Web scraping per addestrare IA e GDPR

Può esserlo, se il dataset contiene dati personali e il trattamento rispetta base giuridica, trasparenza, minimizzazione, accuratezza e accountability. Le Linee guida EDPB 03/2026 sono in consultazione e interpretano obblighi già vigenti.

Stato delle Linee guida EDPB 03/2026

La versione 1.0 delle Linee guida EDPB 03/2026 è indicata nel documento come adottata il 7 luglio 2026 per la consultazione pubblica. La pagina ufficiale dell’European Data Protection Board indica che il periodo di feedback va dall’8 luglio al 30 ottobre 2026, alle 23:59 CET.

Il riferimento vincolante resta il Regolamento (UE) 2016/679, GDPR, già applicabile. Il testo EDPB esaminato è sottoposto a consultazione pubblica: non è definitivo e non costituisce una fonte normativa autonoma.

Le Linee guida riguardano lo scraping da fonti Internet nel contesto dell’addestramento di IA generativa. Il loro ambito è limitato alle attività svolte da soggetti privati e comprende sia la raccolta eseguita direttamente da un’organizzazione sia quella affidata a un altro soggetto.

Quando il dataset entra nel GDPR

Il GDPR si applica al web scraping quando l’attività comprende operazioni di trattamento di dati personali, tra cui raccolta, conservazione, organizzazione e recupero. Se il dataset è misto, il regolamento si applica al trattamento della componente personale.

In una pipeline concreta è utile distinguere l’acquisizione delle pagine, l’estrazione dei contenuti, la conservazione del materiale grezzo, la pulizia, la strutturazione e la creazione del dataset. Seguono l’addestramento o il fine-tuning e, infine, l’uso del modello. La separazione delle fasi permette di ricostruire quali dati vengono trattati, per quale finalità e da quale organizzazione.

Rendere un dato personale disponibile online, per esempio su una pagina accessibile a tutti, non significa che l’interessato abbia prestato il consenso allo scraping per una finalità specifica. Occorre quindi individuare e documentare una base giuridica applicabile ai sensi dell’articolo 6 GDPR. La mera disponibilità del contenuto non chiude questa verifica.

Tra le misure di minimizzazione, il testo EDPB indica anche l’esclusione dei siti che si oppongono chiaramente allo scraping. Il significato di robots.txt o di altri segnali tecnici deve essere valutato nel progetto concreto: questa è una delimitazione interpretativa e non una base giuridica autonoma prevista dal GDPR.

Il diritto d’autore e i limiti dello scraping sono oggetto di un approfondimento separato. Qui l’analisi resta circoscritta alla protezione dei dati personali.

Ruoli nella catena di trattamento

Alla creazione di un dataset possono partecipare più organizzazioni. Una può occuparsi del crawling, un’altra dell’estrazione e della pulizia; altri soggetti possono fornire il dataset, commissionare il modello o svilupparlo. La qualificazione come titolare, contitolare o responsabile va analizzata caso per caso, considerando gli elementi fattuali e il modo in cui il trattamento è organizzato.

Il contratto documenta i rapporti tra le parti, mentre la qualificazione dei ruoli richiede anche l’esame dell’organizzazione effettiva. Per ciascuna fase vanno individuati i soggetti che determinano finalità e mezzi essenziali, scelgono fonti e criteri di selezione o gestiscono le richieste degli interessati. Le Linee guida precisano che scraper e sviluppatore di IA rispondono, in linea di principio, ciascuno delle proprie attività di trattamento separate; chi effettua lo scraping non risponde, sempre in linea di principio, del riuso deciso dall’altro soggetto.

Chi acquista un dataset già raccolto dovrebbe esaminarne provenienza e finalità dichiarate, categorie di dati, base giuridica e controlli applicati dal fornitore. Queste verifiche possono essere raccordate alle verifiche contrattuali sui fornitori di dataset e API LLM.

Legittimo interesse: tre condizioni cumulative

L’articolo 6, paragrafo 1, lettera f), del GDPR ammette il trattamento necessario per un interesse legittimo del titolare o di un terzo, salvo che prevalgano gli interessi o i diritti e le libertà dell’interessato. Il testo dell’articolo 6 è consultabile nel Regolamento (UE) 2016/679.

