Introduzione

AGCOM ha recentemente annunciato una delibera che introduce l’utilizzo di numeri brevi per le comunicazioni di telemarketing, con l’obiettivo di rendere immediatamente riconoscibili le chiamate legittime.

La misura appare semplice e intuitivamente efficace, in quanto introduce un segnale informativo chiaro per l’utente. Tuttavia, esperienze recenti nel contrasto allo spoofing telefonico suggeriscono che interventi mirati a specifiche modalità tecniche tendono a produrre effetti di adattamento del fenomeno più che una sua efficace riduzione.

In particolare, tali interventi non incidono direttamente sui meccanismi di generazione del traffico fraudolento se non sono accompagnati da un rafforzamento delle azioni di contrasto puntuale nei confronti degli attori che lo producono. Essi tendono piuttosto a modificarne le modalità di presentazione verso l’utente finale, lasciando sostanzialmente invariata la dinamica complessiva del fenomeno e producendo una trasformazione delle sue manifestazioni più che una riduzione strutturale.

Alla luce di tali considerazioni, appare opportuno valutare con attenzione l’efficacia reale della misura proposta. Un’analisi quantitativa del problema mostra risultati in parte controintuitivi che meritano di essere esaminati in dettaglio.

Modello matematico

Per analizzare il fenomeno introduciamo un modello probabilistico semplice ma rappresentativo.

Sia N il numero di tentativi di contatto (chiamate) effettuati in un dato intervallo temporale.

Si assume che le chiamate considerate siano indipendenti e rivolte a utenze distinte. In tal modo, ogni tentativo può essere modellato come prova indipendente, e il numero atteso di truffe riuscite coincide con il numero atteso di individui distinti truffati. L’ipotesi di indipendenza è giustificata dal basso tasso di successo delle truffe, che rende trascurabile la probabilità di eventi multipli sullo stesso individuo nel periodo di osservazione. Definiamo p_r la probabilità che l’utente risponda; p_e la probabilità che l’interazione prosegua (engagement); p_c la probabilità che la truffa si realizzi (conversion).

Il numero atteso di truffe è:

S = N · p_r · p_e · p_c

Questa decomposizione consente di isolare il punto di intervento: i numeri brevi agiscono principalmente su p_r, riducendo la superficie dell’attacco.

In linea teorica, una riduzione di p_r può introdurre un effetto di selezione: gli utenti che continuano a rispondere risultano mediamente più vulnerabili. Cio` potrebbe determinare un aumento di p_e e p_c che riflettono la qualità e la sofisticazione dell’attacco. Tuttavia, per adottare un approccio conservativo, nel seguito si mantengono tali ultimi due parametri invariati. Si assumono valori coerenti con gli ordini di grandezza osservati in letteratura:

p_r = 0,15, p_e = 0,30, p_c = 0,02

L’obiettivo non è fornire stime puntuali, ma descrivere la struttura del fenomeno.

1. Effetto dell’intervento
   
   Prendendo a riferimento N = 100.000 chiamate mensili:
   Scenario iniziale(nessun numero breve)
   S₀ = 100.000 · 0,15 · 0,30 · 0,02 = 90
   
   Introduzione dei numeri brevi (assenza di adattamento) 
   L’introduzione dei numeri brevi agisce riducendo la probabilità di risposta, che assumiamo assai prudenzialmente che si dimezzi
   
   p_r = 0,07,p_e = 0,30,p_c = 0,02
   da cui:
   S₁ = 100.000 · 0,07 · 0,30 · 0,02 = 42
   
   Dopo adattamento 
   Nel medio periodo –tipicamente entro alcuni mesi– gli operatori fraudolenti adattano le proprie strategie, migliorando la capacità di engagement. A titolo esemplificativo:
   
   p_r = 0,07,p_e = 0,40,p_c = 0,02
   da cui:
   S₂ = 100.000 · 0,07 · 0,40 · 0,02 = 56
   
   Si osserva una riduzione iniziale significativa (circa 53%), seguita da un recupero parziale che riporta il fenomeno a circa il 62% del livello iniziale, evidenziando l’effetto di adattamento degli operatori fraudolenti.
   
