Attualmente, i sistemi laser scanner portatili basati sulla tecnologia SLAM (Simultaneous Localization and Mapping) rappresentano sempre più una valida alternativa alle tecniche di rilievo tradizionali e si prestano a essere impiegati come tecniche di elevata efficacia anche all’interno del processo scan-to-HBIM. Una delle fasi preliminari e fondamentali dell’intero flusso di lavoro scan-to-HBIM `e la segmentazione semantica del dato di partenza, utile per facilitare e alleggerire tutte le fasi successive. Il presente studio si prefigge di esaminare l’applicabilit`a dell’algoritmo Random Forest alla segmentazione semantica delle nuvole di punti acquisite mediante tecnologia SLAM, al fine di valutare l’efficacia del popolare algoritmo di Machine Learning in un contesto SLAM-to-HBIM. Il caso di studio, rappresentato dalla “Casetta Gotica” di Udine, `e stato rilevato sia mediante laser scanner portatile SLAM che mediante sistema TLS (Terrestrial Laser Scanner), consentendo un confronto diretto sull’applicabilit`a del metodo di segmentazione semantica alle due tipologie di dato. Sono state condotte 13 prove, variando la tipologia di dato di addestramento e di test nonch`e modificando le features utilizzate e la dimensione del dato di training. I risultati ottenuti evidenziano che, nonostante la maggior rumorosit`a e la minor risoluzione del dato SLAM rispetto al TLS, `e possibile ottenere anche per le nuvole di punti SLAM classificazioni robuste anche con porzioni ridotte di training, rendendo il processo significativamente pi`u efficiente. Tuttavia, persistono delle difficolt`a nel riconoscimento di classi meno rappresentate o morfologicamente ambigue. Lo studio dimostra il potenziale concreto della segmentazione semantica automatica su dati SLAM quale primo passo verso un flusso SLAM-to-HBIM automatizzato.