Preferisci ascoltare? Premi play per la narrazione IA

La maggior parte dei modelli di IA generativa impara da testi, immagini e audio raccolti dal web aperto: blog, forum, siti di notizie, profili dei social e registri pubblici. Gran parte di questo materiale riguarda persone reali e identificabili. Per anni l'assunto informale del settore è stato semplice: se è accessibile pubblicamente, è lecito prenderlo.

Le autorità europee hanno ora spiegato nel dettaglio perché questo assunto non regge. A luglio 2026 il Comitato europeo per la protezione dei dati (EDPB) ha pubblicato la bozza delle Linee guida 03/2026 sul web scraping nel contesto dell'IA generativa, e la consultazione pubblica si chiude il 30 ottobre 2026. L'8 ottobre 2026 l'autorità britannica per la protezione dei dati (Information Commissioner's Office, ICO) ha pubblicato la relazione conclusiva di due anni di vigilanza sui maggiori sviluppatori di modelli di base. Insieme offrono il quadro più chiaro finora di che cosa sia uno «scraping lecito» e di che cosa le aziende dovranno dimostrare.

La questione va oltre i laboratori di IA. Se commissioni un dataset, lo acquisti da un broker, fai fine-tuning di un modello su post pubblici o costruisci uno strumento di lead generation che raccoglie profili, queste regole riguardano anche te.

30 ott.
Scadenza per commentare la bozza di linee guida dell'EDPB
10
Sviluppatori di IA che hanno cambiato prassi dopo l'esame dell'ICO
3%
Sanzione massima del Regolamento sull'IA per il riepilogo dei dati di addestramento (o 15 mln €)
0
Modifiche del Digital Omnibus in vigore oggi. Il GDPR si applica per intero

Perché lo scraping è sotto i riflettori

Tre sviluppi sono arrivati a poche settimane di distanza:

Nel frattempo le modifiche al GDPR proposte dall'UE per l'IA sono bloccate al Consiglio (ne parliamo più avanti). Per ora contano le regole esistenti.

«Pubblico» non significa «liberamente utilizzabile»

Il punto di partenza dell'EDPB è netto. Il GDPR si applica al web scraping ogni volta che sono coinvolti dati personali, dall'estrazione alla pulizia, alla strutturazione e alla conservazione, che i dati identifichino qualcuno direttamente o indirettamente. Vale la pena ricordare altri due punti:

L'ICO arriva allo stesso punto da un'altra angolazione. Secondo l'autorità, le affermazioni vaghe secondo cui un modello è stato addestrato su «informazioni accessibili pubblicamente» sono «improbabilmente sufficienti» ai fini della trasparenza.

Chi è responsabile: lo scraper, lo sviluppatore o entrambi?

Le filiere di scraping coinvolgono spesso più aziende, e l'EDPB afferma che i ruoli vanno valutati caso per caso, sulla base dei fatti. Le sue indicazioni generali:

L'ICO aggiunge che gli sviluppatori dovrebbero assicurarsi che tutti i soggetti della loro filiera di dati di addestramento, inclusi i data broker, rispettino i propri obblighi di trasparenza.

Legittimo interesse: il test in tre fasi applicato allo scraping

L'ICO definisce il legittimo interesse (art. 6, par. 1, lett. f, GDPR) realisticamente l'unica base giuridica per addestrare l'IA generativa su dati personali raccolti tramite scraping. L'EDPB afferma che è la base su cui le imprese private di solito si appoggiano e che le altre sono in genere meno probabili. Entrambi insistono che va guadagnato con un test in tre fasi documentato.

  1. Un interesse reale e specifico. Deve essere lecito, chiaramente formulato, reale e attuale. L'ICO aggiunge che interessi generici come «sviluppare e migliorare i nostri prodotti e servizi», «addestrare i nostri modelli» o «giovare all'umanità» difficilmente bastano senza precisazione o giustificazione.
  2. Necessità. Restringere i criteri di raccolta, invece di «fare scraping di una vasta parte di internet», può essere decisivo, dice l'EDPB, e i dati pseudonimizzati o sintetici possono essere alternative meno invasive. L'ICO si aspetta che gli sviluppatori spieghino perché altre fonti, come i dataset in licenza, non sono adatte.
  3. Bilanciamento. L'EDPB elenca rischi come la perdita di controllo, un «effetto dissuasivo» sulla libertà di espressione, la deanonimizzazione di chi ha pubblicato in forma anonima e i deepfake. Osserva inoltre che, con la tecnologia attuale, i dati personali «non possono essere cancellati facilmente» da un modello addestrato.

Le ragionevoli aspettative pesano molto, e l'EDPB le lega strettamente ai segnali dei siti web. Chi pubblica su una piattaforma aperta che consente lo scraping, e lo dichiara, può ragionevolmente aspettarsi che gli sviluppatori di IA raccolgano i suoi contenuti. Chi pubblica su una piattaforma che blocca gli scraper con robots.txt e CAPTCHA, e dichiara di non consentire l'addestramento dell'IA sui dati degli utenti, no.

