Caro Stefano,

la risposta non è semplice o univoca. Anthropic usava LibGen, Sci-Hub e Bibliotik, che (correggimi se sbaglio) sono notorie "shadow libraries". Su Common Crawl non saprei, perché lì dentro c'è un po' di tutto: uno studio ha stimato che un 70% dei dataset presenti non specifica quale licenza si applichi. Con il web scraping puoi incorrere in violazioni contrattuali se non rispetti i termini d'uso (che spesso vietano proprio lo scraping); puoi inoltre violare di nuovo il copyright se rimuovi i metadati ("rights management information"), cosa piuttosto frequente tra gli addestratori di IA, e già motivo di altre cause legali.

Che il training in sé sia fair use non è un risultato enorme: era abbastanza scontato. Che il fair use richieda l'accesso legittimo all'opera era molto meno scontato, ed è un risultato che è piaciuto molto ai proponenti della class action.

Un caro saluto,

Il giorno gio 23 lug 2026 alle ore 16:41 Stefano Zacchiroli via nexa <nexa@server-nexa.polito.it> ha scritto:

On Thu, Jul 23, 2026 at 09:28:49AM +0200, Maurizio Borghi via nexa wrote:
> E' vero, ma è una mezza verità: il giudice ha operato una distinzione tra l'uso vero e proprio dei libri per il training
> dell'LLM e le attività preparatorie a questo uso, in particolare la raccolta di libri in un database centrale. Il training in sé è fair
> use, ma la raccolta di milioni di libri scaricati illegalmente da internet per essere successivamente utilizzati nel training è una
> violazione, che inficia ogni successivo uso di quei libri. Questa distinzione riduce di molto la portata effettiva del fair use, poiché
> introduce di fatto un requisito di "acquisizione legittima" delle opere per il training degli LLM.

Personalmente ho una visione molto diversa della rilevanza della parte sul fair use nella sentenza.
Se confermata, la ritengo un risultato enorme (nel bene e nel male) che valida l'approccio "YOLO" seguito finora dai principali attori commerciali nell'ambito dell'IA.
In particolare, per come la capisco io, significa che tutto ciò che si può scaricare legalmente dal web può poi essere usato per l'addestramento.
Il che vuol dire che, per esempio, 1) usare i dataset di Common Crawl e/o 2) in modo equivalente effettuare web crawling e utilizzare per l'addestramento il materiale così ottenuto rientrano nel fair use.
Oppure mi sto perdendo qualche dettaglio legale che renderebbe legale per me, come utente, fare la stessa cosa con un browser, ma allo stesso tempo la renderebbe illegale quando lo fa un attore che usa i dati per addestrare un'IA?

Ciao
--
Stefano Zacchiroli - https://upsilon.cc/zack
Full professor of Computer Science, Polytechnic Institute of Paris
Co-founder & Chief scientific officer Software Heritage
_______________________________________________
nexa mailing list -- nexa@server-nexa.polito.it
To change settings or unsubscribe please go to: https://server-nexa.polito.it/postorius/lists/nexa.server-nexa.polito.it/
The general archive of the list is located at: https://server-nexa.polito.it/hyperkitty/list/nexa@server-nexa.polito.it/
Permalink to this message: https://server-nexa.polito.it/hyperkitty/list/nexa@server-nexa.polito.it/message/X6L7E2LL5FDDCKO6N2MHJQCC6TMJXWML/