Il pubblico internet sta diventando una negoziazione sui dati di addestramento

Crawler, prenotazioni, licenze e provenienza stanno cambiando la vecchia convinzione che una pagina pubblica sia lì semplicemente per essere presa. La...

Il pubblico internet sta diventando una negoziazione sui dati di addestramento

La pagina è pubblica. L'uso non è definito.

Per molto tempo, il web pubblico si è basato su un accordo sociale rozzo ma funzionante. Un editore rendeva disponibile una pagina. I motori di ricerca la trovavano, ne indicizzavano abbastanza da riportare i lettori alla fonte, e una persona arrivava alla pagina originale. C'erano discussioni su indicizzazione, snippet e pubblicità, ma il percorso era riconoscibile. Una pagina era sia l'unità di pubblicazione sia il luogo in cui il lettore incontrava l'editore.

Addestrare un modello di uso generale cambia la forma di quell'accordo. Un crawler può ancora partire da un indirizzo pubblico, ma la destinazione non è più necessariamente un risultato di ricerca. Il materiale può essere copiato, analizzato, filtrato, archiviato, combinato con altro materiale e utilizzato in un processo di addestramento il cui output non è un collegamento alla pagina. Può in seguito aiutare a rispondere a una domanda senza che il lettore visiti l'opera originale. Il fatto che una pagina sia visibile è rilevante. Non è la risposta completa.

Questo è il motivo per cui internet pubblico sta diventando una negoziazione sui dati di addestramento. Non una singola negoziazione tenuta in una stanza, e non un dramma in cui una parte scopre che l'altra esiste. È una negoziazione distribuita condotta attraverso leggi, licenze, segnali tecnici, contratti, standard, registri e, dove necessario, persone che parlano tra loro. Un titolare di diritti può riservare un uso di estrazione. Un fornitore di modelli può identificare una riserva e decidere di non raccogliere. Le parti possono concordare una licenza. Un'organizzazione può documentare il percorso abbastanza bene da rendere rispondibile una domanda successiva. Oppure possono lasciare il percorso vago e scoprire che la vaghezza è costosa una volta che il materiale ha viaggiato.

Niente di tutto ciò rende ogni pagina pubblica non disponibile per ogni uso computazionale. Il quadro europeo sul diritto d'autore contiene eccezioni per il text and data mining, e le condizioni contano. Né rende un file robots uno strumento universale di diritto d'autore, né una licenza una semplice casella da spuntare. Il cambiamento utile è più modesto: i dati di addestramento devono essere trattati come una relazione con termini, storia e confini. Questa è una descrizione migliore di ciò che già erano. La novità è che la relazione sta diventando più difficile da ignorare.

Il lavoro della Commissione europea sull'AI Act dà al cambiamento una forma amministrativa. I fornitori di modelli di IA di uso generale hanno obblighi relativi alla politica sul diritto d'autore e al riepilogo dei contenuti di addestramento. Il codice di condotta GPAI presenta un percorso volontario per i fornitori che scelgono di seguirlo, inclusi impegni riguardanti le riserve di diritti e robots.txt. La Commissione ha inoltre consultato protocolli per esprimere le riserve. Questi non sostituiscono la legge sul diritto d'autore, né dichiarano che ogni segnale tecnico abbia lo stesso effetto giuridico. Sono la prova che il viaggio dall'istruzione di un titolare di diritti al sistema di raccolta di un fornitore di modelli è ora un problema politico a pieno titolo.

La storia non ha bisogno di un editore inventato, di un crawler drammatico o di un'udienza fittizia. È visibile nei punti ordinari in cui una fonte cambia di mano. Qualcuno decide se un URL appartiene a una raccolta. Qualcuno decide cosa significa una riserva. Qualcuno decide se una licenza è sufficientemente specifica per l'addestramento, il recupero, la valutazione o la ridistribuzione. Qualcuno decide quale versione di una politica si applica quando una fonte cambia. Le decisioni possono essere silenziose. Restano decisioni.

Un crawler non è più solo un visitatore

Browser, crawler di ricerca, strumenti di archiviazione, servizi di accessibilità, ricercatori accademici, sistemi di monitoraggio e pipeline di addestramento di modelli possono tutti richiedere la stessa pagina. Dal server dell'editore, possono inizialmente sembrare simili: arriva una richiesta, viene inviata una risposta, viene scritta una riga di log. Ma i loro scopi, i modelli di copia e le conseguenze a valle sono diversi. Trattare ogni richiesta automatizzata come identica è conveniente per l'infrastruttura e scarso per la governance.

