Il web è pubblico, i dati personali no. Web scraping e addestramento dell’IA tra EDPB e Garante

DIRITTO & AI · DATI, RISERVATEZZA E SICUREZZA

Web scraping, dati personali e addestramento dei modelli generativi alla luce delle Linee guida EDPB 03/2026 e del provvedimento Character.AI del Garante.

Aggiornamento verificato al 3 settembre 2026.

I dati disponibili online non diventano, per questo solo fatto, liberamente riutilizzabili per addestrare un modello di intelligenza artificiale. Le Linee guida EDPB 03/2026 sul web scraping e il provvedimento italiano su Character.AI rendono più nitido un punto essenziale. Prima di raccogliere dati personali dal web servono uno scopo determinato, una base giuridica, misure di minimizzazione, trasparenza e prove documentali delle scelte compiute.

1. Finalità e base giuridicaEsaminare scopo, dati e presupposti del trattamento.
2. MinimizzazioneValutare dati necessari e criteri di selezione.
3. Trasparenza e dirittiConsiderare informazione e tutela delle persone.
4. Documentazione e provaConservare gli elementi necessari a rendere verificabili le scelte.

Accessibile online non significa liberamente utilizzabile. Le fonti e il loro stato sono indicati nell’articolo.

Che cos’è il web scraping

Il web scraping è l’estrazione automatizzata di informazioni da siti e servizi online. Un crawler è il software che visita pagine e segue collegamenti per reperire contenuti. Queste tecniche possono raccogliere testi, immagini, metadati e altri elementi, anche su vasta scala.

Lo scraping è una modalità tecnica, non una base giuridica. Può riguardare dati non personali, dati personali comuni o categorie particolari di dati. La qualificazione cambia in base alle informazioni effettivamente trattate, alle finalità e alla possibilità di identificare le persone.

Quando i dati sono utilizzati per l’addestramento o il fine-tuning, contribuiscono a modificare i parametri del modello. È un’operazione diversa dalla comune ricerca sul web e anche dalla RAG, che recupera fonti esterne durante l’uso del sistema senza necessariamente inserirle nell’addestramento del modello.

Che cosa chiariscono le Linee guida EDPB 03/2026

Il 7 luglio 2026 l’EDPB ha adottato le Linee guida 03/2026 sul trattamento di dati personali mediante web scraping per lo sviluppo di sistemi di IA generativa. Il documento riguarda sia chi raccoglie direttamente dati da fonti internet esterne, sia chi acquisisce dataset già raccolti da altri per addestrare o perfezionare modelli.

Le Linee guida non sostituiscono il GDPR. Offrono un orientamento interpretativo, ancora sottoposto a consultazione, su titolarità, finalità, basi giuridiche, trasparenza, minimizzazione, accuratezza, dati particolari e diritti degli interessati.

Pubblico non significa consenso

La possibilità tecnica di accedere a una pagina non dimostra che l’interessato si aspetti il riutilizzo dei propri dati per l’addestramento di un modello. L’assenza di barriere, di un file robots.txt o di un segnale ai.txt non vale come consenso ai sensi del GDPR.

Le restrizioni di accesso, i termini del servizio, i segnali tecnici e la natura del sito possono però incidere sulla valutazione delle ragionevoli aspettative e sulla selezione preventiva delle fonti. Un forum sanitario, un archivio giudiziario o una pagina destinata a minori presentano rischi diversi da un catalogo istituzionale.

Il legittimo interesse non si presume

Quando il titolare richiama l’articolo 6, paragrafo 1, lettera f), GDPR, deve dimostrare tre elementi cumulativi. L’interesse perseguito deve essere legittimo, il trattamento deve essere necessario e il bilanciamento non deve sacrificare in modo sproporzionato i diritti e le libertà degli interessati.

La necessità impone di verificare se lo stesso obiettivo possa essere raggiunto con dati meno invasivi, dataset più selettivi, dati sintetici o altre soluzioni efficaci. Il bilanciamento deve considerare quantità e natura dei dati, contesto originario, vulnerabilità delle persone, possibilità di inferenze, conservazione e rischio che il modello memorizzi o restituisca informazioni personali.

