La risposta breve
Al plenary di luglio 2026 lo European Data Protection Board (EDPB) ha adottato le Guidelines 03/2026 sul web scraping nel contesto dell'IA generativa — il primo quadro paneuropeo che conferma l'applicazione integrale del GDPR ai dati personali raccolti per addestrare modelli di IA, senza deroghe per l'IA. La bozza è aperta alla consultazione pubblica fino al 30 ottobre 2026, ma indica già dove si sta dirigendo l'enforcement.
Gli spostamenti principali sono concreti: è improbabile che il consenso sia una base giuridica valida per lo scraping, il legittimo interesse sopravvive solo a un test in tre fasi documentato, i dati sensibili portano con sé una quasi-proibizione e — punto cruciale — una volta addestrato un modello, i dati personali non possono essere facilmente cancellati da esso. Ciò trasforma la governance dei dati IA in un problema ingegneristico a monte, e in una questione GDPR viva a cui bisogna rispondere prima dell'addestramento, non dopo il lancio.
Cosa ha pubblicato davvero l'EDPB?
L'EDPB — l'organismo che coordina le autorità nazionali di protezione dei dati in tutta l'UE — ha adottato le Guidelines 03/2026 sul web scraping nel contesto dell'IA generativa al suo plenary di luglio 2026 a Bruxelles, rilasciando la versione 1.0 per la consultazione pubblica. È la prima volta che il Board affronta, in un unico documento, la pratica specifica al cuore dell'IA moderna: estrarre dati personali da Internet aperto per addestrare grandi modelli linguistici e altri sistemi generativi.
La conclusione centrale è ingannevolmente semplice. Il GDPR si applica ogni volta che il web scraping comporta operazioni di trattamento di dati personali — «raccolta, conservazione, organizzazione ed estrazione» — e non esiste alcuna esenzione speciale per il fatto che la finalità sia l'addestramento dell'IA. Per anni alcuni laboratori hanno trattato il web aperto come un input a disposizione di tutti. Le linee guida chiudono quella porta: se le pagine che raccogliete contengono dati personali di persone nell'UE, ognuno di quei passaggi di trattamento è regolamentato, che siate su scala OpenAI o una startup che mette a punto un modello aperto su un corpus di dominio.
Tutto ciò non è arrivato nel vuoto. Le autorità italiane, irlandesi, olandesi e francesi avevano già intrapreso azioni di enforcement contro aziende di IA — multando fornitori, bloccando un chatbot dall'addestrarsi su post dell'UE e perseguendo sviluppatori più piccoli per aver raccolto dati senza una base giuridica — ma ciascuna ha agito secondo la propria lettura della legge. Le Guidelines 03/2026 mettono in mano a tutti e 27 i regolatori nazionali un unico regolamento, ed è esattamente ciò che le rende rilevanti per i team che sviluppano o commissionano prodotti di IA e dati: lo standard è ora coerente in tutto il blocco.
Perché il consenso non funziona per lo scraping?
Il chiarimento più importante riguarda la base giuridica. Ai sensi del GDPR, ogni trattamento di dati personali necessita di una delle sei basi giuridiche e, per lo scraping, i due candidati sono il consenso e il legittimo interesse. L'EDPB è diretto: il consenso «molto probabilmente non servirà come base giuridica praticabile per lo scraping». Il ragionamento è pratico: un titolare che raccoglie milioni di pagine non ha alcun rapporto diretto con le persone dietro quei dati e non può realisticamente ottenere un consenso valido, informato e liberamente prestato da ciascuna di esse.
Il Board smonta anche un assunto comodo. Come afferma, «una persona che rende disponibili i propri dati su una pagina web liberamente accessibile non ha per ciò stesso acconsentito a che tali dati siano raccolti per una finalità specifica come l'addestramento dell'IA». La visibilità pubblica non è un permesso. Quella singola frase demolisce la giustificazione informale su cui si sono basati molti dei primi dataset — «era sul web aperto, quindi era lecito» — e si applica allo stesso modo a un laboratorio di frontiera e a un team che assembla un corpus di retrieval da pagine raccolte.
Con il consenso di fatto fuori dal tavolo per lo scraping su larga scala, il legittimo interesse diventa la base realistica. Ma non è un lasciapassare — arriva con un test che dovete superare e documentare.