La bozza mostra anche dove passa il confine. Un'organizzazione che raccoglie registrazioni vocali pubbliche per vendere uno strumento di generazione vocale, senza garanzie contro il riutilizzo malevolo, «non può invocare» il legittimo interesse. Un modello di testo addestrato solo su contenuti liberamente accessibili che le persone hanno manifestamente reso pubblici, nel rispetto delle riserve di diritto d'autore, con garanzie contro la memorizzazione, richieste di esercizio dei diritti semplici e un elenco pubblico delle fonti, può in genere superare il test.

Trasparenza quando non puoi informare tutti

L'articolo 14 del GDPR impone di informare le persone i cui dati sono stati ottenuti indirettamente. Quando hai raccolto dati su milioni di persone, le comunicazioni individuali sono spesso impossibili. L'articolo 14, paragrafo 5, lettera b, prevede un'eccezione per impossibilità o sforzo sproporzionato, ma l'EDPB afferma che «non dovrebbe essere invocata in via routinaria», e l'ICO mette in guardia dall'usarla come esenzione «generalizzata».

Se ti avvali dell'eccezione, l'EDPB dice che devi almeno rendere pubbliche le informazioni, per esempio in un'informativa dedicata sul tuo sito. Deve coprire le categorie di dati, le finalità e la base giuridica, i diritti delle persone e un'indicazione precisa delle fonti, comprese le caratteristiche del crawler. Come buona prassi, elenca i domini e gli URL raccolti, in formato ricercabile, con il periodo di raccolta.

La scala conta. L'EDPB contrappone lo scraping di 20 anni di messaggi di un forum senza identificatori diretti, dove l'informazione individuale sarebbe sproporzionata, al fine-tuning sui post di un gruppo chiuso di 5.000 persone identificabili. Nel secondo caso ogni persona andrebbe informata individualmente.

Questo si sovrappone al Regolamento sull'IA. Il modello della Commissione chiede ai fornitori di modelli di IA per finalità generali di indicare i propri crawler, il periodo di raccolta e di elencare il 10% principale dei domini raccolti (per le PMI, il 5% principale o 1.000 domini, se inferiore). Un buon inventario delle fonti può servire entrambe le norme.

🧭
Strumento GDPRGard
Non sai quali obblighi GDPR si applicano alla tua raccolta di dati?

Rispondi a qualche domanda nel nostro albero decisionale GDPR per vedere quali obblighi si applicano a un uso specifico di dati personali o di IA.

Apri l'albero decisionale →

Minimizzazione ed esattezza: decidi prima di fare crawling

La minimizzazione dei dati non vieta di addestrare su grandi volumi, sottolinea l'EDPB. Vieta di raccogliere dati personali che non ti servono, e questa valutazione va fatta prima che lo scraping inizi:

Quanto all'esattezza, l'EDPB raccomanda fonti affidabili come i registri ufficiali, la marcatura temporale di ciò che raccogli e il controllo a campione prima dell'addestramento.

Dati sensibili: la via del «motore di ricerca» e i suoi limiti

Le categorie particolari di dati, come salute, opinioni politiche o orientamento sessuale, richiedono una base giuridica ai sensi dell'articolo 6 e un'eccezione ai sensi dell'articolo 9, paragrafo 2. Lo scraping quasi inevitabilmente ne cattura qualcuno.

La bozza dell'EDPB propone un percorso stretto per i dati raccolti in modo incidentale e residuale, nonostante gli sforzi per evitarli. Si richiama alla sentenza della Corte di giustizia GC e altri (C-136/17, 24 settembre 2019), secondo cui i gestori di motori di ricerca sono vincolati alle regole sui dati sensibili «nel quadro delle loro responsabilità, competenze e possibilità». L'EDPB afferma che questo ragionamento può applicarsi allo scraping per l'IA se puoi dimostrare che:

Queste misure sono impegnative: filtri ed esclusioni di siti prima della raccolta, cancellazione non appena i dati sensibili vengono individuati (anche su richiesta plausibile), test di estrazione e filtri sull'output durante lo sviluppo, e monitoraggio continuo dell'output dopo il lancio. Il Comitato è chiaro: non è un'esenzione generale dall'articolo 9.

L'ICO è più scettica. Ritiene improbabile che l'eccezione dei dati «resi manifestamente pubblici» copra i dati sensibili raccolti con lo scraping, perché gli sviluppatori non possono verificare che la persona intendesse renderli pubblici, e dice che la condizione della ricerca scientifica difficilmente copre tutto lo sviluppo di modelli. L'ICO riconosce apertamente che ciò «limita la possibilità per gli sviluppatori di addestrare lecitamente i propri modelli con categorie particolari di dati» e ne sta discutendo con il governo britannico.

