Linee guida dell’EDPB sul web scraping: cinque questioni aperte per la crescita dell’IA

Le linee guida dell’EDPB sul web scraping definiscono finalmente come il GDPR si applichi ai dati utilizzati per addestrare l’IA generativa – e sollevano questioni aperte che potrebbero determinare se i modelli di IA potranno ancora essere sviluppati in Europa.

Il 7 luglio 2026, il Comitato europeo per la protezione dei dati (EDPB) ha adottato le Linee guida 03/2026 sul web scraping nel contesto dell’IA generativa, aprendole alla consultazione pubblica fino al 30 ottobre 2026. Sono state elaborate durante la stessa seduta plenaria che ha prodotto le nuove linee guida sull’anonimizzazione e le indicazioni definitive sulla blockchain, il che la dice lunga sulla direzione intrapresa: l’EDPB sta sistematicamente applicando il GDPR a ogni livello dello stack dell’IA.

E questo livello costituisce le fondamenta. Senza dati raccolti tramite web scraping, non ci sono set di dati di addestramento. Senza set di dati di addestramento, non c’è modello. Qualunque cosa le linee guida dicano riguardo al web scraping, la dicono riguardo alla fattibilità dello sviluppo dell’intelligenza artificiale nell’Unione Europea.

Il documento conta solo 22 pagine. Non lasciatevi ingannare da questo. Il livello di granularità richiesto ai titolari del trattamento è notevole, e le conseguenze pratiche per chiunque addestri o metta a punto un modello – non solo gli sviluppatori di grandi modelli linguistici, ma qualsiasi azienda che effettui lo scraping, direttamente o tramite un fornitore – sono significative.

Cosa dicono effettivamente le linee guida dell’EDPB sullo web scraping

Vorrei iniziare dalla parte non controversa, poiché il dibattito utile si concentra altrove.

Il GDPR si applica al web scraping ogni volta che le operazioni riguardano dati personali: estrazione, pulizia, strutturazione, conservazione. L’espressione «disponibili pubblicamente» non costituisce un’esenzione magica, e l’EDPB lo ribadisce senza ambiguità. Le linee guida coprono due scenari: un’organizzazione che effettua lo scraping autonomamente o incarica una terza parte di farlo, e un’organizzazione che riutilizza un set di dati raccolto da qualcun altro. I puri broker di dati che effettuano lo scraping e rivendono i dati senza addestrare modelli sono esclusi, così come lo è lo scraping nel settore pubblico.

Da lì, le linee guida illustrano i principi:

• Ruoli. Chi effettua lo scraping non è automaticamente il titolare del trattamento. Laddove chi effettua lo scraping crei un set di dati seguendo le istruzioni documentate di uno sviluppatore di IA, può essere un responsabile del trattamento, con lo sviluppatore come titolare. Laddove uno sviluppatore riutilizzi un set di dati già raccolto tramite scraping, ciascuna parte risponde del proprio trattamento e chi ha effettuato lo scraping originario non è, in linea di principio, responsabile del riutilizzo. La titolarità congiunta sorge quando i criteri di raccolta sono stabiliti congiuntamente.
• Trasparenza. Spesso è impossibile o sproporzionato fornire un’informativa sulla privacy individuale; è possibile fare riferimento all’articolo 14, paragrafo 5, lettera b) del GDPR, ma solo dopo aver effettuato un’effettiva valutazione di bilanciamento sul set di dati nel suo complesso, soppesando il numero di interessati, l’età dei dati e le misure di sicurezza adottate. L’alternativa non è il silenzio: il titolare del trattamento deve pubblicare l’informativa sulla privacy, includendo un’indicazione precisa delle fonti, idealmente con nomi di dominio, URL in formato ricercabile e date di raccolta.
• Minimizzazione dei dati. Un lungo elenco di misure previste, prima e dopo la raccolta: considerare innanzitutto i dati sintetici, definire criteri di raccolta precisi, eseguire un’analisi di mappatura dei dati, filtrare le categorie non necessarie, escludere i siti web che, per loro struttura, potrebbero contenere dati sensibili o dati relativi a minori, escludere i siti che si oppongono allo scraping tramite file robots.txt, ai.txt o CAPTCHA, applicare filtri basati sulla sintassi durante la raccolta e, ove possibile, rendere i dati anonimi o pseudonimizzati.
• Accuratezza. Effettuare lo scraping da fonti affidabili e aggiornate, contrassegnare i dati con data e ora, convalidarli prima dell’addestramento. Inoltre, aspetto spesso trascurato, l’accuratezza influisce anche sull’output: se ci si aspetta che il modello generi dati personali una volta immesso sul mercato, anche tale output deve essere accurato.
• Base giuridica. Il consenso è escluso per la raccolta indiscriminata, e l’EDPB afferma esplicitamente che la pubblicazione dei dati online non costituisce consenso al loro scraping. L’interesse legittimo ai sensi dell’articolo 6, paragrafo 1, lettera f), rimane la via più realistica, subordinata alle tre condizioni cumulative previste dalle Linee guida 1/2024 e dal Parere 28/2024 dell’EDPB sui modelli di IA: un interesse reale, lecito e articolato con precisione; la necessità, ovvero l’assenza di alternative altrettanto efficaci e meno invasive; e una valutazione di bilanciamento.
• Categorie particolari. In linea di principio vietate. Lo scraping che acquisisce dati di cui all’articolo 9 richiede sia una base ai sensi dell’articolo 6 sia una deroga ai sensi dell’articolo 9, paragrafo 2. L’EDPB riconosce che il ragionamento della Corte di giustizia dell’Unione europea (CGUE) nella causa GC e altri (C-136/17), elaborato per i motori di ricerca, possa applicarsi alla raccolta incidentale e residuale, nell’ambito delle «responsabilità, poteri e capacità» del titolare del trattamento, a condizione che misure tecniche e organizzative impediscano la raccolta e la diffusione. Tuttavia, non esiste un’esenzione generale né una valutazione forfettaria: occorre valutare caso per caso, ogni volta.

Tutto sommato, le linee guida dell’EDPB sul web scraping sono un documento serio e ben strutturato, e notevolmente più pragmatico di quanto alcuni temessero. Il riconoscimento del fatto che la presenza residua di dati sensibili non renda automaticamente illegale l’addestramento è di enorme importanza. Lo stesso vale per il riconoscimento che il principio di minimizzazione dei dati non impedisce l’addestramento su grandi volumi di dati.

Ma miglioramenti e difficoltà possono coesistere. E una consultazione è proprio il momento giusto per individuare dove si trovano le difficoltà.

Perché le linee guida dell’EDPB sul web scraping sono importanti per la crescita dell’IA

Ecco il punto strategico. L’Europa ha trascorso gli ultimi due anni a discutere se possa ospitare lo sviluppo dell’IA o semplicemente consumarla. Il Digital Omnibus, l’agenda per la competitività, il rapporto Draghi: l’intero dibattito presuppone che le aziende europee possano effettivamente costruire modelli qui.

È proprio nel set di dati di addestramento che tale presupposto viene messo alla prova. Se il costo di conformità per la creazione di un set di dati conforme alla legge è elevato ma prevedibile, lo sviluppo europeo dell’IA sopravvive e le linee guida diventano un vero e proprio vantaggio competitivo, poiché la provenienza affidabile dei dati ha un valore. Se il costo è non quantificabile, la decisione razionale per qualsiasi consiglio di amministrazione è quella di acquistare un modello addestrato altrove e implementarlo, il che non porta a nulla per la protezione degli interessati, poiché gli stessi dati sono stati comunque raccolti, solo da qualcuno al di fuori della giurisdizione dell’EDPB.

Si tratta di un punto che vale la pena sollevare in modo costruttivo nel corso della consultazione, poiché è uno di quelli che l’EDPB è in grado di affrontare al meglio: orientamenti di questo tipo sono naturalmente più visibili alle organizzazioni già impegnate a rispettarli.

