Le nuove linee guida dell’EDPB sull’anonimizzazione aggiornano per la prima volta in oltre un decennio le regole relative ai dati personali, introducendo cambiamenti che incidono profondamente sui sistemi di intelligenza artificiale.
Il 7 luglio 2026 l’European Data Protection Board (EDPB) ha adottato la bozza delle Linee guida 02/2026 sull’anonimizzazione e, il giorno successivo, ne ha aperto la consultazione pubblica fino al 30 ottobre 2026. Per chi sviluppa o utilizza sistemi di intelligenza artificiale, non si tratta di un aggiornamento marginale. Le nuove linee guida toccano infatti il nucleo stesso della questione relativa a quando un dato esce dall’ambito di applicazione del GDPR e quando, invece, vi rimane soggetto.
Il precedente punto di riferimento era rappresentato dal Parere 05/2014 del Gruppo di lavoro ex Articolo 29. Anche quel documento si basava sui medesimi tre criteri fondamentali — individualizzazione (singling out), collegabilità (linkability) e inferenza (inference) — ma era stato redatto prima dell’avvento dei grandi modelli linguistici e prima che gli attacchi di re-identificazione basati sull’AI dimostrassero la loro efficacia su larga scala. Da allora, il contesto normativo, tecnologico e della protezione dei dati è cambiato radicalmente. Nel frattempo, la Corte di giustizia dell’Unione europea ha emesso una serie di sentenze di riferimento e l’intelligenza artificiale è passata dai laboratori di ricerca all’utilizzo quotidiano nelle imprese. Le linee guida dell’EDPB rispondono proprio a questa evoluzione.
Perché le linee guida sull’anonimizzazione dell’EDPB sono importanti oggi
Ai sensi del GDPR, un dato può essere considerato anonimo — e quindi non qualificabile come “dato personale” — soltanto se non si riferisce a una persona identificata o identificabile. Le linee guida confermano per la prima volta in modo esplicito che l’anonimato è un concetto relativo e non assoluto. In altre parole, lo stesso dataset può essere anonimo per un soggetto e costituire invece un insieme di dati personali per un altro, a seconda dei mezzi che ciascuno può ragionevolmente utilizzare per identificare gli interessati.
Questo approccio trova solide basi nella giurisprudenza europea. In particolare, le linee guida si fondano sulla sentenza della Corte di giustizia del 4 settembre 2025 nel caso EDPS c. SRB (C-413/23 P), oltre che su precedenti decisioni quali Breyer, OC c. Commissione e Scania. Ne deriva uno standard volutamente contestuale. La valutazione deve pertanto essere svolta dal punto di vista di tutti i soggetti potenzialmente rilevanti, inclusi destinatari dei dati, dipendenti infedeli, giornalisti investigativi e perfino criminali informatici. Inoltre, la probabilità di re-identificazione non deve necessariamente essere pari a zero: è sufficiente che sia trascurabile nella pratica. Si tratta di uno standard pragmatico, ma al tempo stesso molto rigoroso.
Un test basato sul contesto, con una scorciatoia semplificata
L’EDPB propone due modalità di valutazione.
La prima è un approccio contestuale, che tiene conto delle effettive capacità dei diversi soggetti coinvolti.
La seconda è un approccio semplificato, che ignora queste differenze e adotta una posizione più prudente. Nella pratica, molti titolari del trattamento combineranno i due metodi: potranno partire dal test semplificato e, qualora emergano rischi, procedere con una valutazione contestuale più approfondita.
L’approccio semplificato non costituisce uno standard giuridico autonomo. Si tratta piuttosto di una metodologia volontaria che riduce il rischio di sottovalutare possibili problemi, aumentando il livello di cautela. Per questo motivo, il Board raccomanda anche di incorporare adeguati margini di sicurezza in qualsiasi valutazione contestuale, considerando che le capacità degli attaccanti tendono inevitabilmente a crescere nel tempo.
I tre criteri e perché l’AI cambia le regole del gioco
Al centro delle linee guida vi sono tre criteri che i dati devono soddisfare per essere considerati anonimi:
- Assenza di individualizzazione (No Record Isolation) – i dati non devono contenere combinazioni uniche di attributi che consentano di isolare un individuo.
- Assenza di collegabilità (No Linkage) – un record non deve poter essere collegato ad altri dataset riferibili alla stessa persona.
- Assenza di inferenza (No Inference) – non deve essere possibile trarre inferenze specifiche e significative riguardanti un individuo.
Se tutti e tre i criteri risultano soddisfatti, i dati possono essere considerati anonimi. Se anche uno solo di essi non è rispettato, sarà necessaria un’ulteriore analisi prima di escludere la natura personale dei dati.
Le linee guida aggiungono inoltre una regola pratica: la re-identificazione è più probabile nel caso di dati granulari, caratterizzati da elevata dimensionalità e alto livello di dettaglio.
