
«Con dati di internet» sta smettendo di essere una risposta. Quello che dicono le verifiche, la legge e i tribunali sulla provenienza dei dati con cui si addestra l'IA.
Sagelix
Sagelix
Immagine generata con intelligenza artificiale.
Per anni, la risposta a «con che cosa è stato addestrato?» è stata «con dati di internet». Quella risposta sta smettendo di valere, per ragioni che si possono documentare.
Nemmeno i dati ordinati portano con sé la loro licenza
Una verifica ha esaminato più di 1.800 insiemi di dati testuali, di quelli che si usano per addestrare e affinare i modelli. Nei repository più utilizzati, più del 70% non indicava con quale licenza veniva distribuito, e più del 50% la indicava in modo errato (Longpre et al., 2024).
Non parla di materiale raccolto dal web senza ordine. Parla di raccolte preparate e pubblicate per essere riutilizzate. Nemmeno lì si sa con quale permesso arriva il contenuto.
Chi pubblica sta ritirando il permesso
Un altro studio ha esaminato 14.000 domini web presenti in tre grandi corpora di addestramento. In un solo anno è stato sottoposto a restrizioni più del 28% delle fonti più importanti e meglio mantenute di uno di essi. Se si guardano le condizioni d’uso di ciascun sito, il 45% di quel corpus è già soggetto a restrizioni (Longpre et al., 2024b). È un lavoro che abbiamo consultato come preprint.
Internet, quindi, non è una fonte neutra. Una parte crescente di chi vi scrive ha detto di no.
La legge e i tribunali ormai lo chiedono
- Europa. Da agosto 2025, i fornitori di modelli per finalità generali devono avere una politica di rispetto del diritto d’autore e pubblicare una sintesi sufficientemente dettagliata dei contenuti utilizzati per l’addestramento (Regolamento sull’IA, articolo 53). La Commissione ha pubblicato a luglio 2025 il modello di quella sintesi, che chiede di elencare le principali raccolte di dati e di spiegare le altre fonti. L’obbligo ricade su chi realizza il modello di base, non su chi vi costruisce sopra un prodotto.
- Stati Uniti. Un tribunale ha approvato a luglio 2026 un accordo da 1,5 miliardi di dollari tra un’azienda di IA e autori di libri, di circa 3.000 dollari per opera, con l’obbligo di distruggere le copie provenienti da due biblioteche pirata. Ciò che è stato pagato è l’origine del materiale. Il dato viene dall’associazione degli autori, che è parte interessata.
- Germania. Un tribunale di Monaco di Baviera ha stabilito a novembre 2025 che memorizzare testi di canzoni all’interno di un modello viola il diritto di riproduzione. La sentenza non è definitiva, e la conosciamo dalla sintesi di uno studio legale, non dal testo originale.
Il quadro non è chiuso. L’Ufficio del copyright degli Stati Uniti constata che esistono già sistemi addestrati solo con opere concesse in licenza o di pubblico dominio. Allo stesso tempo ammette che la crescita del mercato delle licenze non prova che concedere tutto in licenza sia praticabile su larga scala.
Perché conta che dietro ci sia una persona
C’è un motivo tecnico oltre a quello legale. Addestrare modelli con contenuti generati da altri modelli produce difetti che si accumulano e non si correggono, e gli autori di quel lavoro concludono che i dati provenienti da persone reali saranno sempre più preziosi (Shumailov et al., 2023).
Ci sono anche prove che il materiale di un campo specifico migliora i risultati in quel campo: addestrare solo con testo biomedico ha dato guadagni sostanziali rispetto al partire da un modello generale (Gu et al., 2021). Quello studio confronta testi, non conoscenza fornita da professionisti.
Buone fonti non garantiscono risposte corrette
Conviene non esagerare.
- Strumenti giuridici costruiti su fonti professionali hanno sbagliato tra il 17% e il 33% delle volte, e i loro autori concludono che ciò che promettevano i fornitori era esagerato (Magesh et al., 2024).
- Un modello generale ben guidato ha superato modelli medici specializzati in esami a risposta multipla (Nori et al., 2023).
- Non abbiamo trovato alcuno studio che confronti, in un prodotto reale, conoscenza fornita da professionisti veterani con dati del web.
Avere una provenienza chiara non fa sì che un sistema dia risposte corrette. Fa sì che si possa sapere da dove viene quello che dice, e con quale permesso.
Che cosa significa per chi mette a disposizione quello che sa
Ciò che cambia è la domanda. A un prodotto di IA verrà chiesto, da parte dei suoi clienti e sempre più nei tribunali, di dire da dove viene quello che afferma. Una conoscenza con autore identificato e permesso d’uso per iscritto può rispondere; una raccolta e basta, no.
In Sagelix ogni volume porta il nome del professionista che lo ha fornito, e ogni acquisto lascia registrato il permesso d’uso con le sue condizioni.
Fonti
- Longpre et al. (2024). «A large-scale audit of dataset licensing and attribution in AI». Nature Machine Intelligence 6. Preprint
- Longpre et al. (2024b). «Consent in Crisis: The Rapid Decline of the AI Data Commons». arXiv:2407.14933
- Regolamento (UE) 2024/1689, articolo 53. Testo
- Commissione europea (2025). Modello per la sintesi pubblica dei contenuti utilizzati per l’addestramento
- Authors Guild (2026). Nota sull’approvazione dell’accordo in Bartz v. Anthropic
- CMS (2025). Sintesi della sentenza del Landgericht München I, 42 O 14139/24
- U.S. Copyright Office (2025). «Copyright and Artificial Intelligence, Part 3: Generative AI Training», versione precedente alla pubblicazione
- Shumailov et al. (2023). «The Curse of Recursion». arXiv:2305.17493
- Gu et al. (2021). «Domain-Specific Language Model Pretraining for Biomedical NLP». arXiv:2007.15779
- Magesh et al. (2024). «Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools». arXiv:2405.20362
- Nori et al. (2023). «Can Generalist Foundation Models Outcompete Special-Purpose Tuning?». arXiv:2311.16452


