Orari di lavoro
Lunedi - Venerdi: 7.30 - 19.30
Sabato: 8 - 16
Z Side · Reality Glitch A cura di Zoom Out Lab
Esiste un archivio che dal 2008 scarica una copia di tutto l’internet accessibile, ogni mese, da 17 anni. Si chiama Common Crawl, è gestito da un ente non profit, contiene oltre 250 miliardi di pagine web, è scaricabile gratuitamente da chiunque, ed è la base di addestramento di quasi tutti i grandi modelli AI esistenti. Nessuno ha mai chiesto il permesso a nessuno per metterci dentro quello che hai scritto.
Tutto quello che hai scritto su internet esiste già in un dataset
Hai mai lasciato un commento su un forum di cucina? Risposto a una domanda su Stack Overflow? Scritto un post sul tuo blog personale nel 2015? Condiviso una riflessione in un gruppo Facebook? Postato una recensione su un e-commerce?
È lì. In un dataset. Probabilmente in più di uno.
Non è un’ipotesi. È il modo in cui funziona l’industria AI da almeno un decennio, e solo adesso, grazie a una serie di cause legali che stanno emergendo una dopo l’altra, il meccanismo sta diventando visibile al di fuori degli ambienti tecnici. I grandi modelli linguistici come GPT, Claude, Gemini e LLaMA sono stati addestrati su quantità di testo che sfidano la comprensione umana: GPT-4 su circa 13 trilioni di token. Tutto questo testo viene da qualche parte. E quella fonte, nella stragrande maggioranza dei casi, è internet. Il tuo internet.
Common Crawl: il database che nessuno sa di alimentare
Il punto di partenza è Common Crawl: un ente non profit che dal 2008 esegue crawling sistematico del web pubblicamente accessibile e archivia tutto in un corpus liberamente scaricabile. Al 2026 contiene oltre 250 miliardi di pagine. È la fondamenta su cui è costruita la maggior parte dell’AI generativa moderna.
Accanto a Common Crawl esiste The Pile, un dataset da 825 gigabyte di testo compresso assemblato da EleutherAI per addestrare modelli open source, che combina 22 fonti diverse: Books3 (195.000 libri con copyright), PubMed Central, tutti i repository pubblici di GitHub, HackerNews, i link condivisi su Reddit, Stack Exchange, opinioni legali di tribunali americani, e molto altro. Tutto aggregato, tutto disponibile, tutto usato.
Nessuno in questi dataset ha mai visto un consenso firmato. Nessuno ha mai ricevuto una notifica. I contenuti sono stati inseriti perché erano tecnicamente accessibili, non perché chi li aveva scritti avesse acconsentito a quell’uso.
Secondo un report OCSE del febbraio 2025, circa il 70% dei dataset di addestramento AI non ha informazioni chiare sulla licenza delle fonti. Il che significa che sette articoli su dieci in un dataset tipico non hanno un’autorizzazione verificabile all’uso.
Non solo testo: tutto il resto
Il problema non si ferma ai post scritti. Si estende a ogni formato in cui gli esseri umani producono contenuti online.
I video YouTube sono stati aspirati nel dataset Panda-70M, 70 milioni di clip, tutte da YouTube usato da Apple, Amazon e OpenAI per addestrare modelli di video generation. Lo abbiamo analizzato in dettaglio nel caso Apple e lo scraping dei video YouTube: il meccanismo è emerso solo perché i ricercatori Apple lo avevano citato in un paper accademico.
Le immagini di milioni di utenti di Facebook sono finite nel database di DeepFace, il sistema di riconoscimento facciale di Meta costruito su foto taggate dagli utenti stessi. Nel 2021 Meta ha dichiarato di aver eliminato i template, ma non le foto e le etichette associate, che sono rimaste. Clearview AI ha raccolto miliardi di immagini da Facebook, Instagram, Venmo e altri siti per costruire il suo motore di riconoscimento facciale, venduto poi alle forze dell’ordine. Nel 2024 ha accettato di pagare 50 milioni di dollari in una class action, ma il database esisteva già.
I video registrati dagli occhiali Meta Ray-Ban scene domestiche, momenti intimi, codici di carte di credito ripresi involontariamente sono finiti a contractor in Kenya per essere etichettati e inseriti nel pipeline di addestramento AI. Senza che né chi indossava gli occhiali né le persone riprese sapessero nulla.
Il testo non è il confine. Il confine è la capacità tecnica di raccolta. E quella capacità si è espansa molto più velocemente di qualsiasi sistema di consenso.
Il business del data laundering
La causa che ha reso visibile il meccanismo in modo più chiaro è quella di Reddit contro Perplexity, depositata nell’ottobre 2025. Reddit accusa Perplexity e tre società di scraping intermediarie di quello che il Chief Legal Officer di Reddit ha chiamato esplicitamente “data laundering” lavaggio di dati come riportato da CNBC.
Il meccanismo descritto nella causa è illuminante: le società di scraping aggirano le protezioni anti-bot di Reddit mascherando la propria identità, nascondendo la propria posizione geografica e fingendo di essere utenti normali. Quando Reddit ha bloccato l’accesso diretto, hanno iniziato a scrapare i risultati di ricerca di Google che mostravano contenuti Reddit. In due settimane di luglio 2025 avrebbero acceduto a quasi tre miliardi di pagine di risultati Google contenenti contenuti Reddit.
