Il dato che credevo mio

Abstract

Siamo diventati leggibili senza diventare consapevoli. Di noi si sa dove andiamo, cosa desideriamo, come reagiamo — mentre noi sappiamo pochissimo di come quella conoscenza viene prodotta e usata. I nostri dati vengono raccolti, combinati, inferiti, trasformati in qualcosa che non riconosciamo più come nostro: profili, previsioni, identità costruite altrove, con materiali che credevamo di controllare. Questo articolo indaga quello scarto — tra l’io che si racconta e l’io che viene raccontato.

 

La leggibilità come condizione

C’è un momento preciso in cui siamo diventati leggibili. Non lo ricordiamo, perché non è stato un evento — è stato un processo. Lento, silenzioso, quasi cortese. Nessuno ci ha chiesto di spogliarci: lo abbiamo fatto da soli, un dato alla volta, convinti di stare semplicemente vivendo.

Essere leggibili significa essere interpretabili da altri — analizzati, scomposti, interrogati da chiunque disponga degli strumenti giusti. E gli strumenti giusti, oggi, ce li hanno in molti. Noi, quasi mai.

L’impulso a rendere le persone visibili per poterle governare non nasce con internet. James C. Scott, in Seeing Like a State, ha mostrato come il potere si sia storicamente fondato sulla necessità di rendere leggibili i propri sudditi — attraverso cognomi permanenti, censimenti, catasti, mappe. Non per conoscerli davvero, ma per amministrarli[1].

La leggibilità non è mai neutrale: è sempre uno strumento asimmetrico. Chi legge e chi viene letto non occupano mai la stessa posizione.

Il risultato è ciò che Shoshana Zuboff chiama “capitalismo della sorveglianza”: quella stessa logica, accelerata e privatizzata[2]. L’esperienza umana diventa materia prima gratuita, estratta e tradotta in dati comportamentali per fabbricare anticipazioni di ciò che faremo o desidereremo. Questi prodotti circolano in mercati opachi, privi di controllo democratico. Lo Stato vedeva dall’alto, con limiti logistici evidenti. Il capitalismo della sorveglianza opera con velocità e granularità senza precedenti — e lo fa, quasi sempre, con il nostro attivo contributo.

Il meccanismo centrale è la distinzione tra dato dichiarativo e dato comportamentale. Il primo è ciò che scegliamo consapevolmente di fornire e su cui nutriamo ancora un’illusione di controllo — un nome, una preferenza, il testo di un post. Il secondo non lo offriamo: lo emettiamo, come un segnale che non sappiamo di trasmettere. L’ora in cui riaccendiamo lo schermo nel cuore della notte. Il ritmo con cui scorriamo una pagina. La traiettoria del cursore che esita su un prodotto prima di chiudere. Dati che non abbiamo scelto di cedere — eppure tra i più rivelatori.

Questa estrazione avviene attraverso un’infrastruttura che abbiamo abbracciato come strumento e che funziona parallelamente come sistema di osservazione. Lo smartphone in tasca è uno dei più sofisticati dispositivi di raccolta dati mai costruiti. Nel 2018 Strava, popolare app di fitness, pubblicò una mappa termica globale degli allenamenti: i percorsi dei soldati rivelarono l’ubicazione di basi militari segrete in Afghanistan, Siria e Somalia. Sembrava uno scandalo irripetibile. Nel marzo 2026, un ufficiale della Marina francese ha fatto jogging sul ponte della portaerei Charles de Gaulle con lo smartwatch collegato a Strava, permettendo di localizzare in tempo reale la posizione della nave nel Mediterraneo orientale. Nessuno aveva previsto che correre potesse diventare un rischio per la sicurezza nazionale. Eppure.

La biometria comportamentale ha reso il corpo stesso una fonte di dati: il ritmo con cui digitiamo, la forza del tocco, l’angolazione del telefono producono una firma continua e unica. Un recente studio inglese ha dimostrato che modelli di deep learning alimentati da dati passivi dei sensori — posizione, numero di passi, utilizzo delle app — riescono a predire con accuratezza rischio di insonnia, disturbi alimentari e ideazione suicidaria in soggetti che non avevano ancora ricevuto alcuna diagnosi. La telemetria passiva ha reso leggibile ciò che ancora non si era manifestato clinicamente. Il browser fingerprinting identifica ogni dispositivo attraverso le sue caratteristiche intrinseche — risoluzione, fuso orario, modello hardware. È stato dimostrato che i siti web lo usano attivamente per tracciare gli utenti attraverso sessioni diverse, rendendo inefficace anche la cancellazione dei cookie. Persino la casa non è più un rifugio: gli smart meter disaggregano i consumi elettrici rivelando abitudini, orari, stili di vita — dati spesso trasmessi in reti non crittografate[3].