Un lettore normale apre un articolo e può tornare un altro giorno. Un crawler di ricerca crea un indice pensato per riportare il lettore indietro. Una pipeline di addestramento può realizzare una copia che viene conservata, trasformata e aggregata con molte altre opere prima che esista qualsiasi modello. Un sistema di recupero può creare un sostituto commerciale più diretto di una visita. Un set di valutazione può conservare estratti per testare un sistema. Le etichette non sono classifiche morali. Sono descrizioni di usi che richiedono domande diverse.

La prima domanda è di solito l'accesso. Il raccoglitore ha raggiunto il materiale attraverso una via legittima? La seconda è la base giuridica per gli atti che il sistema vuole compiere. La terza è se il titolare dei diritti ha espresso una riserva dove la norma applicabile lo consente. La quarta è se una licenza o un contratto separato fornisce permessi, condizioni o limiti. Una quinta domanda, che spesso arriva troppo tardi, è operativa: l'organizzazione può dimostrare cosa ha visto e perché ha proceduto?

La direttiva (UE) 2019/790 non tratta il text and data mining come un'unica autorizzazione illimitata. L'articolo 3 prevede un'eccezione obbligatoria per gli organismi di ricerca e gli istituti di tutela del patrimonio culturale che effettuano riproduzioni ed estrazioni per ricerca scientifica, a condizione che abbiano accesso legittimo. L'articolo 4 riguarda il text and data mining per altre finalità, sempre in presenza di accesso legittimo, salvo che il titolare dei diritti abbia riservato i diritti pertinenti in modo appropriato. Per i contenuti online resi pubblicamente disponibili, la direttiva stabilisce che la riserva può essere espressa con mezzi leggibili da una macchina, inclusi metadati e termini e condizioni.

Questa distinzione non è una curiosità redazionale di poco conto. Significa che una pagina pubblica non porta un'unica etichetta generica chiamata utilizzabile. L'attore, la finalità, la via di accesso, la riserva del titolare dei diritti e i singoli atti contano tutti. Un sistema di raccolta sensato ha quindi bisogno di più vocabolario di allow e block. Dovrebbe poter registrare candidate, accesso osservato, riserva rilevata, licenza richiesta, licenza concessa, finalità limitata, non risolto, rifiutato e ritirato. Non è burocrazia fine a se stessa. È la grammatica minima necessaria quando una fonte può essere perfettamente visibile e comunque non disponibile per l'uso proposto.

Lo studio 2025 dell'Ufficio dell'Unione europea per la proprietà intellettuale sull'IA generativa e il diritto d'autore descrive questo panorama come uno in cui le riserve sui diritti e le licenze si sviluppano accanto alle soluzioni tecniche. La sua conclusione non è che sia emerso un meccanismo di mercato compiuto. È quasi l'opposto: nessuna soluzione unica si adatta a ogni titolare dei diritti, a ogni fornitore di modelli o a ogni tipo di materiale. È proprio per questo che un sistema onesto deve preservare le distinzioni invece di cancellarle in nome della scala.

La scala è spesso offerta come scusa per l'imprecisione. Un fornitore di modelli può dire di non poter negoziare pagina per pagina. Un piccolo editore può dire di non poter ispezionare ogni richiesta automatizzata. Entrambe le affermazioni possono essere vere. Non eliminano la necessità di un'interfaccia praticabile tra i due. Spiegano perché i segnali leggibili da una macchina, le licenze standard, i registri delle famiglie di fonti e gli accordi collettivi sono interessanti. La risposta a un problema grande non è necessariamente una grande riunione. Può essere un modo affidabile di dichiarare un confine e un modo affidabile di riceverlo.

Una via di accesso alla fonte non è un tunnel verso un modello. È una serie di decisioni che dovrebbero restare visibili dopo la raccolta.

Il diagramma è un percorso concettuale, non un motore di decisione legale. Una scheda dall'aspetto verde non stabilisce che un uso sia lecito. Mostra le prove e il giudizio che un team dovrebbe poter esaminare. Questa modesta distinzione è preziosa. Gran parte della confusione evitabile nasce quando un fatto operativo viene scambiato per una conclusione legale, o quando una conclusione legale non può essere ricondotta ai fatti operativi.

Le riserve richiedono un linguaggio che le macchine possano trasportare

Un opt-out viene spesso descritto come un pulsante: il titolare dei diritti dice no, il crawler si ferma. Il lavoro reale è meno cinematografico. Una riserva deve essere espressa da qualche parte, trovata da un collettore, associata all'opera o al servizio pertinente, interpretata nel contesto giusto e conservata come prova. Può trovarsi nei metadati, nei termini e condizioni, in una policy pubblicata o in un protocollo che un collettore comprende. Può applicarsi a un sito web, a un catalogo, a un feed, a un database o a un gruppo definito di opere. Può cambiare nel tempo.