La settimana prima Reddit aveva già citato in giudizio Anthropic per aver scrapato i suoi contenuti tramite il crawler ClaudeBot oltre 100.000 volte continuando anche dopo che Reddit aveva esplicitamente richiesto di smettere, come documentato da PBS News.
Non si tratta di casi isolati. Si tratta di una catena industriale: società specializzate raccolgono dati aggirando le protezioni tecniche, li rivendono a chi addestra modelli AI, che a loro volta costruiscono prodotti commerciali su quella base. È un mercato. E i contenuti che lo alimentano sono stati prodotti da persone che non sapevano di stare lavorando per quell’industria.
Cosa non torna nella risposta dell’industria
La risposta standard dell’industria AI a queste obiezioni è duplice. Prima: i dati erano pubblicamente accessibili, quindi non c’è violazione. Seconda: l’uso per l’addestramento AI rientra nel fair use, la dottrina americana che permette usi trasformativi di materiale protetto da copyright.
Il primo argomento confonde accessibilità tecnica con consenso. Il fatto che qualcosa sia leggibile non significa che chiunque possa usarla per qualsiasi scopo. I tuoi messaggi su un forum di supporto psicologico erano tecnicamente pubblici. Le domande che hai fatto su forum di salute nel 2018 erano tecnicamente pubbliche. Le discussioni in comunità per persone LGBTQ+ erano tecnicamente pubbliche. Nessuno di questi contesti implica il consenso all’uso industriale per addestrare sistemi commerciali.
Il secondo argomento il fair use è ancora aperto nei tribunali. La causa del New York Times contro OpenAI e Microsoft, quella di Reddit contro Anthropic, quella degli autori contro vari modelli: nessuna ha ancora una sentenza definitiva che stabilisca con certezza dove si trova il confine. Nel frattempo, i modelli sono già stati addestrati, i prodotti sono già sul mercato, i ricavi già generati.
È lo stesso schema che avevamo visto con i termini di servizio di Microsoft Copilot: il sistema è stato costruito prima che le regole esistessero, e ora tocca a chi ha subito lo scraping dimostrare in tribunale che aveva torto.
Il punto che nessuno affronta
C’è una questione che va oltre il copyright e che le cause legali faticano a catturare: i dati estratti dal web non sono solo testo neutro. Sono conversazioni private rese pubbliche per necessità o ingenuità, storie personali condivise in contesti comunitari, riflessioni scritte prima che esistesse qualsiasi consapevolezza di cosa sarebbe diventato internet.
Nei dataset ci sono racconti di violenza domestica da forum di supporto, domande mediche intime postate prima di sapere cosa fare, coming out scritti in spazi che sembravano al sicuro, dati finanziari esposti in violazioni successivamente indicizzate dai motori di ricerca. L’AI training pipeline non distingue. Raccoglie tutto quello che è stato pubblicamente accessibile in un dato momento, indipendentemente dal contesto in cui era stato scritto.
Questo problema non ha una soluzione semplice né retroattiva. I dati sono già nei modelli. Non esiste un meccanismo tecnico per rimuovere un testo specifico da un modello già addestrato non nel modo in cui esiste il diritto all’oblio per Google, dove almeno formalmente è possibile chiedere la deindicizzazione. Con i modelli AI non c’è nemmeno quella porta.
Il che porta all’unica lezione strutturale che emerge da questa storia: il consenso ex post il meccanismo per cui le aziende permettono di opt-out dopo che i dati sono già stati usati non è consenso. È una gestione del rischio legale. OpenAI ha introdotto il modo per bloccare GPTBot tramite robots.txt dopo che i dati erano già stati raccolti. Molti publisher l’hanno definito pubblicamente troppo poco e troppo tardi.
La lezione
L’economia dell’AI generativa è stata costruita su un’assunzione implicita: che tutto quello che esiste online in forma accessibile sia disponibile per qualsiasi uso. Non era una regola scritta. Era semplicemente quello che le aziende hanno fatto, su scala industriale, per anni, prima che qualcuno iniziasse a fare domande.
Adesso le domande ci sono. Le cause ci sono. La consapevolezza sta crescendo. Ma i modelli sono già addestrati, i prodotti già venduti, i ricavi già generati. Chi ha scritto su internet negli ultimi vent’anni ha contribuito a costruire qualcosa senza saperlo, senza essere compensato, e spesso senza che quello che aveva scritto fosse mai stato pensato per quell’uso.
Questo è il Reality Glitch più grande di tutti quelli che abbiamo raccontato: non un singolo caso, non una singola azienda, ma un’intera industria da trilioni di dollari costruita sulla produzione intellettuale di miliardi di persone che non avevano idea di stare lavorando per qualcuno.
Vuoi capire come funziona nei casi specifici? Leggi il caso Apple e i 70 milioni di clip YouTube scaricate senza permesso e quello degli occhiali Meta Ray-Ban che filmano momenti privati per addestrare l’AI.