Come siamo arrivati ad accettare tutto questo come normalità? La risposta sta in ciò che è stata definita “digital resignation“: le persone vorrebbero controllare i propri dati, ma si sentono incapaci di farlo — non per ignoranza, ma perché il costo della resistenza è diventato insostenibile. Isolare la propria identità digitale equivale oggi a escludersi dalla vita contemporanea. Le piattaforme lo sanno. Ci contano.

Essere leggibili non è una scelta: è una condizione strutturale dell’esistenza digitale, imposta gradualmente e raramente compresa nella sua portata. Capirne i meccanismi è il primo passo — perché il problema non si ferma all’osservazione. È solo il primo anello di una catena molto più lunga.

 

L’asimmetria e i suoi meccanismi

Se essere leggibili è la condizione, l’asimmetria è la sua conseguenza più radicale. Essere leggibili non sarebbe di per sé un problema: lo siamo anche per il medico, per il commercialista, in ogni relazione fondata sulla reciprocità. Il problema è che la leggibilità digitale non è reciproca. Noi siamo trasparenti; spesso chi ci legge non lo è. E questa non è una svista: è il modello.

Il dato grezzo che produciamo vale poco, isolato. Diventa prezioso quando viene aggregato, arricchito, trasformato in qualcosa di qualitativamente diverso da ciò che era all’origine. Questo processo avviene in un’industria che la maggior parte delle persone non conosce nemmeno per nome: i data broker. società come Experian, Acxiom e LiveRamp non interagiscono con l’utente finale — rastrellano, incrociano e licenziano terabyte di informazioni da fonti eterogenee: registri pubblici, carte fedeltà, app meteorologiche, transazioni online. La loro specialità è il data enrichment: un’azienda possiede solo il tuo indirizzo email; rivolgendosi a un broker, quel frammento viene arricchito con migliaia di attributi — reddito stimato, inclinazione politica, patologie inferite, propensione al rischio finanziario. Senza che tu abbia mai compilato un modulo, risposto a una domanda, o sappia che quel profilo esiste. Credevi di aver condiviso la tua posizione solo per il meteo: quel dato alimenta un profilo venduto a compagnie assicurative o agenzie governative, aggirando le tutele costituzionali tramite semplice acquisto commerciale[4].

A ricucire la frammentazione digitale che ostacola il data enrichment ci pensa l’Identity Resolution. Ogni persona lascia tracce sparse su smartphone, computer, tablet, smart TV — identificativi isolati che sembrano non connettersi. L’Identity Resolution serve esattamente a ricucire questi frammenti in un unico grafo identitario: in modo deterministico, usando dati certi come e-mail o numero di telefono; in modo probabilistico, inferendo l’appartenenza alla stessa persona attraverso IP condivisi, reti WiFi, orari e abitudini di navigazione. Il risultato pratico è che cookie bloccati, modalità in incognito e dispositivi separati non bastano più. Online e offline vengono sincronizzati in un profilo continuo[5].

Quel profilo viene poi messo all’asta. Il meccanismo si chiama Real-Time Bidding: ogni volta che apri una pagina, prima che il contenuto carichi, i tuoi dati vengono trasmessi a centinaia di inserzionisti che in 100 millisecondi decidono quanto vale farti vedere un annuncio. Quello che la maggior parte degli utenti ignora è che i dati trasmessi nell’asta non vengono restituiti né distrutti. Ogni partecipante, vincitore o perdente, li riceve — e nulla impedisce tecnicamente di conservarli, anche quando i termini delle piattaforme lo vietano espressamente[6].

A questo punto il profilo smette di descriverti e comincia a definirti. Il machine learning non serve a capire chi sei stato — serve a stabilire chi sarai: quanto costerai, quanto sei affidabile, quale rischio rappresenti. Non ti viene chiesto nulla. La risposta è già stata calcolata.

