Copyright e training data: lo stato del contenzioso

Nel settembre 2025 Anthropic ha accettato di pagare 1,5 miliardi di dollari per chiudere una class action intentata da un gruppo di scrittori. Non perché addestrare un modello sui loro libri fosse stato giudicato illegale — su quel punto il giudice le aveva dato sostanzialmente ragione — ma perché una parte di quei libri era arrivata nei suoi archivi da biblioteche pirata. È la sintesi perfetta dello stato del contenzioso su copyright e training data: la domanda non è più solo «si può addestrare un modello su opere protette?», ma «come le hai ottenute, e cosa produce il modello alla fine?».

Per chi lavora con l’AI, o semplicemente pubblica contenuti online, queste cause non sono gossip giudiziario. Stanno definendo chi possiede la materia prima dell’intelligenza artificiale — e a che prezzo.

Il nodo giuridico: il fair use messo alla prova

Negli Stati Uniti, dove si concentra la maggior parte delle cause, tutto ruota attorno al fair use: la dottrina che permette di usare opere protette senza autorizzazione se l’uso è «trasformativo» e non danneggia il mercato dell’originale. È la stessa dottrina che nel 2015 salvò Google Books, autorizzato a scansionare milioni di libri per renderli ricercabili.

Le aziende AI sostengono che l’addestramento è l’uso trasformativo per eccellenza: il modello non memorizza i libri per rivenderli, ne estrae pattern statistici, come uno studente che legge migliaia di romanzi e impara a scrivere. Gli autori rispondono con un’obiezione altrettanto concreta: lo studente non produce poi milioni di testi al minuto in concorrenza diretta con i suoi maestri. L’analogia della lettura regge finché non si guarda l’output.

La domanda non è più «si può addestrare su opere protette?», ma «come le hai ottenute, e con cosa competerà il risultato?»

La mappa delle cause principali

Il contenzioso si è sviluppato per tipo di contenuto: testo, immagini, codice. Ogni fronte ha i suoi protagonisti e le sue domande specifiche.

• Testo ed editoria. Il caso più pesante è New York Times contro OpenAI e Microsoft (dicembre 2023): il quotidiano sostiene che GPT-4 può riprodurre quasi verbatim suoi articoli e che i chatbot cannibalizzano il traffico verso le fonti. Sul fronte libri, la Authors Guild — con nomi come George R.R. Martin e John Grisham — ha fatto causa a OpenAI nel 2023, mentre gruppi di scrittori hanno citato Meta (Kadrey v. Meta) e Anthropic (Bartz v. Anthropic).
• Immagini. Getty Images ha citato Stability AI sia negli Stati Uniti sia nel Regno Unito, accusandola di aver addestrato Stable Diffusion su milioni di sue foto — in alcuni output ricompariva perfino una versione distorta del watermark Getty. In parallelo, un gruppo di artisti (Andersen v. Stability AI) ha citato Stability, Midjourney e DeviantART.
• Codice. La class action contro GitHub Copilot (fine 2022) è stata la prima del filone: sviluppatori open source contestano che il modello riproduca codice senza rispettare le licenze, che quasi sempre richiedono almeno l’attribuzione.

La mappa del contenzioso: tre fronti principali — testo, immagini, codice — più i casi «di confine» e il quadro europeo, che segue una logica diversa da quella americana.

Le prime sentenze: un quadro a macchie di leopardo

Fino al 2024 il contenzioso era tutto in fase preliminare. Poi sono arrivate le prime decisioni di merito, e il quadro si è fatto interessante proprio perché non è univoco.

Nel febbraio 2025, nel caso Thomson Reuters contro Ross Intelligence, un giudice federale ha negato il fair use a una startup che aveva usato i contenuti di Westlaw per addestrare uno strumento di ricerca legale concorrente. Non era AI generativa, ma il principio conta: se il prodotto finale compete direttamente con la fonte dei dati, la difesa trasformativa si indebolisce.

Nell’estate 2025 sono arrivate due decisioni sui libri, entrambe favorevoli — con riserve — alle aziende. Nel caso Anthropic, il giudice William Alsup ha stabilito che addestrare un modello su libri acquistati legalmente è fair use, paragonandolo all’apprendimento di uno scrittore; ma ha mandato a processo la questione dei libri scaricati da archivi pirata, ed è da lì che è nata la transazione da 1,5 miliardi. Nel caso Meta, il giudice Vince Chhabria ha respinto le richieste degli autori, precisando però che la decisione dipendeva dalla debolezza delle prove presentate: un futuro attore capace di dimostrare che l’AI diluisce il mercato dei suoi libri potrebbe vincere.

Tradotto: non esiste ancora un principio unico. I giudici stanno distinguendo tra come i dati sono stati acquisiti, cosa il modello produce e quanto l’output danneggia il mercato dell’originale. Tre domande diverse, tre esiti possibili.

L’Europa gioca un’altra partita

Sul nostro lato dell’Atlantico il fair use non esiste. La direttiva copyright del 2019 prevede però un’eccezione per il text and data mining: si possono analizzare opere accessibili legalmente, a meno che il titolare non abbia espresso un opt-out — una riserva dei diritti, anche in forma leggibile dalle macchine, come un file robots.txt che dice «non addestrare su di me».

Sulla carta è un sistema più prevedibile di quello americano: la regola è scritta, non ricostruita causa per causa. In pratica, i nodi non mancano: come si esprime un opt-out valido? Vale per i modelli addestrati fuori dall’Unione e poi commercializzati qui? L’AI Act aggiunge un tassello, imponendo ai fornitori di modelli general-purpose di pubblicare un riepilogo sufficientemente dettagliato dei dati di addestramento e di dotarsi di una policy sul rispetto dell’opt-out. È il tentativo di rendere verificabile ciò che finora era una scatola nera.

Intanto, il mercato firma contratti

Mentre i tribunali deliberano, molti hanno scelto la via più antica: l’accordo commerciale. Editori come Axel Springer, Le Monde e il Financial Times hanno firmato licenze con OpenAI; Reddit ha venduto l’accesso ai propri dati a Google. La logica è pragmatica: se il valore dei dati è incerto in tribunale, meglio monetizzarlo subito con un contratto.

Questo crea però un’asimmetria che vale la pena nominare: i grandi editori hanno la forza negoziale per farsi pagare, il blogger o il fotografo indipendente no. Se il contenzioso si risolvesse in un sistema di licenze bilaterali tra giganti, la lunga coda dei creatori — quella che ha riempito i dataset — resterebbe fuori dalla stanza.

Perché ti riguarda

Se sviluppi con l’AI, l’esito di queste cause determina i costi e i rischi legali degli strumenti che usi: un modello addestrato su dati puliti e licenziati costa di più, e quella differenza prima o poi arriva nel prezzo delle API. Se fai fine-tuning con dati raccolti dal web, le stesse domande — provenienza, licenza, opt-out — valgono anche per te, in scala ridotta.

Se invece pubblichi contenuti — articoli, foto, codice — sei parte in causa senza aver firmato nulla: il tuo lavoro è quasi certamente già in qualche dataset. Capire come funzionano l’opt-out europeo e le licenze collettive che stanno emergendo è il modo per non subire passivamente la partita. La lezione più solida che il contenzioso ha prodotto finora, in fondo, è semplice: i dati di addestramento non sono una risorsa naturale gratuita. Sono lavoro di qualcuno, e il conto — nei tribunali o nei contratti — sta arrivando.