Il legittimo interesse e il suo test in tre fasi
Le linee guida inquadrano il legittimo interesse come un test a tre condizioni, e tutte e tre devono sussistere. Primo, deve esserci un legittimo interesse perseguito dal titolare o da un terzo — l'EDPB fornisce esempi come lo sviluppo di agenti conversazionali, il rilevamento di contenuti fraudolenti e il miglioramento del rilevamento delle minacce. Secondo, il trattamento deve essere necessario per raggiungere quell'interesse, il che significa che non potete raggiungere lo stesso obiettivo con meno dati personali. Terzo, un bilanciamento deve confermare che i diritti e le libertà degli interessati non prevalgono sull'interesse del titolare.
Per i team di ingegneria e di prodotto, la parola operativa è documentato. Una valutazione del legittimo interesse (LIA) non è qualcosa che si ricostruisce dopo un reclamo; deve esistere prima che inizi lo scraping e deve mostrare il vostro percorso — quale interesse, perché questi dati, quali alternative avete scartato, quali salvaguardie avete aggiunto e come pende il bilanciamento a favore di procedere. La necessità, in particolare, spinge verso la minimizzazione dei dati: raccogliere in modo mirato per una finalità definita è più difendibile che aspirare tutto «nel caso servisse più avanti», cosa che è anche un campanello d'allarme rispetto al principio di limitazione della finalità che le linee guida sottolineano.
La trasparenza sta accanto a tutto ciò. Il Board riconosce che notificare individualmente ogni persona raccolta può essere impossibile o richiedere uno sforzo sproporzionato — ma, dove tale esenzione si applica, un'informativa sulla privacy pubblicamente disponibile è descritta come una misura che il titolare «deve sempre adottare», indicando le categorie di dati, la base giuridica e le fonti. In altre parole, l'esenzione dalla notifica personale non è un'esenzione dalla trasparenza.
E i dati sanitari e finanziari?
Lo scraping su larga scala inevitabilmente rastrella materiale sensibile, e qui le linee guida sono severe. Le categorie particolari di dati — inclusi i dati sanitari e i dati che rivelano altri attributi protetti — sono in linea generale vietate al trattamento ai sensi dell'articolo 9, e rimuovere tale divieto richiede sia una base giuridica ai sensi dell'articolo 6 sia una specifica eccezione ai sensi dell'articolo 9(2). Per lo scraping del web aperto, poche di quelle eccezioni si applicano realisticamente, il che rende molto difficile giustificare la raccolta indiscriminata di dati sensibili.
Rifacendosi al ragionamento della Corte di Giustizia in GC e altri (C‑136/17), l'EDPB ammette che una certa raccolta incidentale o residuale di dati di categoria particolare può essere tollerata dove il titolare genuinamente non è in grado di rilevarli in anticipo — ma solo se sono in atto misure di salvaguardia adeguate e i dati vengono cancellati una volta identificati. L'obbligo, in pratica, è lavoro ingegneristico: classificatori e filtri che espellano i contenuti sensibili da un set di addestramento, più un percorso di cancellazione per ciò che sfugge. Per domini regolamentati come HealthTech e FinTech, «era pubblicamente disponibile» non è affatto una difesa — la presunzione va nel senso opposto, e ci si aspetta che teniate attivamente fuori questi dati.
Perché «cancella i miei dati» si rompe dopo l'addestramento
Il punto tecnicamente più significativo per chi costruisce riguarda la cancellazione. L'EDPB osserva che, una volta che un modello è stato addestrato, i dati personali non possono essere facilmente cancellati da esso. I pesi non sono una riga di database che si può eliminare; le informazioni di una persona, una volta apprese, sono diffuse tra i parametri in modi che resistono a una rimozione mirata. Ciò si scontra frontalmente con diritti GDPR come la cancellazione e la rettifica, che presuppongono che i dati possano essere localizzati e trattati a posteriori.
La conseguenza per la conformità è inevitabile: non potete risolvere un problema dei dati di addestramento dopo che il modello è distribuito, quindi la governance deve spostarsi a monte. Curate, minimizzate e documentate il dataset prima dell'addestramento, perché le alternative — riaddestrare da un corpus pulito, o difendere un modello che non potete rimediare in modo netto — sono costose e lente. È qui che la conformità smette di essere una formalità legale e diventa una decisione architetturale, e si lega direttamente ai doveri di gestione del rischio e di documentazione che i team già affrontano ai sensi dell'EU AI Act. I due regimi convergono sulla stessa richiesta: sapere cosa è entrato nel vostro modello, ed essere in grado di dimostrarlo.