Il riferimento della Direttiva al significato di "leggibile da macchina" è importante perché una riserva che non può essere trovata al momento della raccolta non può modificare in modo affidabile una decisione di raccolta. Ma "leggibile da macchina" non significa infallibile, autoesplicativo o giuridicamente completo. Un parser può trovare una direttiva con un valore non familiare. Un titolare dei diritti può pubblicare una policy che rimanda a un contatto per le licenze piuttosto che a un rifiuto netto. Una fonte può essere disponibile tramite un abbonamento con i propri termini. Un sistema può non vedere alcun segnale riconoscibile. L'assenza di un segnale è un'osservazione, non un permesso generale.

C'è una lezione abbastanza olandese in tutto questo. Un cartello che dice che il ponte è chiuso non viene migliorato da un corriere che sostiene che la sua mappa non ha interpretato il cartello. Né ogni ponte chiuso è un divieto di entrare nella provincia. La questione è se il cartello sia leggibile per la via pertinente, se la via abbia un'alternativa sensata e se qualcuno abbia registrato cosa è successo. Il punto non è trasformare il web in una rete di canali. È impedire che un confine scompaia perché era scomodo da modellare.

La consultazione della Commissione sui protocolli per la riserva dei diritti derivanti dal text and data mining rende esplicito questo divario di attuazione. Essa fa riferimento all'impegno del codice di condotta GPAI, secondo cui i firmatari devono individuare e rispettare gli opportuni protocolli leggibili da macchina utilizzati dai titolari dei diritti, insieme all'impegno di rispettare robots.txt e le successive versioni IETF dello standard. La consultazione in sé non è un protocollo definitivo. È la prova che le parti necessitano di un linguaggio tecnico più chiaro per una scelta giuridica che deve transitare attraverso sistemi automatizzati.

Robots.txt ha un ruolo utile ma limitato in questo contesto. È una convenzione web di lunga data per il comportamento dei crawler. Può comunicare che un editore non desidera che un determinato agente automatizzato o percorso venga indicizzato. Il trattamento previsto dal codice GPAI le conferisce importanza pratica per i sistemi di raccolta dei firmatari. Ma robots.txt non è un registro universale dei diritti, e un'istruzione per i crawler non risolve ogni questione di diritto d'autore, contrattuale o relativa ai diritti sui database. Confondere i livelli produce due esiti negativi. Da un lato si presume che robots.txt sia l'intera risposta giuridica. Dall'altro lo si tratta come semplice etichetta facoltativa. Nessuna delle due posizioni crea una relazione stabile.

Un sistema di raccolta dovrebbe tenere separati i segnali. Istruzione tecnica di crawling: cosa diceva il file robots al momento? Riserva dei diritti: quale dichiarazione leggibile da macchina o pubblicata ha fornito la fonte? Condizione di accesso: il percorso era aperto, autenticato, in abbonamento o fornito in base a un accordo? Licenza: quali diritti sono stati concessi, per quale scopo e per quale periodo? Politica interna: cosa ha deciso di fare l'organizzazione quando il quadro rimaneva incerto? I campi possono essere collegati, ma non sono intercambiabili.

Questa separazione rende anche la gestione degli errori più umana. Un raccoglitore può segnalare di aver visto un segnale che non è in grado di interpretare, invece di trattare silenziosamente il segnale come irrilevante. Un titolare dei diritti può scoprire che il suo marcatore preferito non è supportato e scegliere un altro canale. Un fornitore può migliorare un parser senza riscrivere la storia. Un revisore successivo può vedere se una fonte è stata ammessa perché esisteva una licenza, perché è stata valutata un'eccezione o perché è stata presa una decisione politica in condizioni di incertezza dichiarata. L'alternativa è un unico campo opaco che dice raccolto.

La concessione di licenze non è l'opposto dell'innovazione

Persiste l'abitudine di descrivere le licenze come attriti e i modelli come progresso. È un contrasto fuorviante. Una licenza può essere una restrizione, ma può anche essere un'interfaccia: un modo per indicare quale materiale è disponibile, per quale uso, a quale prezzo, con quali condizioni di attribuzione, rendicontazione, esclusione o rinnovo. La qualità di questa interfaccia determina se i titolari di diritti più piccoli e i fornitori di modelli più piccoli possano partecipare affatto.

