Web scraping e IA generativa: i limiti giuridici del riutilizzo dei dati pubblicamente accessibili

1. Introduzione

Con le Guidelines 03/2026 on web scraping in the context of generative AI, adottate l’8 luglio 2026 e sottoposte a consultazione pubblica, l’European Data Protection Board interviene su uno dei profili più delicati nello sviluppo dei sistemi di intelligenza artificiale generativa: la raccolta automatizzata di dati disponibili online per la costituzione dei dataset di training.

Le linee guida non introducono un divieto generale di web scraping. La loro rilevanza consiste, piuttosto, nel chiarire che la possibilità tecnica di acquisire un’informazione non coincide con il diritto stesso di utilizzarla. Quando lo scraping riguarda dati personali, le operazioni di raccolta, estrazione, organizzazione, conservazione e successivo impiego delle informazioni rientrano nell’ambito di applicazione del Regolamento (UE) 2016/679, c.d. GDPR, e devono quindi essere giustificate alla luce delle basi giuridiche e dei principi in esso previsti. La questione assume rilievo particolare in quanto nei settori dell’IA generativa lo sviluppo è spesso fondato sulla costruzione di dataset molto estesi, secondo una logica quantitativa: maggiore è la quantità di dati raccolti, maggiore dovrebbe essere la capacità del modello di individuare correlazioni e regolarità informative.

D’altro canto, i principi di limitazione della finalità, minimizzazione, esattezza, trasparenza e responsabilizzazione del GDPR richiedono che il titolare sia in grado di spiegare quali dati intenda raccogliere, da quali fonti, per quale scopo e secondo quali criteri. Emergono così due differenti modalità di concepire il dato. Da un lato, l’accumulazione preventiva di grandi quantità di informazioni, seguita da una loro successiva selezione; dall’altro, una raccolta finalizzata, proporzionata e progettata in conformità ai principi europei di protezione dei dati.

Le indicazioni dell’EDPB rendono sempre più difficile sostenere che tutto ciò che è pubblicamente accessibile sul web sia, per questa sola ragione, liberamente utilizzabile per addestrare un modello di IA generativa. Tale conclusione non costituisce, in senso assoluto, una novità nel sistema del GDPR, ma rappresenta un’importante applicazione dei suoi principi alle specifiche caratteristiche dello scraping su larga scala.

2. Accessibilità del dato e liceità del riutilizzo

Il primo equivoco affrontato dall’EDPB riguarda la qualificazione delle informazioni reperibili online. Un dato pubblicato su un social network o su una pagina liberamente accessibile non perde la propria natura di dato personale. La pubblicazione amplia la sua conoscibilità, ma non comporta una rinuncia dell’interessato alle garanzie previste dal GDPR né attribuisce a terzi un diritto generale al suo riutilizzo.

Da ciò deriva una conseguenza significativa per gli sviluppatori e i fornitori di questi sistemi, ovvero l’accessibilità tecnica di un dato non costituisce, di per sé, una base giuridica per il trattamento. Il fatto che un software automatico di raccolta, comunemente definito crawler, possa acquisire un’informazione non dimostra che il titolare possa legittimamente raccoglierla e inserirla in un dataset di training. Occorre distinguere, quindi, tra accessibilità materiale e disponibilità giuridica. Chi pubblica una fotografia, esprime un’opinione politica, descrive la propria esperienza professionale o condivide informazioni personali all’interno di uno specifico contesto comunicativo non può essere considerato, per ciò solo, disponibile ad accettare qualunque successivo trattamento di quei dati. Ciò non significa che il riutilizzo delle informazioni pubblicamente accessibili sia sempre vietato. Significa, piuttosto, che deve essere autonomamente giustificato, tenendo conto della fonte, del contesto nel quale il dato è stato pubblicato, della natura dell’informazione e delle ragionevoli aspettative dell’interessato.

La pubblica accessibilità può quindi assumere rilievo nella valutazione complessiva del trattamento, ma non costituisce una base giuridica autonoma né equivale a un’autorizzazione generale allo scraping. Il passaggio dalla visibilità alla riutilizzabilità non è tecnologico, bensì giuridico. Spetta al titolare motivarlo e dimostrarne la conformità al GDPR. In questo senso le linee guida contribuiscono a superare il mito del «dato pubblico liberamente utilizzabile»: non tutto ciò che può essere tecnicamente raccolto è, per ciò solo, giuridicamente disponibile.