Secondo la versione 1.0 delle Linee guida EDPB, l’applicazione lecita della lettera f) richiede cumulativamente:

1. un interesse legittimo del titolare o di un terzo;
2. la necessità del trattamento per perseguire quell’interesse;
3. un bilanciamento favorevole, nel quale gli interessi o i diritti e le libertà dell’interessato non prevalgano.

Il primo passaggio consiste nell’individuare l’interesse con sufficiente precisione. Il secondo richiede di esaminare necessità e alternative disponibili. Il terzo considera il contesto in cui i dati sono stati resi disponibili, le aspettative degli interessati, la natura dei dati, la scala della raccolta e le misure di tutela, secondo la struttura del test descritta dalle Linee guida.

Nella pipeline, il test dovrebbe essere collegato alle fonti e ai criteri di selezione. La documentazione dovrebbe chiarire categorie escluse, filtri, periodo di conservazione e gestione delle richieste degli interessati. La pubblicazione online può concorrere a definire il contesto, ma non individua da sola la base giuridica.

La valutazione d’impatto per la pipeline IA può essere approfondita separatamente quando il progetto richiede una valutazione strutturata dei rischi e delle misure previste.

Informativa per raccolta indiretta: articolo 14

Quando i dati personali non sono ottenuti direttamente dall’interessato, l’articolo 14 GDPR richiede, tra le altre informazioni, identità e contatti del titolare, finalità e base giuridica, categorie di dati, destinatari, periodo di conservazione, interessi legittimi quando applicabili, diritti e fonte dei dati. I requisiti sono riportati nel testo ufficiale del GDPR. L’informativa deve essere coerente con la raccolta indiretta e con l’uso previsto del dataset.

L’articolo 14, paragrafo 5, lettera b), prevede un’esenzione dagli obblighi informativi quando fornire l’informazione è impossibile o comporta uno sforzo sproporzionato. La disposizione comprende anche il caso in cui l’obbligo di informare rischi di rendere impossibile o compromettere gravemente il conseguimento delle finalità del trattamento. Per alcune finalità di archiviazione nel pubblico interesse, ricerca scientifica o storica e finalità statistiche rilevano inoltre condizioni e garanzie pertinenti.

Una raccolta massiva non consente di applicare l’esenzione senza verificarne i presupposti. Il documento richiede anzitutto di confrontare lo sforzo necessario per informare con l’impatto e gli effetti della mancata informazione sugli interessati. La valutazione riguarda poi il dataset nel suo complesso e considera numero degli interessati, età dei dati e misure di salvaguardia adottate. Affermare che contattare ogni persona sarebbe oneroso non è sufficiente: occorre documentare la verifica rispetto alla struttura effettiva della raccolta.

Se l’esenzione è applicabile, restano necessarie misure appropriate a tutela degli interessati, inclusa la pubblicazione delle informazioni richieste. Il titolare dovrebbe rendere accessibili informazioni coerenti con finalità, base giuridica, categorie di dati, fonti, destinatari e conservazione, tenendo conto del progetto concreto e del contenuto dell’articolo 14.

Categorie particolari: articoli 6 e 9

L’articolo 9, paragrafo 1, GDPR vieta in linea di principio il trattamento di dati personali che rivelano, tra l’altro, origine razziale o etnica, opinioni politiche, convinzioni religiose o filosofiche, appartenenza sindacale, dati genetici, dati biometrici usati per identificare una persona, dati relativi alla salute, alla vita sessuale o all’orientamento sessuale. La disposizione è consultabile nel Regolamento (UE) 2016/679.

Se lo scraping comporta il trattamento di categorie particolari, occorrono sia una base giuridica dell’articolo 6 sia una deroga prevista dall’articolo 9, paragrafo 2. La qualificazione del dato e dell’operazione va verificata nel caso concreto, sulla base del materiale effettivamente raccolto e utilizzato.

La versione 1.0 in consultazione richiama inoltre la possibile rilevanza della sentenza della Corte di giustizia dell’Unione europea GC e altri, causa C-136/17, per una raccolta incidentale e residuale di categorie particolari. Si tratta di una valutazione contenuta nella bozza EDPB, non di una regola generale che autorizza la raccolta incidentale e non di un orientamento autonomo o definitivo dell’EDPB. La verifica deve restare ancorata al trattamento concretamente svolto e alle misure adottate.