La Federazione degli editori europei ha sostenuto che i titolari dei diritti necessitano di trasparenza sui dati utilizzati per addestrare l'IA e sul luogo in cui sono stati raccolti, riconoscendo al contempo che gli editori possono utilizzare l'IA nel proprio lavoro. Questa è una posizione di settore, non una prova neutrale della corretta risposta giuridica in ogni caso. Ciononostante, essa enuncia un punto pratico che i fornitori di modelli dovrebbero prendere sul serio: un editore può essere sia un utilizzatore dell'IA sia un titolare di diritti il cui materiale necessita di condizioni. La scelta non è tra letteratura e tecnologia, né tra creatori e ingegneria. La scelta è se lo scambio abbia una base leggibile.

Il rapporto 2026 della Publishers Association sul mercato editoriale britannico e sulle licenze per l'IA offre una visione più specifica. Descrive le licenze esistenti per il text and data mining, le successive licenze per l'addestramento dell'IA e la crescita delle licenze per la retrieval-augmented generation, e riporta il lavoro verso una licenza collettiva con opt-in per i titolari dei diritti. Il Regno Unito è al di fuori dell'ordinamento giuridico dell'UE, quindi questo non è una prova di ciò che richiede la direttiva DSM. È invece una prova utile di un vicino mercato europeo dei diritti che cerca di rendere le autorizzazioni per l'addestramento e il recupero più pratiche di una negoziazione privata tra una manciata di organizzazioni molto grandi.

Gli accordi collettivi meritano attenzione perché il web non è fatto solo da aziende con un ufficio legale e un account manager. Un piccolo editore specializzato, una società scientifica, un giornale regionale, l'archivio di un fotografo o un autore indipendente possono disporre di materiale prezioso e di pochissima capacità di negoziare condizioni su misura con ogni potenziale fornitore di modelli. Un opt-in standard, una licenza collettiva o un intermediario di fiducia non possono risolvere ogni questione di valutazione. Possono però rendere possibile il primo colloquio.

Anche i fornitori di modelli hanno un motivo per preferire la chiarezza. Una via negoziata può fornire materiale con una provenienza identificata, un ambito definito e un referente responsabile. Può costare denaro. Ma costa anche ripulire un dataset, indagare su una fonte contestata, difendere una posizione priva di documentazione o sostituire una fonte in una fase avanzata dello sviluppo. Una licenza non garantisce che il materiale sia adatto, accurato o rappresentativo. Offre un contributo diverso: trasforma il permesso da un'assunzione in una condizione espressa.

Anche il compenso non è una parola magica. Non esiste una tariffa equa unica per ogni opera e ogni utilizzo. Addestramento, recupero, valutazione, analisi interna, miglioramento del modello e pubblicazione possono creare rapporti commerciali diversi. Una licenza può essere per opera, per raccolta, per volume, per periodo, per distribuzione, per utente, per famiglia di modelli o negoziata su un'altra base. Può includere un obbligo di attribuzione, un obbligo di rendicontazione, un diritto di audit, un meccanismo di ritiro o nessun accesso continuativo. Un sistema utile non finge che queste condizioni siano universalmente semplici. Le rende sufficientemente leggibili da poterle applicare.

Il cambiamento importante è il passaggio da una cultura dell'estrazione a una cultura delle condizioni. Questo non significa che ogni dataset diventi un esercizio di approvvigionamento. Significa che quando un titolare dei diritti sceglie di riservare, concedere in licenza o offrire materiale a determinate condizioni, il fornitore di modelli ha un modo operativo per recepire quella scelta. Quando un fornitore vuole usare materiale di alta qualità, aggiornato e specializzato, ha una via per chiedere, non solo una via per copiare. C'è spazio considerevole tra la scansione indiscriminata e un mondo in cui solo le aziende più grandi possono negoziare.

La provenienza è la ricevuta, non il permesso

La provenienza viene talvolta presentata come una cura per l'incertezza sul diritto d'autore. Non lo è. Una registrazione della fonte può mostrare da dove proviene il materiale e cosa qualcuno credeva in un dato momento. Non può rendere disponibile un'opera che non lo è. Un hash può stabilire che due file sono identici senza spiegare se uno dei due sia stato copiato legalmente. Un registro ben tenuto può documentare una cattiva decisione con precisione impressionante.

È proprio questo limite a rendere utile la provenienza. Separa l'evidenza dal pensiero desiderativo. Se un fornitore di modelli conserva l'URL della fonte, l'identità della fonte, il momento della raccolta, le condizioni osservate, l'evidenza della riserva, la via di accesso, il responsabile della decisione, la valutazione della licenza o dell'eccezione applicabile, la versione del dataset e lo scopo a valle, un revisore può porre una domanda significativa. Se il fornitore conserva solo un frammento di testo estratto e una data, al revisore non resta che l'archeologia.

