Data Scraping per l'IA: non è hacking, ma una miniera di problemi legali

Un'azienda sta “hackerando” quando raccoglie sistematicamente dati disponibili pubblicamente per addestrare i suoi modelli di intelligenza artificiale? La domanda, sempre più dibattuta negli ambienti tecnologici, non è solo semantica; espone un profondo vuoto legale ed etico nel cuore della nostra economia digitale, un vuoto che le leggi sulla proprietà intellettuale stanno faticando a colmare.

L'insaziabile appetito dei modelli di IA per i dati di addestramento ha portato a un'impennata nel web scraping, un metodo per raccogliere enormi quantità di informazioni da internet. Questi dati, spesso comprendenti testi, immagini e codici protetti da copyright, sono la base stessa su cui i sistemi di IA generativa costruiscono le loro capacità. Eppure, la legalità di questa pratica rimane davvero incerta, portando a un panorama complesso di contenziosi e normative emergenti che sfidano le nozioni consolidate di proprietà e consenso.

Il dilemma del copyright: uso lecito o giusto compenso?

Al centro del dibattito c'è l'uso di materiale protetto da copyright. I modelli di IA generativa, per loro stessa natura, vengono addestrati su enormi quantità di contenuti che spesso includono opere protette da copyright, come evidenziato da academic.oup.com. La questione legale fondamentale è se tale uso richieda una licenza dai titolari dei diritti o se possa essere considerato un'eccezione alla violazione del copyright, come il fair use. Mentre lo scraping di punti fattuali è generalmente più sicuro, lo scraping di contenuti espressivi introduce un enorme rischio di copyright.

Il panorama legale varia significativamente tra le giurisdizioni. Nell'Unione Europea, la Direttiva sul copyright nel mercato unico digitale (CDSM) prevede un'eccezione per il text and data mining (TDM) che consente la riproduzione e l'estrazione di contenuti legalmente accessibili per l'addestramento dell'IA. Tuttavia, i titolari dei diritti possono escludere questa eccezione per scopi commerciali di TDM, richiedendo un compenso o una licenza se i loro contenuti vengono utilizzati. Inoltre, l'EU AI Act ora impone ai fornitori di modelli di IA per scopi generali di pubblicare un riepilogo dei dati di addestramento protetti da copyright utilizzati per addestrare i loro modelli e di rispettare questi meccanismi di esclusione. Ciò integra il copyright direttamente nel quadro di conformità dell'AI Act.

Negli Stati Uniti, la situazione è meno chiara. Contenziosi in corso, inclusi casi avviati da giornali, autori e artisti visivi contro i principali sviluppatori di IA, stanno attivamente testando i limiti del fair use applicato all'addestramento dell'IA. Sebbene i tribunali statunitensi abbiano generalmente trattato il processo di addestramento stesso come fair use in alcuni contesti, non esiste una risposta definita a partire dal 2025, il che significa che gli esiti di questi casi modelleranno profondamente il panorama legale globale.

Il problema dell'output: chi possiede i contenuti generati dall'IA?

Le sfide si estendono oltre i dati di addestramento ai contenuti generati dai sistemi di IA. Una questione critica per la legge sulla proprietà intellettuale è se i contenuti generati dall'IA debbano essere idonei alla protezione del copyright. Sia l'UE che gli Stati Uniti attualmente sottolineano l'autorialità umana.

Secondo la legge sul copyright dell'UE, un'opera deve essere una creazione originale che riflette la creazione intellettuale propria dell'autore per ottenere protezione. Questo standard richiede l'autorialità umana, il che significa che il contenuto puramente generato dall'IA senza un significativo contributo creativo umano non è protetto da copyright e rientra nel pubblico dominio. Le aziende che utilizzano l'IA generativa commercialmente potrebbero scoprire di non possedere il copyright sui loro output senza un sufficiente input creativo umano, una posizione costantemente applicata dall'EUIPO e dai tribunali nazionali.

Allo stesso modo, l'U.S. Copyright Office sta esaminando attivamente la possibilità di proteggere con copyright gli output creati utilizzando l'IA generativa, avendo pubblicato un rapporto su questo argomento a gennaio 2025. Questa enfasi sull'autorialità umana si estende anche ai brevetti: la legge sui brevetti europea richiede un inventore umano, e l'Ufficio Europeo dei Brevetti ha respinto le domande che designavano sistemi di IA come inventori, sollevando interrogativi sulla brevettabilità dei progressi tecnici generati principalmente dall'IA senza input umano.

Verso una più forte infrastruttura per il copyright

L'Organizzazione Mondiale per la Proprietà Intellettuale (WIPO) sottolinea che i dati di addestramento sono centrali per il successo di tutti i sistemi di IA attuali, influenzando direttamente le loro prestazioni e affidabilità. L'ascesa dell'IA generativa sta accelerando la necessità di una forte infrastruttura per il copyright per garantire che i creatori siano equamente protetti, consentendo al contempo all'innovazione di prosperare. Poiché le opere protette da copyright vengono sempre più utilizzate per addestrare modelli di IA e i contenuti generati dall'IA diventano più comuni, le sfide relative alla gestione dei diritti, all'attribuzione e al compenso stanno crescendo. Organizzazioni come WIPO e OECD stanno attivamente raccogliendo strumenti governativi e pubblicando analisi sulle questioni di proprietà intellettuale nell'intelligenza artificiale addestrata su dati estratti, riconoscendo che il data scraping può influenzare vari diritti di proprietà intellettuale, inclusi copyright, diritti sulle banche dati, marchi e segreti commerciali.

Il territorio legale che circonda il data scraping dell'IA e la creazione di contenuti rimane complesso e in evoluzione. La mancanza di un approccio globale unificato crea incertezza sia per gli sviluppatori di IA che per i titolari dei diritti. Poiché la tecnologia continua il suo rapido avanzamento, l'imperativo di regolamentazioni più chiare e di un'infrastruttura di copyright robusta e transgiurisdizionale diventa sempre più urgente per promuovere l'innovazione senza compromettere i diritti dei creatori.