Le risposte normative a questa architettura raccontano storie molto diverse. L’Unione Europea ha costruito intorno alla protezione del dato un’architettura senza equivalenti: il GDPR interviene sul trattamento, sulle finalità, sui diritti dell’interessato, imponendo trasparenza, accesso, rettifica, opposizione alla profilazione. L’AI Act ha rafforzato questo impianto classificando come sistemi ad alto rischio gli algoritmi usati per decisioni in materia di credito, lavoro, istruzione. Il cosiddetto “Effetto Bruxelles” ha trascinato verso l’alto anche giurisdizioni che non avrebbero legiferato autonomamente.

Gli Stati Uniti mantengono un approccio opposto: in assenza di una legge federale generale, la tutela è frammentata per settore e per Stato. Il presupposto implicito è che l’estrazione comportamentale sia il volano dell’economia digitale — limitarla significherebbe frenare l’innovazione. Lo Stato interviene solo quando il flusso di dati verso paesi ostili minaccia la sicurezza nazionale[7].

La Cina offre una protezione a geometria variabile: feroce verso il settore privato, inesistente verso lo Stato. Il dato è al sicuro dai monopoli; non dal potere che li regola.

L’India incarna invece quello che alcuni ricercatori definiscono surveillance developmentalism: il sistema Aadhaar — iridi e impronte digitali di oltre 1,3 miliardi di persone — è diventato l’unico accesso a conti bancari, servizi sanitari, welfare. Il corpo del cittadino diventa un database a cui non ci si può sottrarre, in nome dell’inclusione sociale.

Quattro modelli, quattro filosofie, una stessa asimmetria di fondo che nessuno risolve davvero. I dati non rispettano le giurisdizioni. Le tutele, sì. E questa distanza è essa stessa parte del problema.

L’io raccontato da altri

Da qualche parte, in server che non conosciamo e non potremmo localizzare, esiste una versione di noi. Non è una copia — è una costruzione. È fatta di dati che abbiamo prodotto, di inferenze che altri hanno tratto, di categorie in cui siamo stati inseriti senza essere consultati. Quella versione ha attributi, punteggi, etichette. Contiene probabilmente informazioni su di noi più precise di quelle che daremmo di noi stessi in una conversazione. E contiene quasi certamente errori che non possiamo vedere né correggere.

Questa costruzione è stata definita data double: un assemblaggio di frammenti estratti dalla nostra esistenza e congelati in codici elettronici. Non è pensato per comprenderci: è pensato per classificarci in base alla nostra utilità o al nostro livello di rischio[8]. È l’adiaforizzazione di Zygmunt Bauman: le categorizzazioni algoritmiche vengono private di qualsiasi considerazione morale[9]. Il data double viene trattato come entità neutrale, oggettiva, affidabile. E tende a essere considerato più affidabile della persona reale.

Quando il dato e l’esperienza divergono, quasi sempre prevale il dato. Non perché sia più vero. Perché è più comodo da gestire.

La letteratura sul tema ha mostrato come i sistemi algoritmici non siano interessati a chi siamo davvero, ma quali pattern le nostre tracce digitali ricalchino. Genere, classe sociale, etnia, orientamento politico: attributi assegnati per inferenza statistica, indipendentemente dalla nostra identità reale. L’identità algoritmica è fluida quanto arbitraria — e tende a rinchiuderci in circuiti di feedback che consolidano un’identità indotta dall’esterno, mostrandoci ciò che il sistema ha già deciso che siamo.

Quando il profilo è sbagliato, le conseguenze sono concrete e spesso irreversibili.

In Austria, il sistema AMS — introdotto dal Servizio Pubblico per l’Impiego per orientare le risorse verso i disoccupati con maggiori probabilità di reinserimento — si è rivelato sistematicamente discriminatorio: essere donna, avere obblighi di cura familiare o non avere la cittadinanza austriaca abbassava automaticamente il punteggio, indipendentemente dalle competenze reali. L’algoritmo replicava le disuguaglianze storiche del mercato del lavoro trasformandole in destino statistico.