Trasparenza e articolo 14

Se i dati non sono ottenuti direttamente dalla persona, l’articolo 14 GDPR richiede informazioni sul titolare, sulle finalità, sulle categorie di dati, sulla base giuridica, sui destinatari, sulla conservazione, sui diritti e sulla provenienza dei dati.

L’eccezione per impossibilità o sforzo sproporzionato non è automatica nei trattamenti su vasta scala. Occorre motivarla, documentare il bilanciamento e adottare misure appropriate. Tra queste rientra la pubblicazione effettivamente accessibile delle informazioni, insieme a strumenti che consentano alle persone di esercitare i propri diritti.

Minimizzazione prima della raccolta

La minimizzazione non può essere rinviata alla fine. La raccolta deve essere progettata per escludere fonti o categorie non necessarie, limitare i dati particolari, filtrare contenuti irrilevanti e ridurre la conservazione. Servono una mappa delle fonti, criteri di inclusione ed esclusione, controlli sui fornitori di dataset e verifiche sull’efficacia dei filtri.

I dati che rivelano salute, opinioni politiche, religione, orientamento sessuale o altre categorie protette dall’articolo 9 richiedono, oltre a una base dell’articolo 6, una specifica condizione prevista dall’articolo 9, paragrafo 2. Il semplice fatto che tali informazioni siano state pubblicate online non risolve da solo il problema.

Il caso Character.AI davanti al Garante

Nel provvedimento del 3 luglio 2026 il Garante ha esaminato anche il pre-addestramento dei modelli proprietari di Character.AI mediante dati provenienti soprattutto da fonti pubblicamente accessibili. L’Autorità ha ricordato che spetta al titolare dimostrare se nei dataset siano presenti dati personali e rendere conto delle valutazioni compiute.

Il Garante ha contestato, fra gli altri profili, l’inadeguatezza dell’informativa rispetto all’uso dei dati per il pre-addestramento. Ha inoltre chiarito che il ricorso all’eccezione dell’articolo 14, paragrafo 5, lettera b), richiede una valutazione specifica e misure informative pubbliche adeguate.

La decisione contiene una precisazione importante. Non è stata affermata retroattivamente una violazione per la mancata predisposizione di uno specifico meccanismo di opposizione costruito sulla successiva Opinion 28/2024 dell’EDPB. La sanzione complessiva di 158.000 euro riguarda più violazioni collegate al servizio e non può essere presentata come una sanzione inflitta soltanto per lo scraping o per l’addestramento.

Che cosa deve chiedere l’avvocato

L’avvocato che utilizza un servizio di IA di terzi non diventa automaticamente il soggetto che ha raccolto i dati usati per addestrare il modello. La provenienza dei dati resta però rilevante nella scelta del fornitore, nella due diligence, nell’assistenza a clienti che sviluppano sistemi e nei progetti che prevedono fine-tuning, dataset proprietari o raccolte automatizzate.

1. Quali dati sono stati raccolti e da quali categorie di fonti?
2. Chi decide finalità e mezzi e quali ruoli privacy sono stati attribuiti?
3. Qual è la base giuridica e dove è documentato l’eventuale bilanciamento?
4. Quali fonti vengono escluse e come sono trattati i segnali tecnici di opposizione?
5. Come vengono individuati ed esclusi dati particolari, dati di minori e contenuti non necessari?
6. Come viene resa l’informativa e come possono essere esercitati accesso, opposizione e cancellazione?
7. Quali controlli riducono memorizzazione e rigurgito, cioè la restituzione di frammenti riconducibili ai dati di addestramento?
8. Quali tempi di conservazione, registri, audit e procedure di cancellazione sono dimostrabili?

Prova, responsabilità e contenzioso

Nel contenzioso la questione non è soltanto astratta. Occorre ricostruire una catena tecnica e documentale. Quali fonti sono state visitate, in quale data, quali dati sono stati estratti, quali filtri erano attivi, chi ha ricevuto il dataset, per quanto tempo è stato conservato e se il modello può restituire informazioni riconducibili a una persona.