C’è anche un aspetto strutturale che merita attenzione. Le misure che l’EDPB si aspetta – criteri precisi di raccolta, esclusione delle fonti, filtraggio, mappatura, pseudonimizzazione, controlli sulla memorizzazione – non sono meramente documentali. Sono di natura ingegneristica. Gli sviluppatori di grandi dimensioni sono generalmente in grado di farle proprie. Una start-up europea che sta mettendo a punto un modello open-weight per un caso d’uso verticale potrebbe trovare le stesse aspettative proporzionalmente più gravose. Una certa calibrazione delle linee guida in base alle dimensioni e alla portata del trattamento contribuirebbe a garantire che il quadro normativo sostenga l’innovazione in tutto il mercato, e non solo ai suoi vertici.

Cosa fare ora: una checklist pratica

Prima del dibattito sui punti in sospeso, ci sono attività che possono essere avviate immediatamente, poiché nessuna di esse dipende dall’esito della consultazione. Se la vostra organizzazione effettua lo scraping, commissiona operazioni di scraping o acquista set di dati ottenuti tramite scraping:

1. Identificate il vostro ruolo. Titolare del trattamento, contitolare o responsabile del trattamento, per ciascuna attività di trattamento. Se date istruzioni a un fornitore, verificate che le istruzioni siano documentate e specifiche riguardo alle fonti e alle categorie: è questo che lo rende un responsabile del trattamento piuttosto che un contitolare.
2. Riaprite la vostra valutazione del legittimo interesse. Una valutazione generica non reggerà. Articolate l’interesse con precisione (commerciale o di ricerca, interno o esterno), documentate perché alternative meno invasive — dati sintetici o pseudonimizzati, criteri più ristretti — non erano altrettanto efficaci, e registrate la valutazione di bilanciamento con le misure di mitigazione effettivamente implementate.
3. Mettete per iscritto i vostri criteri di raccolta prima di procedere al crawling. Il crawling non mirato è la posizione più difficile da difendere, poiché l’EDPB lo collega direttamente al fatto che il titolare del trattamento non sappia di cosa disponga.
4. Rispettare i segnali di opposizione: robots.txt, ai.txt, CAPTCHA e barriere di autenticazione. Registrare le esclusioni: la prova conta più della pratica.
5. Escludere le fonti strutturalmente a rischio. Siti utilizzati principalmente da minori e fonti che, per loro natura, potrebbero contenere dati finanziari, di localizzazione o ai sensi dell’articolo 9.
6. Apporre data e ora e convalidare. Registrare le date di raccolta, privilegiare fonti ufficiali e aggiornate, effettuare controlli a campione prima dell’addestramento.
7. Pubblicare un avviso ai sensi dell’articolo 14, paragrafo 5, lettera b), che funzioni davvero. Categorie di dati, finalità, base giuridica, caratteristiche del crawler e l’elenco delle fonti — nomi di dominio e URL in formato ricercabile ove possibile, con le motivazioni di eventuali omissioni.
8. Considerare il modello, non solo il set di dati. I controlli sulla memorizzazione e la riproduzione meccanica, il filtraggio dei risultati e l’accuratezza dei dati personali generati contribuiscono tutti alla valutazione del bilanciamento.
9. Documentare la catena di approvvigionamento. Per i set di dati acquistati: fonti, criteri di esclusione, diritti di verifica, garanzie sulle modalità di assemblaggio del set di dati e un punto di contatto per il titolare del trattamento originario.
10. Eseguire una DPIA — e valutare la possibilità di pubblicarla. L’EDPB include la pubblicazione tra le garanzie appropriate nei casi in cui la notifica individuale risulti sproporzionata.