Facebook non chiedeva agli utenti di dichiarare la propria etnia. Utilizzava invece l’interazione con determinati contenuti culturali per costruire etichette di “affinità etnica”. Studi pubblicati da ProPublica nel 2016 hanno documentato che queste etichette venivano usate dagli inserzionisti per escludere interi gruppi dalla visualizzazione di annunci per mutui, case in affitto, offerte di lavoro. Redlining digitale: la stessa pratica discriminatoria che nel Novecento escludeva le minoranze dall’accesso al credito immobiliare, replicata in forma algoritmica e resa invisibile dalla patina di neutralità tecnica. Il caso ha avuto un lungo seguito giudiziario. Nel giugno 2022 il Dipartimento di Giustizia americano ha raggiunto un accordo con Meta — prima sanzione per discriminazione algoritmica ai sensi del Fair Housing Act — obbligando l’azienda a sviluppare un nuovo sistema per ridurre le disparità nell’erogazione degli annunci pubblicitari basate su razza, etnia e sesso. La supervisione del tribunale è attiva fino al giugno 2026.

Le risposte normative divergono anche qui. Il GDPR riconosce il diritto di rettifica (art. 16) e il diritto di non essere sottoposti a decisioni esclusivamente automatizzate con effetti significativi (art. 22) — diritti reali, ma il cui esercizio richiede competenze che la maggior parte delle persone non possiede. La PIPL cinese, all’art. 24, va oltre: riconosce il diritto di richiedere spiegazioni sulle decisioni automatizzate e di rifiutare la categorizzazione. Il limite rimane: quella tutela vale contro i privati, non contro lo Stato. Negli Stati Uniti, le inferenze algoritmiche sono protette come segreto industriale: l’utente può accedere ai dati dichiarati, raramente a quelli dedotti.

Il data double governa. L’io reale aspetta fuori dalla porta.

 

La decisione che non ti aspettavi

C’è un momento in cui il profilo smette di essere una descrizione e diventa una prescrizione.

E il potere, quando si esercita attraverso un algoritmo, acquisisce una caratteristica che lo rende particolarmente difficile da contestare: l’apparenza dell’oggettività. Il dato non mente, si dice. Il problema è che il dato non racconta nemmeno tutta la verità — ma nel frattempo, qualcuno ha già deciso.

Non è più la classe sociale nel senso weberiano a determinare le opportunità di vita: è il punteggio algoritmico. Invisibile, inappellabile, costruito su variabili che l’interessato non ha mai consapevolmente fornito. Emergono nuove forme di stratificazione in cui gli scoring creano classi di rischio o valore che orientano a priori i percorsi possibili. La differenza rispetto al passato non è solo tecnica — è epistemica. Il giudice non è più una persona che può essere interrogata, convinta, smentita. È un sistema che produce output.

La decisione automatizzata rovescia l’onere della prova: non è chi classifica a dover giustificare il giudizio, ma chi viene classificato a dover dimostrare che è sbagliato — senza accesso ai criteri, senza poter interrogare il sistema, spesso senza nemmeno sapere che una decisione è stata presa.

Il caso più istruttivo è Robodebt (Australia, 2014–2019): il sistema divideva il reddito annuale dichiarato per 26, confrontava la media settimanale con i sussidi ricevuti, e generava automaticamente richieste di rimborso quando c’era uno scarto. Un errore logico elementare — i lavoratori precari non guadagnano in modo uniforme — ha prodotto 526.000 richieste per 1,75 miliardi di dollari di debiti inesistenti. Toccava al cittadino dimostrare di non dovere nulla. Nel 2023 la Royal Commission lo ha definito “a crude and cruel mechanism, neither fair nor legal“: un errore matematico trasformato in sentenza di Stato.

Il dominio in cui questa logica raggiunge la sua forma più inquietante è quello della salute. La telemetria passiva — smartwatch, sensori, app di monitoraggio — consente oggi di stratificare il rischio di patologie croniche o esordi psichiatrici prima che l’individuo ne abbia consapevolezza clinica. In un contesto medico orientato alla cura, questa capacità predittiva può essere preziosa. Quando passa al mercato assicurativo, cambia natura: le compagnie usano reti neurali per identificare i pazienti che costeranno di più al sistema, imponendo premi più alti o negando coperture preventive a persone che non hanno ancora ricevuto alcuna diagnosi. Il paziente viene punito in anticipo per una patologia che una scatola nera ha dedotto stia per sviluppare. Non è prevenzione. È discriminazione predittiva.

La predizione si è fatta destino. E la domanda che rimane è una sola: che margine di manovra ci resta?

