L’intelligenza artificiale generativa è diventata in pochi anni una presenza costante nelle nostre vite. Risponde, scrive, riassume, crea e colloquia con l’essere umano, imitandone anche le emozioni. Ma dietro questa apparente magia c’è una materia prima fondamentale: milioni di testi scritti da umani. E proprio su questa materia prima si sta consumando una delle battaglie più delicate del nostro tempo: quella tra le aziende di IA e il mondo della creatività.
Al centro della controversia c’è Anthropic, la società che sviluppa il modello Claude. Negli ultimi mesi l’azienda è stata accusata di aver utilizzato milioni di libri piratati per addestrare i propri modelli linguistici delle IA. Non si tratta di supposizioni: esistono cause legali, documenti interni e indagini giornalistiche che hanno portato alla luce un sistema di acquisizione dei dati tanto massiccio quanto poco trasparente.
Shadow libraries: la fonte dei dataset
Secondo diverse denunce presentate da autori e case editrici, Anthropic avrebbe attinto a shadow libraries. Si tratta di archivi online che distribuiscono gratuitamente opere protette da copyright.
Le accuse sostengono che Anthropic abbia scaricato intere collezioni piattaforme come: LibGen, Z-Library o Pirate Library Mirror, utilizzandole per addestrare i modelli Claude senza alcuna licenza.
Gli avvocati degli autori parlano di “appropriazione sistematica”: romanzi, saggi, manuali, testi accademici, opere contemporanee ancora in commercio. Tutto finito nei dataset.
Project Panama: la scansione industriale dei libri
Una delle rivelazioni più sorprendenti riguarda un progetto interno chiamato “Project Panama”. Secondo documenti citati da varie inchieste, Anthropic avrebbe acquistato milioni di libri usati, rimosso le copertine per facilitarne la scansione, digitalizzato intere collezioni ed infine distrutto i volumi dopo la scansione.
L’obiettivo era creare un archivio di testi da usare nell’addestramento dei modelli.
Scannerizzare un libro acquistato non è illegale. Ma utilizzarlo per addestrare un prodotto commerciale senza licenza lo è. Ed è proprio su questo confine che si gioca la battaglia legale.
Le cause legali: cosa dicono i tribunali
Una delle cause più rilevanti è Bartz vs. Anthropic, in cui un gruppo di autori ha accusato l’azienda di aver utilizzato le loro opere senza permesso.
Un giudice federale ha stabilito due punti chiave:
1 Addestrare un modello su testi legalmente ottenuti può rientrare nel fair use.
2 Ma utilizzare opere piratate non può essere considerato fair use.
Il processo è stato autorizzato per stabilire i danni economici. Parallelamente, altre cause accusano Anthropic di aver generato un prodotto finale che riproduce parti di opere protette.
Perché le aziende di IA usano libri piratati
La risposta è semplice: i modelli di IA hanno enorme bisogno di dati per aggiornarsi e migliorare. Per funzionare bene, un modello come Claude o GPT ha bisogno di testi lunghi e complessi, con varietà di stili e generi, con contenuti narrativi e argomentazioni di alta qualità.
Per questo i libri sono la fonte ideale. E se sono piratati sono gratuiti, già digitalizzati e disponibili in grandissimo numero. Per un’azienda che vuole competere nella corsa all’IA, è una tentazione enorme.
Un problema che riguarda tutto il settore
Anthropic non è l’unica azienda coinvolta in controversie simili. Anche OpenAI, Meta e altre società sono state accusate di aver utilizzato dataset contenenti opere protette. Il caso Anthropic, però, è emblematico perché le prove sembrano più dirette e documentate.
La verità è che l’IA generativa, cioè la tecnologia avanzata in grado di generare autonomamente contenuti originali, è nata in un contesto in cui la disponibilità dei dati era più importante della loro provenienza. Ora che i modelli sono diventati prodotti commerciali, il problema è esploso.
Verso un nuovo equilibrio tra IA e creatività
La vicenda Anthropic sta accelerando un cambiamento inevitabile: le aziende di IA dovranno pagare per i contenuti che usano. Le soluzioni possibili includono: licenze collettive per editori e autori, dataset certificati, modelli addestrati solo su contenuti autorizzati ed infine, compensazioni economiche per gli autori.
È un passaggio necessario per costruire un sistema sostenibile, in cui l’IA non sia un predatore ma un alleato dei creativi.
Foto tratte da: Il Fatto Quotidiano – Mundo Escritores – Martina Pepicello