Una buona provenienza richiede tempo. Una pagina può cambiare. Un editore può rivedere i termini. Una fonte può essere rimossa, spostata dietro un abbonamento, venduta, corretta o sostituita. Una licenza può scadere. Un protocollo di opt-out può essere aggiornato. Un fornitore di modelli può scoprire un difetto in una decisione di raccolta passata. Il registro non deve sovrascrivere lo stato precedente con quello attuale. Deve preservare l'osservazione precedente, identificare il cambiamento successivo e registrare cosa ha fatto l'organizzazione dopo.

Questo è particolarmente importante quando si parla di rimozione o ritiro. Rimuovere una pagina da una coda di crawler live non equivale a rimuoverla da ogni archivio intermedio, dataset derivato, run di fine-tuning, set di valutazione, indice di recupero e modello rilasciato. La risposta onesta non è promettere una cancellazione istantanea da ogni artefatto tecnico. È definire i percorsi, i limiti e i punti di revisione prima di prometterli. Un titolare di diritti merita un punto di contatto che possa spiegare il processo. Un fornitore di modelli ha bisogno di un modo per identificare quali artefatti sono coinvolti. Entrambi hanno bisogno di un registro che distingua una richiesta ricevuta da una richiesta risolta.

L'articolo 53 dell'AI Act dà alla provenienza un vicino di politica pubblica. Richiede ai fornitori di modelli di IA per finalità generali di adottare una politica per conformarsi al diritto d'autore dell'Unione e di rendere pubblicamente disponibile un riepilogo sufficientemente dettagliato del contenuto utilizzato per l'addestramento. Il riepilogo pubblico non deve esporre ogni elemento di un dataset, e l'atto include confini di riservatezza e segreti commerciali. Ma la direzione è chiara: un fornitore di modelli dovrebbe essere in grado di descrivere il contenuto di addestramento in un modo più informativo di "fidatevi di noi", mantenendo al contempo una documentazione più completa per le autorità competenti e i fornitori a valle.

Questa divisione dei destinatari è sensata. Un lettore pubblico deve comprendere le categorie di fonti, le scelte di raccolta e curation, le limitazioni pertinenti e i percorsi di contatto. Un titolare di diritti con una domanda concreta può aver bisogno di un processo che gestisca una richiesta più specifica. Un regolatore può aver bisogno di documentazione che non può ragionevolmente essere pubblicata su una pagina pubblica. L'errore è trattare questi livelli come scuse per non dire nulla, o trattare un riepilogo pubblico come prova che ogni decisione a livello di fonte sia stata risolta. La trasparenza è un'architettura informativa, non un comunicato stampa.

La provenienza non produce autorizzazione. Mantiene le prove, l'ambito e il cambiamento successivo collegati all'opera che ne ha bisogno.

Qui c'è una disciplina utile per gli ingegneri. Fate sì che il registro porti con sé l'incertezza. Se lo stato di una fonte non è risolto, registrate non risolto. Se una licenza copre il recupero ma non l'addestramento, non chiamatela genericamente licenziata. Se una policy è cambiata dopo la raccolta, non lasciate intendere che la decisione precedente sia stata presa sotto la policy successiva. Un dataset non diventa più affidabile per la sicurezza delle sue etichette. Diventa più governabile quando le sue etichette preservano ciò che è noto, ignoto e condizionale.

La negoziazione deve includere l'uscita

Gran parte del dibattito si concentra sull'ammissione: il crawler può raccogliere questa fonte oggi? Ma un rapporto con i dati di addestramento richiede anche un'uscita. Una licenza raggiunge la sua data di scadenza. Un titolare dei diritti modifica una riserva. Un editore trova un errore in un registro di attribuzione. Un fornitore cambia il suo piano di sviluppo del modello. Una fonte diventa inadatta perché la sua provenienza non può essere ricostruita. Arriva un reclamo. Questi sono eventi ordinari del ciclo di vita, non prove che qualcuno si sia comportato male.

La domanda importante è se il sistema sappia cosa fare quando si verificano. Una policy sulle fonti dovrebbe identificare chi riceve una notifica, chi decide la sua portata, chi può sospendere un nuovo utilizzo, chi può tracciare i dataset interessati, chi comunica con il titolare dei diritti e cosa l'organizzazione può e non può realisticamente modificare in un artefatto rilasciato. Il flusso di lavoro deve essere abbastanza specifico da poter essere testato. Dire che le preoccupazioni vengono prese sul serio è una frase educata. Non è un processo.