Questa analisi incide anche sulla fase tecnica: prima di scegliere filtri o procedure di pulizia, il team deve sapere quali categorie di dati possono comparire nel materiale grezzo e nel dataset destinato all’addestramento.

Minimizzazione e accuratezza nella pipeline

La minimizzazione va progettata prima della raccolta. Le misure indicate dalle Linee guida comprendono criteri precisi di acquisizione, mappatura e inventario dei dati, filtri capaci di escludere categorie non necessarie ed esclusione di siti che contengono strutturalmente tipologie di dati non pertinenti. Quando adeguato, si può considerare l’uso di dati sintetici invece di dati personali.

Dopo la raccolta è possibile applicare il filtraggio sintattico, rimuovere contenuti irrilevanti, eliminare duplicati e cancellare dati non necessari. Il testo richiama inoltre, quando fattibile, la sostituzione con dati sintetici, l’anonimizzazione o la pseudonimizzazione. Il significato giuridico di queste tecniche dipende dal risultato concreto: la pseudonimizzazione e anonimizzazione nei sistemi LLM richiede una verifica dedicata.

Un esempio tecnico consiste nel collegare ogni risorsa alla fonte, al timestamp e all’esito dei filtri. Questa struttura non dimostra da sola la conformità, ma rende più verificabile il percorso seguito dal dato. Per l’accuratezza, le Linee guida raccomandano di raccogliere da fonti affidabili, registrare il timestamp e validare i dati prima di usarli nell’addestramento.

I controlli proseguono nelle fasi successive dello sviluppo. La fonte richiama misure dirette a limitare i rischi di memorizzazione, riproduzione o rigenerazione di dati personali da parte dei modelli, oltre ai rischi di attacco ai modelli o ai sistemi IA. Il richiamo resta generale e non disciplina in dettaglio la cancellazione dal modello o il machine unlearning.

Accountability e documentazione

L’articolo 5, paragrafo 2, GDPR impone al titolare di essere responsabile e in grado di dimostrare la conformità. Per una pipeline di web scraping, la documentazione dovrebbe permettere di verificare finalità, ruoli, provenienza dei dati e criteri di raccolta. Dovrebbe anche dare conto della base giuridica, del test sul legittimo interesse, delle categorie escluse e dei filtri, insieme a validazione, conservazione e gestione delle richieste degli interessati.

È utile collegare ogni versione del dataset ai controlli eseguiti e alle modifiche della pipeline. Il registro delle attività di trattamento può raccordare la mappatura delle attività; gli ulteriori adempimenti vanno valutati separatamente in base alla natura concreta del trattamento.

Prima di avviare un nuovo fine-tuning, il team dovrebbe poter aprire la versione del dataset e ricostruire fonte dei contenuti, filtri applicati, categorie escluse, base giuridica considerata e percorso previsto per le richieste degli interessati. Se queste informazioni non sono associate alla specifica versione utilizzata, il controllo legale e tecnico diventa più difficile da svolgere.

Le Linee guida EDPB offrono una struttura interpretativa utile; fino alla chiusura della consultazione e all’eventuale versione successiva, il riferimento vincolante resta il GDPR.

Verifica la tua situazione

Domande frequenti

La pubblicazione online dei dati autorizza lo scraping?

No. Secondo la versione 1.0 delle Linee guida EDPB, la disponibilità online di un dato personale non equivale al consenso dell’interessato allo scraping per una finalità specifica. Occorre comunque verificare una base giuridica applicabile.

Il legittimo interesse è sempre applicabile allo scraping per addestrare modelli?

No. L’articolo 6, paragrafo 1, lettera f), GDPR richiede cumulativamente un interesse legittimo, la necessità del trattamento e un bilanciamento favorevole rispetto agli interessi, ai diritti e alle libertà degli interessati.

Quando serve l’articolo 9 GDPR?

Quando lo scraping comporta il trattamento di categorie particolari di dati personali, serve sia una base giuridica dell’articolo 6 sia una deroga prevista dall’articolo 9, paragrafo 2. Il trattamento è in linea di principio vietato.

L’articolo 14, paragrafo 5, lettera b), elimina l’informativa?

No. L’eccezione opera solo se informare è impossibile, comporta uno sforzo sproporzionato oppure rischia di rendere impossibile o compromettere gravemente le finalità del trattamento. Il titolare deve adottare misure appropriate e rendere pubbliche le informazioni richieste.