Le allegazioni dovranno distinguere la raccolta dal successivo addestramento, dal rilascio del modello e dall’uso concreto del sistema. Anche l’attribuzione delle responsabilità richiede di qualificare separatamente sviluppatore, fornitore del dataset, provider del modello, integratore e utilizzatore professionale.

Una consulenza tecnica può diventare necessaria per verificare provenienza e composizione dei dati, efficacia dei filtri, memorizzazione, possibilità di estrazione e funzionamento delle procedure di cancellazione. La “scatola nera” non elimina l’onere di documentare il trattamento. Rende ancora più importante preservare registri, versioni dei dataset, configurazioni, contratti, valutazioni d’impatto e risultati dei test.

Per sostenere una domanda risarcitoria non basta mostrare una violazione in astratto. Devono essere provati il pregiudizio concretamente subito e il nesso causale, secondo le regole applicabili. Allo stesso modo, chi deve difendersi non può affidarsi alla sola dichiarazione che i dati provenivano da fonti pubbliche.

La checklist documentale

• inventario dei dataset e delle fonti con date e versioni;
• finalità determinate e valutazione della base giuridica;
• test di necessità e bilanciamento dell’eventuale legittimo interesse;
• regole di esclusione delle fonti e trattamento di robots.txt, ai.txt, autenticazione e divieti di accesso;
• filtri per dati particolari, minori e contenuti non pertinenti;
• informativa dell’articolo 14 e prova della sua effettiva pubblicazione;
• registro delle richieste di esercizio dei diritti e degli esiti;
• valutazione d’impatto, quando richiesta, e misure di mitigazione;
• contratti con fornitori di scraping, dataset e modelli;
• tempi di conservazione, cancellazioni e test contro memorizzazione e rigurgito.

Il collegamento con il percorso HUMAIURIS

Per valutare giuridicamente lo scraping occorre capire che cosa accade ai dati prima e dopo la raccolta. Il percorso AI Literacy fornisce le basi su dati, modelli, addestramento, fonti e controllo umano. L’approfondimento su modello, sistema e GPAI aiuta invece a distinguere oggetti tecnici ai quali l’ordinamento collega obblighi differenti.

Per l’adozione professionale restano utili anche la checklist preliminare AI Act e GDPR per lo studio legale e l’analisi sulla trasparenza dell’intelligenza artificiale. Il metodo è unitario. Comprendere la tecnica, qualificare i ruoli, individuare le norme applicabili e conservare le prove delle decisioni.

Glossario essenziale

• Web scraping — estrazione automatizzata di informazioni da siti o servizi online.
• Crawler — software che visita pagine e segue collegamenti per reperire contenuti.
• Fine-tuning — ulteriore addestramento di un modello su dati selezionati per adattarne il comportamento.
• Memorizzazione — conservazione nei parametri del modello di elementi riconducibili ai dati di addestramento.
• Rigurgito — restituzione in output di sequenze o informazioni apprese in forma troppo vicina ai dati originari.

Fonti ufficiali

• EDPB, Guidelines 03/2026 on the processing of personal data through web scraping, versione 1.0, 7 luglio 2026.
• EDPB, comunicato su anonimizzazione e web scraping per l’IA generativa.
• Garante per la protezione dei dati personali, provvedimento del 3 luglio 2026, n. 487, doc. web 10269571.
• Regolamento (UE) 2016/679, in particolare articoli 5, 6, 9, 12, 14, 21, 25, 32 e 35.
• EDPB, Artificial intelligence, raccolta dei documenti ufficiali, inclusa Opinion 28/2024.

Nota sullo stato delle fonti. Il GDPR è diritto vigente. Le Linee guida EDPB 03/2026 sono state adottate in versione 1.0 per consultazione pubblica e non sono ancora definitive. Il provvedimento del Garante su Character.AI riguarda il caso concreto.

Ultima verifica delle fonti e dello stato dei documenti 3 settembre 2026.