3. Il legittimo interesse e i limiti dello scraping

Uno dei profili più delicati riguarda il ricorso al legittimo interesse quale base giuridica per le attività di scraping finalizzate allo sviluppo o all’addestramento di modelli generativi. L’EDPB non esclude in astratto questa possibilità. Tale apertura non può tuttavia essere interpretata come una legittimazione generale della raccolta massiva di dati disponibili online. Il legittimo interesse richiede una valutazione concreta. Il titolare deve individuare l’interesse perseguito e verificarne la liceità, accertare che il trattamento sia effettivamente necessario rispetto a tale interesse e, infine, procedere a un bilanciamento con i diritti e le libertà fondamentali delle persone coinvolte. Non è quindi sufficiente affermare che i dati servano per addestrare un modello di IA, in quanto la finalità tecnologica non coincide in modo automatico con quella che è la necessità giuridica. Il titolare deve essere comunque in grado di motivare perché siano necessari determinati dati e perché il risultato perseguito non possa essere raggiunto attraverso modalità meno invasive. In questa valutazione possono assumere rilievo la possibilità di utilizzare dataset più selezionati, dati sintetici, informazioni non personali, sistemi di filtraggio preventivo o altre tecniche capaci di ridurre l’impatto del trattamento.

La necessità non può inoltre essere valutata in termini puramente astratti. Non basta sostenere che una maggiore quantità di dati possa migliorare le prestazioni del sistema, occorre dimostrare che la raccolta concretamente effettuata sia proporzionata rispetto alle finalità perseguite.

Anche le ragionevoli aspettative degli interessati assumono un ruolo centrale, poiché la pubblicazione di un dato su internet può incidere sull’aspettativa di riservatezza, ma non implica necessariamente che l’interessato possa prevederne l’impiego per addestrare un modello generativo. Lo scraping di informazioni presenti su un sito professionale non presenta le stesse implicazioni della raccolta di dati pubblicati in uno spazio frequentato da minori o in una pagina nella quale siano espresse opinioni politiche o convinzioni religiose.

La valutazione dipende dunque anche dal contesto. Il legittimo interesse non costituisce pertando una licenza generale per acquisire tutto ciò che è tecnicamente raggiungibile. Impone, al contrario, di giustificare il trattamento in rapporto alle sue concrete caratteristiche, documentando le ragioni per cui l’interesse perseguito debba prevalere sui diritti degli interessati.

4. Minimizzazione e tutela degli interessati

Uno degli aspetti più rilevanti delle Guidelines riguarda l’applicazione del principio di minimizzazione alle attività di scraping. Nel contesto della raccolta automatizzata, tale principio non può essere applicato soltanto dopo l’acquisizione, attraverso la cancellazione delle informazioni considerate inutili o eccedenti, ma deve incidere sulla progettazione del processo. Il titolare dovrebbe stabilire in anticipo quali categorie di dati siano effettivamente necessarie e quali fonti siano appropriate. Ciò richiede una configurazione selettiva degli strumenti di scraping, fondata su criteri precisi e meccanismi capaci di limitare, sin dall’origine, la raccolta di dati non pertinenti.

Il modello del «prima raccogliere, poi selezionare» diventa, in questa prospettiva, sempre più difficile da sostenere. Non è sufficiente acquisire indiscriminatamente tutto ciò che è disponibile per poi procedere a una pulizia successiva del dataset. La minimizzazione deve orientare la scelta delle fonti e la configurazione dei crawler. Particolare attenzione deve essere riservata alle fonti che, per loro natura, presentano un rischio elevato di contenere categorie particolari di dati o informazioni relative a persone vulnerabili. La possibile presenza accidentale di dati relativi alla salute, alle opinioni politiche, alle convinzioni religiose o all’orientamento sessuale non determina, per questa sola ragione, la disapplicazione dell’articolo 9 GDPR. Quando il trattamento riguarda tali informazioni, occorre verificare sia la presenza di una base giuridica ai sensi dell’articolo 6 sia la sussistenza di una delle condizioni previste per il trattamento delle categorie particolari.