 

Riprendere la voce

La risposta possibile è tornare a farsi sentire: non sparire, non disconnettersi, non rassegnarsi al ruolo di dato tra i dati. Significa pretendere di essere parte attiva di un sistema che ci riguarda — conoscendone i meccanismi, esercitando i diritti che abbiamo, chiedendo quelli che ancora mancano.

Il primo ostacolo non è tecnico né giuridico: è psicologico. La digital resignation non è una condizione personale — è una condizione strutturale, prodotta deliberatamente. Riconoscerla non significa rassegnarsi: significa spostare il conflitto dal comportamento individuale alla struttura del sistema.

Sul piano tecnico, esistono strumenti concreti di resistenza, alcuni dei quali si fondano su una logica controintuitiva: se non puoi negare il dato, inquinane il valore. Produrre deliberatamente rumore — ricerche false, clic casuali, segnali contraddittori — degrada la precisione del profilo fino a renderlo commercialmente inutile. Non è invisibilità: è illeggibilità. In un sistema fondato sulla precisione predittiva, la frizione è già una forma di resistenza[10]. Sul fronte tecnologico istituzionale, l’apprendimento federato e la crittografia omomorfica indicano una direzione possibile: sistemi che apprendono senza sorvegliare, che analizzano senza esporre. Sono tecnologie ancora giovani, ma dimostrano che l’estrazione massiva non è un destino inevitabile — è una scelta di architettura.

Sul piano giuridico, il cambiamento necessario è più profondo di quanto le normative attuali siano disposte ad ammettere. Il GDPR ha costruito un impianto solido — diritto di accesso, rettifica, opposizione alla profilazione, decisioni automatizzate — ma poggia su un presupposto individualistico che il sistema ha imparato a erodere con facilità: il consenso. Nella sua forma attuale, il consenso è quasi sempre una finzione — un banner cliccato distrattamente, un atto formalmente libero e sostanzialmente coatto. I dark pattern rispettano la lettera del Regolamento svuotandone lo spirito. Il passo successivo non è più normare il consenso: è riconoscere che il dato non è una questione individuale ma collettiva. Non è solo un fatto tecnico. È un fatto di potere.

L’ultimo gradino non è giuridico né tecnologico. È culturale. Non si tratta di smontare il mito della neutralità algoritmica — il bias è ormai senso comune. Si tratta di qualcosa di più insidioso: la comodità di delegare. Affidare la decisione all’algoritmo semplifica, velocizza, tenta di dissolvere la responsabilità. Non è un inganno subito: è una scelta.

Rivendicare la proprietà del nostro dato significa rifiutare che le infinite complessità dell’essere umano vengano ridotte a un parametro di rischio, a un punteggio di affidabilità, a un target pubblicitario. Significa affermare che l’identità non è una variabile da ottimizzare.

E significa rivendicare, forse, il diritto più sottovalutato di tutti: il diritto all’imprevedibilità.

Il sistema algoritmico vive di pattern, di regolarità, di comportamenti che si ripetono. La sua forza predittiva dipende dalla nostra consistenza. Ogni volta che cambiamo, che sorprendiamo il sistema, che contraddiciamo la previsione, incriniamo la certezza su cui si fonda il suo potere.

Il dato che credevamo nostro non è perduto per sempre. Ma riaverlo richiede qualcosa di più di un clic su “rifiuta tutto”. Richiede la comprensione di un sistema che ha tutto l’interesse a restare incomprensibile — e la volontà, individuale e collettiva, di renderlo leggibile anche a noi.

---

NOTE

[1]James C. Scott, Seeing Like a State: How Certain Schemes to Improve the Human Condition Have Failed, Yale University Press, 1998

[2] Shoshana Zuboff, Il capitalismo della sorveglianza Il futuro dell’umanità nell’era dei nuovi poteri, Luiss University Press, Maggio 2023

[3] È opportuno segnalare che la leggibilità imposta dallo Stato segue una traiettoria parallela a quella del mercato. Dal 2026 la carta d’identità cartacea italiana diventerà invalida, sostituita dalla CIE dotata di chip RFID e dati biometrici. Parallelamente, la verifica dell’età tramite identità digitale per l’accesso a determinati contenuti online sta diventando requisito di legge in diversi ordinamenti europei. Argomenti ineccepibili — sicurezza, tutela dei minori, modernizzazione amministrativa — giustificano un’ulteriore espansione della leggibilità istituzionale che merita attenzione critica.