Le discussioni europee sulla governance dei modelli hanno l'abitudine di tornare alla documentazione, perché la documentazione è il luogo in cui un sistema dichiara la propria memoria. Lo stesso vale qui. Un percorso di gestione dei reclami ha bisogno di un identificatore. Una revisione ha bisogno di una decisione registrata. Una richiesta di rimozione ha bisogno di un confine chiaro. Una modifica alla fonte ha bisogno di una cronologia delle versioni. Un rilascio del modello deve essere collegato ai relativi registri di addestramento e curation. Senza questo, anche un'organizzazione sincera finisce per affidarsi alla memoria, e la memoria non scala particolarmente bene dopo qualche cambio di personale e tre migrazioni di storage.

C'è anche una ragione commerciale per costruire l'uscita in anticipo. Un fornitore che può isolare una famiglia di fonti e comprenderne gli utilizzi a valle ha più opzioni quando i termini cambiano. Può fermare la raccolta futura, rimuovere la famiglia da un dataset pianificato, sostituire materiale con licenza, sospendere un rilascio o spiegare perché un rimedio richiesto raggiunge un artefatto ma non un altro. Un fornitore senza questi collegamenti è costretto a dichiarazioni generiche perché non può dare una risposta precisa. Le dichiarazioni generiche raramente soddisfano entrambe le parti.

Anche i titolari dei diritti hanno responsabilità in questo rapporto, sebbene non siano identiche a quelle dei fornitori. Una riserva pubblicata in una forma chiara, stabile e leggibile dalle macchine è più facile da rispettare di un confine sepolto in un paragrafo che nessun sistema di raccolta può identificare. Un contatto per le licenze che sappia spiegare la via disponibile riduce il costo di un accordo legale. Un avviso di modifica che preserva la cronologia impedisce che un collettore ragionevole venga giudicato sulla base di informazioni che non erano disponibili al momento. L'onere non dovrebbe essere trasferito interamente agli editori, in particolare a quelli più piccoli. È semplicemente vero che un'interfaccia funziona meglio quando entrambe le estremità possono parlare.

Il lavoro attuale della Commissione sui protocolli di riserva non è quindi un oscuro dibattito sugli standard. Riguarda se il web possa esprimere una scelta alla scala con cui i modelli raccolgono materiale. Dei buoni standard non risolveranno la valutazione, non renderanno facile ogni questione legale né elimineranno la malafede. Possono ridurre una classe di ambiguità evitabile. È un'ambizione modesta, e sul web le ambizioni modeste sono di solito quelle che sopravvivono al contatto con la realtà.

Cosa dovrebbe poter dire un collettore responsabile

Un collezionista responsabile non ha bisogno che l'indicazione legale compaia in ogni riga di log. Deve però rendere vere alcune affermazioni pratiche. Deve poter dire a quale scopo è servita una raccolta. Deve poter identificare la fonte e la versione che ha preso in considerazione. Deve poter mostrare il percorso di accesso e i segnali che ha osservato. Deve poter identificare la regola, la licenza o la questione irrisolta che ha governato la decisione. Deve poter collegare una fonte ammessa al dataset o al sistema che l'ha ricevuta. Deve poter spiegare come gestisce i cambiamenti e le preoccupazioni.

Queste affermazioni suggeriscono un progetto, non un elenco di controllo. Si comincia con un contratto di fonte. Il contratto indica la famiglia di fonti, l'uso previsto, i metodi di accesso accettati, i limiti tecnici, i segnali di diritti noti, le prove richieste e un responsabile. Non è un contratto in senso giuridico, a meno che le parti non lo abbiano reso tale. È un contratto operativo interno all'organizzazione: una registrazione di ciò che il sistema di raccolta può fare e perché.

Poi si tengono i punti di decisione vicini alle azioni che contano. Non si recupera prima e si cercano le restrizioni dopo che il materiale è stato copiato attraverso più code. Non si consente a un dataset di passare dalla valutazione per la ricerca all'addestramento di modelli commerciali solo perché i byte si adattano a entrambi i compiti. Non si trasforma un campo di licenza in un valore vero generico perché l'ambito effettivo è scomodo. E non si tratta una richiesta di interruzione come un ticket di supporto senza alcuna relazione con la registrazione della fonte.

