, audit personale del proprio digital footprint sono oggi accessibili a chiunque abbia voglia di dedicarci qualche ora. Voglio essere onesto, qualche giorno.

La pressione regolatoria, in tempi anche molto veloci, sta spingendo le piattaforme a fornire di default strumenti più trasparenti, non perché siano diventate buone, ma perché il costo del non farlo sta crescendo.

Tra l’utente che pubblica tutta la sua vita, e quella della sua famiglia, in chiaro senza pensarci e l’utente che ha cancellato ogni traccia online, c’è uno spazio enorme di igiene digitale praticabile da chiunque. Quello spazio, in termini economici, è la differenza tra essere un profilo da centocinquanta euro e un profilo da venticinque centesimi.

La scelta, almeno questa, ce l’abbiamo ancora noi.

Una cosa importante da dire per concludere l’articolo: ogni singolo numero di questo articolo nasce dall’incrocio di dati pubblici, esattamente come i profili che descrive. È un dettaglio che racconta meglio di mille analisi dove siamo arrivati nel 2026.