Cosa significano le linee guida dell’EDPB per i sistemi di AI
È qui che l’intelligenza artificiale assume un ruolo centrale.
Le linee guida riconoscono espressamente che l’AI — e in particolare l’AI agentica — ridurrà in misura significativa tempi e costi della re-identificazione. Di conseguenza, tecniche che oggi potrebbero apparire sproporzionate potrebbero presto diventare strumenti ragionevolmente utilizzabili.
Tre implicazioni meritano particolare attenzione.
1. Modelli e dati sintetici rientrano pienamente nell’ambito di applicazione
Le linee guida avvertono che è possibile ottenere informazioni tramite interrogazioni o prompt rivolti a un modello AI e richiamano diversi attacchi capaci di estrarre dati di addestramento da modelli apparentemente anonimi.
Di conseguenza, definire un modello come “anonimo” non può mai essere considerato una conclusione automatica o auto-certificata.
2. L’inferenza diventa il vero terreno di scontro
È su questo aspetto che le linee guida sull’anonimizzazione si intersecano con le nuove linee guida sul web scraping.
L’EDPB richiama il noto fenomeno della memorization o regurgitation, attraverso il quale un modello generativo può riprodurre frammenti dei dati utilizzati durante l’addestramento se interrogato nel modo corretto.
Questo comportamento si collega direttamente al criterio dell’assenza di inferenza (No Inference). Inoltre, conferma la posizione già espressa dall’EDPB nel Parere 28/2024 sui modelli di AI, secondo cui soltanto un numero limitato di sistemi può essere considerato realmente anonimo.
In sostanza, il Board rafforza ulteriormente una posizione che lascia poco spazio agli sviluppatori che speravano di trattare i modelli di AI come aree sottratte alla normativa sulla protezione dei dati.
3. L’anonimato non è permanente
La valutazione dell’anonimizzazione non può essere effettuata una sola volta.
Poiché il rischio di re-identificazione aumenta nel tempo, l’EDPB raccomanda verifiche periodiche. Per i sistemi di AI questo significa, potenzialmente, valutare l’anonimizzazione per ciascun modello e persino per ciascun contesto di utilizzo.
Il rispetto del requisito di assenza di inferenza potrebbe quindi richiedere misure tecniche avanzate, come:
- differential privacy;
- filtri sugli output;
- audit successivi all’addestramento;
e non semplicemente la rimozione di nomi o altri identificatori diretti.
Il contesto del Digital Omnibus
Le linee guida si inseriscono in un quadro normativo più ampio.
Nel Digital Omnibus 2025, la Commissione europea aveva ipotizzato una definizione più restrittiva di “dato personale”, che avrebbe ridotto l’ambito di applicazione pratico del GDPR e dei requisiti di anonimizzazione.
Tuttavia, l’EDPB e il Garante europeo della protezione dei dati (EDPS) si sono opposti a tale impostazione nella loro Opinione congiunta 2/2026, e la definizione contestata è stata infine eliminata.
La conclusione è significativa: le linee guida sull’anonimizzazione rappresentano oggi il quadro di riferimento effettivamente applicabile e non una soluzione temporanea in attesa di future riforme.
Passi pratici per le organizzazioni
Le organizzazioni dovrebbero innanzitutto:
- mappare tempestivamente i dati e le informazioni aggiuntive disponibili;
- documentare accuratamente il processo di anonimizzazione;
- conservare tale documentazione come prova della conformità normativa.
Inoltre, è opportuno evitare di descrivere dati come “anonimi” o “de-identificati” quando le persone restano identificabili, poiché continuano ad applicarsi gli obblighi di trasparenza previsti dal GDPR.
Gli sviluppatori di AI dovrebbero inoltre:
- allineare i propri processi alle linee guida sul web scraping;
- effettuare adeguate valutazioni del legittimo interesse;
- riesaminare periodicamente le proprie conclusioni alla luce dell’evoluzione dei modelli, dei dataset e delle tecniche di attacco.
Conclusioni
Il messaggio dell’EDPB è chiaro: le nuove linee guida non chiudono la porta all’anonimizzazione, ma la trasformano in un esercizio rigoroso, documentato e basato su evidenze concrete.
Per il settore dell’intelligenza artificiale, ciò rappresenta al tempo stesso una sfida e un’opportunità.
Le linee guida resteranno in consultazione pubblica fino al 30 ottobre 2026, offrendo agli operatori la possibilità di contribuire alla definizione del testo finale prima della sua adozione definitiva.
Per approfondire il tema, può essere utile leggere anche l’articolo “Il legittimo interesse come base giuridica per l’addestramento dell’AI”. Se la vostra organizzazione necessita di supporto nella verifica dell’effettiva anonimizzazione di dataset o sistemi di intelligenza artificiale, il nostro team sarà lieto di assistervi.
About the Author: Giulio Coraggio
