La scusa «era pubblico» non regge più: il GDPR ora copre formalmente i dati di addestramento dell'IA

Per anni, il settore dell'IA ha operato sulla base di una comoda supposizione: se un dato si trova sul web aperto, è lecito raccoglierlo e inserirlo in un dataset di addestramento. Nessun consenso necessario, nessun avviso richiesto — è «pubblicamente disponibile», quindi va bene.

L'8 luglio 2026, il Comitato europeo per la protezione dei dati (EDPB) ha chiuso definitivamente questa scappatoia. Insieme a nuove linee guida su anonimizzazione e blockchain, ha adottato le sue Linee guida sul web scraping nel contesto dell'IA generativa — e il messaggio è inequivocabile: il GDPR si è sempre applicato ai dati personali raccolti tramite web scraping e usati per l'addestramento dell'IA, e le autorità ora stanno specificando esattamente cosa richiede la conformità.

Cosa è cambiato davvero

Le linee guida sono in consultazione pubblica fino al 30 ottobre 2026, ma la direzione è già chiara, e ci si aspetta che le autorità di protezione dei dati dell'UE agiscano di conseguenza. Emergono tre requisiti.

L'interesse legittimo non può essere dato per scontato — va valutato ogni volta. Gli sviluppatori non possono più trattare «il dato era pubblico» come una base giuridica a sé stante. Ogni operazione di scraping richiede una valutazione genuina e caso per caso dell'interesse legittimo, che ponderi l'interesse dello sviluppatore per il dato rispetto ai diritti e alle aspettative ragionevoli delle persone a cui si riferisce.

La minimizzazione dei dati deve avvenire prima dell'inizio dello scraping, non dopo. Filtrare i dati irrilevanti o eccessivi dopo che sono già stati risucchiati in un dataset di addestramento non è sufficiente. Le linee guida si aspettano che la minimizzazione sia integrata nel processo stesso di raccolta — fare scraping solo da fonti affidabili e identificabili, apporre timestamp a ciò che viene raccolto, ed escludere fin dall'inizio i dati appartenenti a categorie particolari (salute, opinioni politiche, orientamento sessuale e simili), invece di ripulirli in un secondo momento.

I dataset vecchi non hanno un lasciapassare. Questo è il dettaglio che coglie più persone alla sprovvista. Le aziende non possono indicare dati raccolti anni fa e sostenere che le regole allora non esistevano. Il test di bilanciamento deve riflettere le circostanze al momento della raccolta — il che significa che gli sviluppatori privi di una documentazione solida su come e perché hanno raccolto dataset più vecchi si trovano ora davanti a una lacuna di conformità che non possono colmare facilmente a posteriori.

La trappola dell'anonimizzazione

Alcuni sviluppatori hanno sostenuto che, una volta che i dati personali sono incorporati in un modello addestrato, diventino di fatto anonimi e che il GDPR non si applichi più. Le linee guida complementari dell'EDPB sull'anonimizzazione chiudono anche questa porta, stabilendo un test rigoroso in tre parti: i dati sono considerati anonimi solo se nessun individuo può essere isolato, nessun dato può essere collegato ad altre informazioni su di lui, e nessun individuo può essere identificato per inferenza.

Si tratta di un'asticella alta — probabilmente troppo alta rispetto a come funzionano davvero i grandi modelli linguistici. I ricercatori hanno dimostrato ripetutamente che i modelli possono «rigurgitare» estratti letterali dei loro dati di addestramento, comprese informazioni personali, con il tipo di prompt giusto. Le notizie sulle linee guida sono state schiette riguardo alla conseguenza: pochi sistemi di IA, se non nessuno, sono attualmente in grado di soddisfare questo standard di anonimizzazione. In pratica, ciò significa che gran parte dei dati contenuti negli attuali grandi modelli probabilmente continua a essere considerata dato personale ai sensi del GDPR — con tutti gli obblighi che ne conseguono.

Chi è coinvolto

Chiunque costruisca o affini modelli su dati web pubblici. Questo include i laboratori più grandi — OpenAI, Meta e Google sono citati esplicitamente nella copertura delle linee guida — ma gli obblighi non si riducono per gli attori più piccoli. Una startup che affina un modello open source su post di forum ottenuti tramite scraping, o un team di ricerca che costruisce un modello più piccolo e specifico per un dominio, affronta gli stessi requisiti di interesse legittimo, minimizzazione e documentazione di un laboratorio di punta. Semmai, le organizzazioni più piccole sono più esposte, poiché tipicamente dispongono di minori risorse per costruire i processi di documentazione e valutazione d'impatto che le autorità si aspetteranno di vedere.

Perché questo conta anche se non addestri modelli tu stesso

La maggior parte delle piccole e medie imprese non costruisce modelli fondazionali — ma molte li affinano, distribuiscono strumenti IA di terze parti, o integrano funzioni IA di fornitori nei propri prodotti. Questo non ti tiene fuori dal raggio d'azione. Se il modello di un fornitore è stato addestrato su dati raccolti in modo improprio, il rischio di conformità non resta confinato al fornitore. Dalle aziende che adottano strumenti IA ci si aspetta sempre più una due diligence di base su come questi strumenti sono stati costruiti — quali dati li hanno addestrati, se esiste una base giuridica documentata, e se il fornitore può rispondere a domande semplici sulla provenienza dei dati.

È una domanda molto diversa da «questo strumento IA funziona bene», ed è una domanda che vale la pena porre prima di firmare un contratto, non dopo che lo fa un'autorità al posto tuo.

Cosa fare in pratica adesso

Tre cose che vale la pena fare ora, sia che tu addestri modelli sia che tu acquisti strumenti che sono stati addestrati:

1. Chiedi direttamente ai fornitori di IA quale base giuridica sia stata usata per i loro dati di addestramento, e se possono documentarla.
2. Sii scettico riguardo alle affermazioni secondo cui i dati di addestramento sarebbero «anonimizzati» — l'asticella dell'EDPB è alta, e una rassicurazione vaga non sostituisce una vera risposta.
3. Non trattare «addestrato prima che esistessero le linee guida» come una difesa valida, perché non lo faranno nemmeno le autorità.

Il regolamento IA attira più attenzione perché è nuovo. Ma il GDPR era già pienamente in vigore, e l'EDPB ha appena confermato, nel dettaglio, che ha sempre riguardato il modo in cui l'IA viene costruita — non solo il modo in cui viene utilizzata.

È anche per questo che GDPRGard ha costruito GDPRChat in questo modo: addestrato sui contenuti della tua azienda — le tue FAQ, policy e informazioni sui prodotti — invece che su dati di terzi ottenuti tramite scraping e di provenienza incerta. Se stai scegliendo uno strumento IA per la tua azienda, «da dove provengono i dati di addestramento, e puoi dimostrarlo?» è ormai una domanda legittima da porre a qualsiasi fornitore.

Prenota una consulenza gratuita con GDPRGard →

Fonti

• Tech Times — Il GDPR si applica ai dati di addestramento dell'IA: l'UE pone fine al lasciapassare per il web scraping per ogni laboratorio
• EDPB — L'EDPB fa luce su anonimizzazione e web scraping per l'IA generativa

Leggi anche:

• Dimentica il regolamento IA — il GDPR già oggi multa le aziende per errori legati all'IA
• Il regolamento IA si applica ai sistemi ad alto rischio: ora hai due autorità
• L'IA è il più grande rischio GDPR del 2026