Cinque questioni aperte prima del 30 ottobre 2026

1. Quanto è ampia la portata delle «responsabilità, poteri e capacità»? Il caso GC & Others riguardava un motore di ricerca che rispondeva a richieste di indicizzazione. Estenderla al crawling non mirato del web aperto rappresenta un vero e proprio salto analitico. Se funziona, i dati sensibili incidentali sono gestibili. Se un’autorità di controllo della protezione dei dati ne dà un’interpretazione restrittiva in fase di applicazione, la maggior parte dello scraping su larga scala risulterà illegale ai sensi dell’articolo 9, indipendentemente dai filtri applicati. Quale interpretazione prevarrà?
2. Il file robots.txt ha ora efficacia giuridica? Le linee guida trattano i segnali di opposizione — robots.txt, ai.txt, CAPTCHA — sia come un’aspettativa di minimizzazione dei dati sia come un fattore nell’ambito delle aspettative ragionevoli; gli esempi 4 e 5 vertono proprio su questo aspetto. Una convenzione tecnica che di per sé non ha alcun status giuridico sta quindi acquisendo un peso concreto nel test di bilanciamento del GDPR. Si tratta di uno sviluppo significativo che merita di essere esaminato apertamente durante la consultazione. Cosa succede quando il segnale è ambiguo, viene modificato dopo la raccolta o è impostato da una piattaforma secondo condizioni che i propri utenti non hanno scelto?
3. Qual è l’ambito temporale? I modelli già addestrati non possono disimparare facilmente; lo afferma lo stesso EDPB quando discute dell’impossibilità di cancellare i dati personali da un modello addestrato. Le linee guida dell’EDPB sul web scraping si applicano ai set di dati raccolti prima del luglio 2026? Al fine-tuning di un modello il cui addestramento di base è antecedente a tale data? Il documento tace, e il silenzio in questo caso ha un costo elevato.
4. In che modo ciò interagisce con l’AI Act e il Digital Omnibus? L’AI Act prevede propri requisiti di governance dei dati per i dati di addestramento. Il Digital Omnibus ha riaperto la definizione di dati personali prima che l’emendamento contestato fosse ritirato a seguito del Parere congiunto 2/2026 dell’EDPB e dell’EDPS. I titolari del trattamento si trovano ora di fronte a regimi paralleli, redatti da istituzioni diverse, relativi allo stesso set di dati. Chi li concilia, e quando?
5. L’elenco delle fonti è praticabile? Pubblicare nomi di dominio e URL in formato ricercabile, con i relativi periodi di raccolta, è trasparenza nella sua forma più pura. È anche, nel caso di una scansione non mirata su milioni di URL, una divulgazione sostanziale di ciò che potrebbe costituire un vantaggio competitivo. Esiste una via di mezzo proporzionata tra un elenco insignificante di categorie di fonti e un inventario completo dei risultati della scansione?

Le linee guida dell’EDPB sul web scraping non sono l’ostacolo che alcuni sostengono. Sono più simili a una tabella di marcia che a un muro, e la flessibilità in materia di trasparenza e di dati sensibili residui dimostra che l’istituzione ha ascoltato. La direzione è quella giusta. Ciò che rimane è l’incertezza proprio nei punti in cui un consulente legale deve fornire una risposta chiara a un’azienda che intende investire.

Tale incertezza è risolvibile, e la consultazione è la sede giusta per affrontarla, prima che si sviluppino pratiche nazionali divergenti al riguardo.

Vi porrò quindi la stessa domanda che ho posto ai colleghi nell’ultima settimana: quale di queste questioni aperte è quella con cui la vostra organizzazione non può convivere? Immagino che le risposte differiscano enormemente a seconda che vi occupiate di formazione, messa a punto o semplice implementazione, e tale differenza è di per sé un aspetto che l’EDPB dovrebbe ascoltare prima del 30 ottobre 2026.

A proposito di questo argomento, potreste trovare interessante l’articolo “Linee guida dell’EDPB sull’anonimizzazione: cosa significano per i sistemi di IA” pubblicato su questo blog, che tratta le linee guida complementari adottate nella stessa seduta plenaria.

Le implicazioni delle linee guida dell’EDPB sul web scraping dipendono in larga misura dal fatto che la vostra azienda addestri, ottimizzi o implementi modelli di IA, nonché dal modo in cui sono stati raccolti i vostri dati di addestramento. Se desiderate discutere di cosa comportino per la vostra organizzazione — o contribuire alla consultazione pubblica entro il 30 ottobre 2026 — potete contattarmi all’indirizzo giulio.coraggio@dlapiper.com ; il nostro team sarà lieto di aiutarvi.