Il carattere – non selettivo – della raccolta non può essere un’attenuazione automatica degli obblighi del titolare. Al contrario, la scala e l’indiscriminatezza dello scraping possono rendere necessari presidi tecnici e organizzativi più rigorosi. L’incidentalità può assumere rilievo nella valutazione delle responsabilità e delle misure ragionevolmente esigibili, ma non può trasformarsi in una generale zona franca. Il titolare deve dimostrare di aver adottato strumenti adeguati per prevenire o limitare l’acquisizione di informazioni sensibili, attraverso filtri, esclusioni di determinate fonti, verifiche periodiche e cancellazione tempestiva dei dati non necessari.

Lo scraping su larga scala pone anche rilevanti problemi di trasparenza. I dati possono essere acquisiti da migliaia di pagine e riguardare persone che non hanno alcun rapporto diretto con il soggetto che sviluppa il modello. In molti casi il titolare potrebbe non essere in grado di contattare individualmente tutti gli interessati. Quando ricorrono i presupposti per non fornire un’informativa individuale, il titolare deve comunque adottare misure adeguate, a partire dalla pubblicazione di informazioni chiare e facilmente accessibili sulle finalità del trattamento, sulla base giuridica, sulle categorie di dati raccolti, sulle fonti considerate, sui tempi di conservazione e sulle modalità di esercizio dei diritti.

Nel contesto dello scraping, la trasparenza dovrebbe riguardare anche le caratteristiche essenziali del processo di acquisizione, come le tipologie di siti interessati, il periodo nel quale è avvenuta la raccolta, i criteri utilizzati per escludere determinate fonti e le categorie di informazioni. Quando il trattamento si fonda sul legittimo interesse, deve inoltre essere garantita la possibilità di esercitare il diritto di opposizione.

La complessità tecnica dei dataset può incidere sulle modalità concrete di gestione delle richieste, ma non può essere utilizzata per rendere il diritto sostanzialmente impraticabile. La scala della raccolta, la presenza potenziale di dati sensibili, l’impiego di nuove tecnologie e la difficoltà per gli interessati di conoscere il trattamento possono infine rendere necessaria una valutazione d’impatto ai sensi dell’articolo 35 GDPR. La Data Protection Impact Assessment (DPIA) assume, in questo contesto, una funzione sostanziale, in quanto consente di valutare i rischi prima dell’avvio dello scraping e di individuare le misure necessarie per limitarli. Ne emerge, in termini sistematici, una responsabilità che riguarda non soltanto l’utilizzo finale dei dati, ma l’intera progettazione del dataset.

5. Conclusioni

Le Guidelines 03/2026 segnano il superamento dell’idea che i dati pubblicamente disponibili possano essere raccolti e riutilizzati senza una specifica valutazione giuridica. La possibilità tecnica di acquisire un’informazione non attribuisce automaticamente il diritto di trattarla. Allo stesso modo, la pubblicazione volontaria del dato non elimina la necessità di individuare una base giuridica e di rispettare i principi di finalità, necessità, proporzionalità, trasparenza e minimizzazione. Anche quando il trattamento si fonda sul legittimo interesse, il titolare deve dimostrare che la raccolta sia effettivamente necessaria rispetto alla finalità perseguita e che non esistano alternative meno invasive. La minimizzazione assume una funzione centrale. Non può essere concepita soltanto come un’attività di selezione o cancellazione successiva, ma deve incidere già sui criteri con cui vengono scelte le fonti, configurati i crawler e individuate le categorie di dati da acquisire. Lo stesso vale per la trasparenza e per l’esercizio dei diritti. La scala della raccolta e la complessità tecnica dei modelli non possono trasformarsi in una causa di irresponsabilità, ma impongono misure adeguate alla portata e ai rischi del trattamento. La vera accountability dell’IA generativa comincia dunque dalla costruzione del dataset, dalla scelta delle fonti e dalla decisione su quali informazioni sia realmente necessario raccogliere. Nel modello europeo, alla logica del «prima raccogliere, poi verificare» dovrebbe sostituirsi una regola differente: definire preventivamente la finalità, giustificare la raccolta, valutarne la necessità e minimizzarne l’impatto; soltanto dopo, procedere all’acquisizione dei dati.

Bibliografia

• European Data Protection Board (EDPB), Guidelines 03/2026 on web scraping in the context of generative AI, versione 1.0, adottata l’8 luglio 2026 e sottoposta a consultazione pubblica.

• Lefebvre Giuffrè, EDPB: nuove regole su anonimizzazione, web scraping e blockchain, in «IUS – Lefebvre Giuffrè»