Quando un collezionista non riesce a comprendere un segnale, deve dirlo. Quando è necessaria una revisione umana, il sistema deve rendere visibile la pausa. Quando è disponibile una licenza, i percorsi commerciali e tecnici devono incontrarsi: l'accordo deve essere rappresentato in una forma che modifichi ciò che il collezionista può fare. Un PDF in una cartella legale non impedisce a una pipeline di fare la cosa sbagliata alle tre del mattino. La pipeline ha bisogno di uno stato applicabile.

In Dweve, la piccola parte di questo argomento che è direttamente nostra è visibile nel materiale sui contenuti di addestramento nel nostro Trust Centre. La registrazione pubblicata afferma che il suo catalogo di famiglie di fonti non è una rivendicazione di permesso generale e che le decisioni su elemento, versione, licenza, attribuzione, scopo, ritiro ed evidenza sono controllate in un registro Spindle. Questa è una descrizione del nostro processo dichiarato, non un'affermazione che una registrazione risolva da sola le questioni di copyright. Il ruolo di Winnow in questo quadro è l'intelligenza sulle fonti e i processi di fonte ripetibili e ispezionabili. Il punto più ampio non riguarda i nostri prodotti. È che la raccolta diventa più responsabile quando il percorso della fonte è trattato come evidenza piuttosto che come rumore di fondo.

Questo è il tipo di lavoro di prodotto che raramente appare in una demo di modello. Nessuno applaude un campo chiamato observed-terms-version. Ma quei campi decidono se un team può rispondere a una domanda ragionevole senza condurre uno scavo interno. Il futuro della governance dei modelli includerà molta matematica impressionante. Includerà anche registrazioni molto più accurate di quanto il settore una volta ritenesse alla moda.

Il lavoro è governance, non un'impostazione del crawler

È allettante trasformare questo in una disputa tecnica. Metti l'istruzione giusta in un file, aggiorna lo user agent, attiva un parser, disattiva un parser. Queste cose contano, ma sono solo il bordo visibile di un problema di governance. Un crawler fa ciò che l'organizzazione ha deciso che possa fare. Se l'organizzazione non ha un confine di scopo chiaro, nessun registro delle licenze, nessun responsabile delle fonti, nessun percorso di revisione e nessuna discendenza dei dataset, l'obbedienza tecnica sarà incoerente anche quando ogni singolo ingegnere cerca di essere attento.

Inizia dallo scopo, perché lo scopo cambia la domanda. Un fornitore di modelli che raccoglie materiale per un esperimento di ricerca circoscritto e dichiarato non si trova necessariamente nella stessa posizione di chi raccoglie materiale per un modello commerciale di uso generale. Un fornitore che cerca una licenza per il recupero di contenuti può avere bisogno di un accordo diverso da chi cerca di addestrare un modello. Un archivio di interesse pubblico può avere un mandato e un percorso legale diversi da quelli di un team di prodotto che costruisce un motore di risposte. Queste distinzioni non dovrebbero essere usate per oscurare gli obblighi. Sono il motivo per cui un unico campo di stato universale non può dire la verità.

Poi rendi visibile la titolarità. Qualcuno dovrebbe essere responsabile della policy sulle fonti. Qualcuno dovrebbe essere responsabile del collettore tecnico. Qualcuno dovrebbe essere responsabile dei termini di licenza e della decisione di ammettere una famiglia di fonti. Qualcuno dovrebbe essere responsabile della risposta alle richieste dei titolari dei diritti. La stessa persona non deve ricoprire tutti i ruoli, e un piccolo team può combinarli. Ciò che conta è che la responsabilità sia rintracciabile prima che una domanda diventi una controversia. Una casella di posta generica non è esattamente un responsabile. È un luogo dove la titolarità può, o non può, alla fine essere trovata.

Anche la governance dei dati deve incontrare la governance dei modelli. Una decisione sulle fonti che rimane in uno strumento di raccolta web mentre l'addestramento avviene altrove è debole per progettazione. Il team di addestramento deve sapere quali gruppi di fonti sono in scope. Il costruttore del dataset deve preservare esclusioni e condizioni. Il processo di rilascio deve sapere se un cambiamento sostanziale nella policy sulle fonti richiede una revisione. Il processo di sintesi pubblica deve avere una spiegazione difendibile delle categorie di contenuti di addestramento. Nessun individuo deve portare l'intera storia nella propria testa. Il sistema deve avere un percorso attraverso il quale la storia possa essere recuperata.