   
2. Dinamica temporale
   
   Fenomeni di questa natura presentano un’evoluzione spontanea esponenziale del traffico:
   N(t) = N₀e^kt,k > 0
   dove k è il tasso di crescita del volume delle chiamate fraudolente. In assenza di interventi strutturali, evidenze empiriche indicano che la crescita può essere approssimata, su base mensile, da valori dell’ordine del 5%–15%. Poiché nel breve termine il parametro kresta invariato, le curve risultano traslate con andamento parallelo. Il ritardo temporale è:
   
   
   
   e può stimarsi dell’ordine di alcuni mesi (per k = 10% si tratterebbe di 7-8 mesi).
   L’intervento riduce quindi temporaneamente il livello del fenomeno ma non intacca la sua dinamica.

Eterogeneità della popolazione

L’effetto dell’intervento non è uniforme tra gli utenti. Si introduce quindi una distinzione tra utenti vulnerabili ed esperti. La definizione in termini strettamente sociologici sembra controversa.

Pertanto, definiamo operativamente vulnerabile un utente per cui il rischio è maggiore di un ordine di grandezza, dove per rischio si intende R = p_r · p_e · p_c. Allora:

1. Coerenza con i valori medi
   Si considerano due gruppi con pesi:

Questa parametrizzazione ricostruisce con buona approssimazione i valori medi:

p¯_r = 0,15, p¯_e ≈ 0,27, p¯_c ≈ 0,013

dimostrando che si tratta di una decomposizione coerente del modello medio.

2. Dopo numeri brevi

Stimiamo:

Concludiamo quindi che il rischio medio diminuisce, ma aumenta il divario relativo fra gruppi di popolazione.  

Adattamento e intelligenza artificiale

La riduzione di p_r implica una diminuzione delle interazioni disponibili. In questo contesto, diventa conveniente aumentare l’efficacia delle singole interazioni.

Ciò favorisce l’adozione di tecniche di intelligenza artificiale, tra cui:

• generazione vocale realistica;
• personalizzazione dei contenuti;
• adattamento dinamico delle conversazioni.

Si osserva quindi un passaggio più rapido da un modello basato sulla quantità a uno basato sulla qualità.

Questa evoluzione non è neutrale: le tecniche avanzate risultano più efficaci nei confronti degli utenti vulnerabili, mentre gli utenti esperti mantengono una maggiore capacità di difesa.

Ne consegue che il rischio relativo per le categorie vulnerabili può aumentare ulteriormente.

Conclusione

L’introduzione dei numeri brevi produce una riduzione iniziale apprezzabile del numero di truffe, ma non modifica la dinamica strutturale del fenomeno, che resta governata dal volume delle chiamate.

L’effetto principale è una traslazione temporale: il fenomeno viene ritardato, ma non eliminato e a regime non si apprezza il beneficio della misura regolatoria.

L’intervento non è neutrale dal punto di vista distributivo. La riduzione della probabilità di risposta introduce un effetto di selezione che aumenta la concentrazione del rischio nelle categorie più vulnerabili, comunque si definiscano quelle più soggette al rischio.

In presenza di adattamento e di evoluzione tecnologica, in particolare attraverso l’intelligenza artificiale, il sistema tende a spostarsi verso modelli di attacco più sofisticati e selettivi per recuperare i volumi economici pregressi.

Nel complesso, la misura appare efficace nel breve periodo, ma non interviene sui meccanismi strutturali del fenomeno e può produrre effetti distributivi non trascurabili, con un potenziale aumento dell’iniquità oltre a effetti presumibilmente modesti sulla popolazione generale.

L'articolo “Numeri brevi” e truffe telefoniche: dinamica, adattamento e iniquità. Alcune considerazioni sulla delibera AGCOM proviene da Italia nel futuro.