Anche il modello può essere un dato personale

I rischi dello scraping non finiscono con l'addestramento. L'ICO ribadisce che i modelli possono contenere dati personali perché da essi si possono estrarre i dati di addestramento, una visione compatibile con il parere 28/2024 dell'EDPB. Avverte che i dati di addestramento provenienti dal web possono includere firme e-mail, chiavi API e password, e si aspetta che gli sviluppatori testino i modelli per l'«individuazione» (singling out) e la «collegabilità». Segnala anche una buona prassi sui diritti: Apple, per esempio, permette a chiunque di segnalare pagine web che non dovrebbero essere usate per l'addestramento e spiega ai proprietari dei siti come bloccare il proprio crawler per l'addestramento consentendo comunque l'indicizzazione nei motori di ricerca.

Dove potrebbe andare il diritto

Il Digital Omnibus della Commissione, presentato a novembre 2025, propone modifiche al GDPR rilevanti per l'addestramento dell'IA. Secondo un testo di compromesso del Consiglio del 3 settembre 2026 (documento 12535/26), trapelato e riportato da GDPR Local e dall'organizzazione per la privacy noyb, un considerando affermerebbe che il trattamento di dati personali per sviluppare e impiegare l'IA «può essere considerato» legittimo interesse, a meno che non prevalgano i diritti della persona. Un altro considerando consentirebbe, in circostanze limitate, i dati sensibili che finiscono nei set di addestramento «in modo incidentale e residuale». noyb si oppone con forza alla proposta, e il suo presidente, Max Schrems, l'ha definita «un'espropriazione digitale degli europei». Approfondiamo il testo del Consiglio nel nostro articolo sul Digital Omnibus e il legittimo interesse per l'IA.

Il dossier è tutt'altro che chiuso. Gli ambasciatori dell'UE non sono riusciti a concordare una posizione negoziale del Consiglio il 7 ottobre 2026, soprattutto per i segreti commerciali nella parte del Data Act del pacchetto. Secondo MLex, il punto è stato poi tolto dall'ordine del giorno della loro riunione dell'11 ottobre, senza nuova data. Il Parlamento europeo aveva presentato ad agosto circa 1.840 emendamenti. Al 12 ottobre 2026 nulla di tutto ciò è legge, e il GDPR si applica per intero.

Oltre l'UE: Giappone e Brasile

Giappone. Il Giappone ha modificato la propria legge sulla privacy (APPI) per consentire l'uso di dati senza consenso, compresi i dati sensibili pubblicamente disponibili, a fini statistici, il che può includere lo sviluppo di IA organizzato come produzione di statistiche. Un documento di lavoro della segreteria del regolatore, pubblicato il 1° ottobre 2026, suggerisce che le aziende che si avvalgono di questa via pubblichino le informazioni richieste su un'unica pagina web leggibile dai crawler. È una bozza, non regole definitive.

Brasile. La LGPD (legge 13.709/2018) include il legittimo interesse tra le sue basi giuridiche, ma non nell'elenco dell'articolo 11 per i dati sensibili. In un intervento alla FGV Direito Rio il 29 aprile 2026, Iagê Miola, membro del consiglio dell'ANPD, ha detto che l'autorità non ha ancora una posizione definitiva sul legittimo interesse per l'addestramento dell'IA. Ha riferito che i partecipanti alla consultazione non lo ritenevano invalido, che le opinioni sullo scraping erano divise e che la mancanza di una base di legittimo interesse per i dati sensibili era la principale preoccupazione. Se usato, richiederebbe bilanciamenti solidi e trasparenza reale. Le aziende brasiliane che offrono beni o servizi a persone nell'UE sono già coperte dal GDPR tramite l'articolo 3, paragrafo 2, quindi le indicazioni dell'EDPB si applicano direttamente a loro.

Per le aziende globali, «scraping lecito» significherà cose diverse nei diversi mercati. Costruire secondo lo standard più rigoroso, quello dell'UE e del Regno Unito, è la scelta predefinita più sicura.

Checklist pratica per le aziende che fanno scraping o acquistano dati raccolti

Conclusione

Il messaggio di Bruxelles e di Londra è coerente: il web aperto non è terra di nessuno, ma non è nemmeno off-limits. Raccogliere dati personali per addestrare l'IA può essere lecito quando è mirato, minimizzato, trasparente e sostenuto da garanzie di cui puoi dimostrare l'efficacia. Le aziende in difficoltà saranno quelle che non sanno dire da dove vengono i loro dati, perché li servivano o che cosa hanno fatto per proteggere le persone coinvolte. Le linee guida dell'EDPB sono ancora una bozza e il Digital Omnibus può ancora spostare il dibattito, ma mappare le fonti, filtrare i dati, pubblicare le informative e testare i modelli ripagherà con qualunque versione delle regole.

Prenota una consulenza gratuita con GDPRGard → e ti aiuteremo a verificare le tue fonti di dati e le tue informative sull'addestramento.

Fonti

Condividi questo articolo

Leggi anche:

⚠️ Questo articolo ha finalità puramente informative e non costituisce consulenza legale. Per situazioni di conformità complesse, rivolgetevi a un professionista qualificato della protezione dei dati. I requisiti del GDPR e del regolamento UE sull'IA sono soggetti a orientamenti normativi in continua evoluzione — verificate i vostri obblighi attuali con il vostro consulente legale.