[4] Il meccanismo è noto negli Stati Uniti come “data broker loophole”: il Quarto Emendamento della Costituzione americana vieta al governo di accedere ai dati dei cittadini senza un mandato dell’autorità giudiziaria. Tuttavia, agenzie federali come DHS, FBI, ICE e IRS hanno aggirato questo vincolo acquistando commercialmente gli stessi dati dai data broker — senza alcuna autorizzazione giudiziaria. La pratica è documentata e dibattuta: nel 2024 la Camera dei Rappresentanti ha approvato il Fourth Amendment Is Not For Sale Act, che avrebbe vietato questi acquisti, ma il Senato non ha mai votato il provvedimento. Il dibattito è tuttora aperto. Si vedano: EPIC, “Closing the Data Broker Loophole” (https://epic.org); Brennan Center for Justice (https://www.brennancenter.org); Center for Democracy and Technology, “Legal Loopholes and Data for Dollars” (https://cdt.org).

[5] Il termine Identity Resolution non è stato coniato da un accademico critico del sistema, ma dall’industria stessa che lo pratica. LiveRamp — uno dei principali operatori del settore — lo descrive come “il processo di collegamento dei dati frammentati di un cliente in un unico profilo accurato“. La definizione è disponibile, con orgoglio, sul sito ufficiale dell’azienda: https://liveramp.com. La letteratura critica ha poi analizzato e problematizzato il meccanismo; l’industria, nel frattempo, lo ha brevettato.

[6] Il caso Mobilewalla è documentato nella decisione della Federal Trade Commission del 3 dicembre 2024. La FTC ha accertato che Mobilewalla raccoglieva e conservava sistematicamente i dati trasmessi nelle aste RTB anche quando le perdeva — pratica vietata dai termini stessi delle piattaforme di asta. I dati includevano localizzazioni precise presso cliniche sanitarie, luoghi di culto, rifugi per vittime di violenza domestica e installazioni militari.

[7] Nel febbraio 2024 Biden ha firmato l’Executive Order 14117, che vieta ai data broker la vendita di dati sensibili degli americani — geolocalizzazione, dati biometrici, sanitari e finanziari — a entità collegate a paesi considerati avversari (Cina, Russia, Iran, Corea del Nord); sempre nel 2024 il Congresso ha approvato, con ampio sostegno bipartisan, il Protecting Americans from Foreign Adversary Controlled Applications Act, che imponeva a ByteDance — casa madre cinese di TikTok — di cedere le operazioni americane o affrontare un ban. La Corte Suprema ha confermato la legge nel gennaio 2025. La vicenda si è conclusa a gennaio 2026 con la cessione delle operazioni americane di TikTok a un consorzio di investitori guidato da Oracle, Silver Lake e MGX. In entrambi i casi, la preoccupazione dichiarata era il flusso di dati verso Pechino — non la raccolta massiva di dati in sé.

[8] Sul concetto di data double, v. K.D. Haggerty, R.V. Ericson, The surveillant assemblage, in British Journal of Sociology, vol. 51, n. 4, 2000, pp. 605-622, ove gli autori descrivono la sorveglianza contemporanea come processo di astrazione dei corpi dai loro contesti, scomposizione in flussi informativi e successiva ricomposizione in doppi virtuali utilizzabili per classificare, selezionare e governare gli individui.

[9] Z. Bauman, D. Lyon, Sesto potere. La sorveglianza nella modernità liquida, Laterza, Roma-Bari, 2014, ed. orig. Liquid Surveillance: A Conversation, Polity Press, Cambridge, 2013. Il concetto di adiaforizzazione è già espresso in Z. Bauman, Le sfide dell’etica, Feltrinelli, Milano, 1996, ed. orig. Postmodern Ethics, Blackwell, Oxford-Cambridge, 1993.

[10] La strategia dell’offuscamento come forma di resistenza alla sorveglianza è stata teorizzata da Finn Brunton e Helen Nissenbaum, prima nell’articolo Vernacular Resistance to Data Collection and Analysis: A Political Theory of Obfuscation, First Monday, 2011, e poi sistematizzata in Obfuscation: A User’s Guide for Privacy and Protest, MIT Press, 2015. Il primo esempio pratico è TrackMeNot (2006), estensione per browser sviluppata da Daniel C. Howe, Helen Nissenbaum e Vincent Toubiana, che genera ricerche false per impedire la costruzione di profili attendibili.