È qui che aiuta una distinzione attenta tra policy e applicazione. Una policy sul copyright dice cosa l'organizzazione intende fare e quali standard seguirà. L'applicazione è l'insieme di controlli tecnici e procedurali che rendono più difficile un'azione contraria: porte di ammissione, registri delle fonti, configurazione del crawler, controlli di accesso, verifiche contrattuali, manifesti dei dataset, versionamento, revisione e escalation. Una policy senza applicazione è aspirazione. Un'applicazione senza policy può diventare un modo efficiente di eseguire regole a cui nessuno ha pensato a fondo. L'attenzione dell'AI Act su una policy sul copyright è preziosa proprio perché richiede a un fornitore di collegare l'intenzione legale alla sua pratica operativa.

Non c'è motivo per cui questo debba diventare una cerimonia interna segreta. Una policy pubblica può dichiarare l'ambito, l'approccio alle riserve sui diritti, i tipi di percorso di raccolta utilizzati, il canale di contatto e i limiti di qualsiasi resoconto pubblico. Non dovrebbe promettere certezza dove la legge o le prove rimangono irrisolte. Dovrebbe dire cosa fa quando un segnale è ambiguo, cosa fa quando un titolare dei diritti la contatta e cosa può rivedere dopo che una fonte è già passata attraverso un sistema. Una policy sobria è più credibile di una grandiosa. La maggior parte del lavoro avviene dopo la pubblicazione della policy, nella questione poco affascinante se il registro e la pipeline coincidano.

Anche gli acquisti meritano la stessa attenzione. Quando un'organizzazione compra un modello, un servizio dati o un prodotto di recupero, dovrebbe chiedere più che se il fornitore abbia una dichiarazione sul copyright sul proprio sito web. Quali categorie di fonti sono state utilizzate? Come vengono gestite le riserve sui diritti? Quale documentazione è disponibile per i fornitori a valle? Il fornitore può spiegare la sua sintesi pubblica dei contenuti di addestramento? Cosa succede quando una fonte di contenuti viene contestata, corretta o ritirata? Quale parte è tenuta a indagare? Queste non sono domande che un cliente fa per diventare un avvocato specializzato in copyright. Sono domande ordinarie su dipendenza ed evidenza.

The answers may be incomplete, especially in a fast-moving field. Incomplete answers should be labelled as such, with an owner and a route to improve them. The dangerous answer is often the smooth one: all content is public, all training is fair, all records are confidential, all concerns are handled. Each phrase hides the very distinctions that a responsible negotiation needs. A more useful answer names the scope, the rule, the evidence, the limitation and the next review point.

Public authorities have a particular reason to ask these questions. They can influence the market through procurement long before a court or regulator resolves every difficult issue. A tender can require a provider to describe its approach to training data, reservations, licences, provenance and complaints. It can require a record of material changes. It can distinguish a statement of policy from evidence of implementation. It can set proportionate conditions without insisting that the buyer possesses a complete theory of every copyright question in Europe. Procurement is not a substitute for law. It is one of the places where law becomes an operational expectation.

That is the wider lesson. The negotiation is not merely between a publisher and a crawler. It also involves the people who configure collection, create standards, procure models, manage licences, build datasets, publish model documentation, operate complaint routes and decide whether a model can be placed on the market. A training-data relationship becomes less extractive when those people can see the same evidence and work with the same boundaries. The alternative is not simplicity. It is a chain of separate assumptions that eventually meets a rightsholder at the worst possible moment.

Public does not mean ownerless

The public web should remain public. That means it should remain possible to read, link, quote within the law, research, index, criticise, preserve and build new services. A web made of permission pop-ups for every ordinary act would not be open in any useful sense. But openness is not the same thing as ownerlessness, and visibility is not an all-purpose transfer of rights.

The negotiations now forming around training data are an opportunity to make that distinction practical. A rightsholder should be able to reserve a use in a form a responsible collector can receive. A model provider should be able to obtain high-quality material through terms that can be implemented and audited. Small organisations should not be excluded because only the largest parties can afford bespoke agreements. Public authorities should be able to see enough about model-training content and copyright policy to ask intelligent questions. And when a dispute or change occurs, both sides should have a route that begins with evidence rather than theatre.

There will still be hard cases. The law will still need interpretation. Some rights conflicts will not be fixed by a standard, and some commercial negotiations will remain unequal. A provenance ledger will not make a poor bargain fair. A technical marker will not make a right meaningful if a collector deliberately ignores it. The aim is not a frictionless web. Frictionless often means that somebody else's cost has been hidden.

The better aim is an inspectable web. One in which an automated request can carry a declared purpose, a published boundary can survive contact with a collection system, a licence can become an operational rule, and a model provider can account for the route that brought material into its work. That is a less romantic vision than a machine reading everything ever written. It is also more likely to leave publishers, creators, researchers and model builders with a web worth negotiating over.

Sources