Cosa significa per i team software statunitensi ed europei
Togliete il dettaglio legale e restano tre segnali pratici. Primo, l'ambito è ampio ed extraterritoriale: se sviluppate o commissionate IA generativa che tocca i dati personali di persone nell'UE — incluse le aziende statunitensi che servono utenti UE — queste aspettative vi raggiungono, indipendentemente da dove si trovino i vostri server. «L'abbiamo raccolto negli USA» non mette un dataset rivolto all'UE fuori dal GDPR.
Secondo, il lavoro è ora a monte e documentale. Prima di un addestramento o di un fine-tuning, vi serve una base giuridica registrata (in pratica, una valutazione del legittimo interesse), una motivazione di minimizzazione dei dati, un'informativa pubblica sulla trasparenza e filtri che tengano fuori i dati di categoria particolare con un percorso di cancellazione per ciò che sfugge. Nulla di tutto ciò è esotico — è la stessa disciplina «conosci i tuoi dati» che una buona ingegneria IA e dati già valorizza — ma ora deve essere provata, non presunta. I team che trattano un corpus raccolto come una scatola nera faticheranno; i team in grado di produrre una tracciabilità del dataset no.
Terzo, questa è la direzione di marcia, anche se si tratta di una bozza. La consultazione dura fino al 30 ottobre 2026 e la formulazione può cambiare, ma le posizioni di fondo — il GDPR si applica, il consenso funziona raramente, il legittimo interesse richiede un test, i dati sensibili sono quasi vietati, i modelli non si possono «disaddestrare» — sono coerenti con il modo in cui i regolatori europei hanno già agito. La mossa pragmatica è costruire per loro ora anziché aspettare un testo definitivo, così che una «regola futura» non diventi un ostacolo al lancio. Fate corrispondere il dataset a una base difendibile, conservate la tracciabilità e rendete la conformità un input di progettazione anziché una sorpresa in fase di audit — lo stesso principio che applichiamo agli incarichi di fine-tuning di LLM.
Una checklist pratica di conformità
Niente di quanto segue è una nuova scadenza di legge. È il lavoro che trasforma un panorama dei dati IA in rapida evoluzione in una revisione ordinaria anziché in una sorpresa all'audit:
- Scegliete e documentate una base giuridica. Per i dati raccolti, eseguite e registrate una valutazione del legittimo interesse — interesse, necessità, bilanciamento — prima che inizi la raccolta. Non affidatevi al consenso.
- Minimizzate alla fonte. Raccogliete in modo mirato per una finalità definita; lo scraping ampio «per ogni evenienza» non supera i test di necessità e di limitazione della finalità.
- Filtrate i dati di categoria particolare. Aggiungete classificatori che espellano contenuti sanitari, finanziari e altri contenuti sensibili, più un percorso di cancellazione per qualsiasi cosa rilevata in seguito.
- Pubblicate un'informativa sulla trasparenza. Dove la notifica individuale è impraticabile, un'informativa pubblica sulla privacy che elenchi categorie di dati, base giuridica e fonti resta obbligatoria.
- Registrate la tracciabilità del dataset. Tenete traccia di cosa è stato raccolto, da dove, quando e sotto quale base — timestamp e validazione inclusi — così da poter rispondere a un auditor senza ricostruirla.
- Governate prima di addestrare. Presumete di non poter cancellare una persona da un modello addestrato; impostate bene il corpus in partenza e mantenete la capacità di riaddestrare da un dataset pulito e documentato.
Questa non è consulenza legale, e l'approccio giusto dipende dai vostri dati, dai vostri mercati e dal vostro modello. Ma il segnale delle Guidelines 03/2026 è chiaro: l'era dello scraping del web aperto come input non regolamentato si sta chiudendo in Europa, e i team che si muoveranno più in fretta sono quelli che rendono i propri dati di addestramento difendibili fin dalla progettazione.
Domande frequenti
Cosa ha pubblicato l'EDPB sul web scraping per l'IA?
Al plenary di luglio 2026 lo European Data Protection Board ha adottato le Guidelines 03/2026 sul web scraping nel contesto dell'IA generativa, versione 1.0. È il primo quadro paneuropeo che affronta direttamente la raccolta di dati personali dal web aperto per addestrare modelli di IA, e conferma che il GDPR si applica integralmente ogni volta che lo scraping riguarda dati personali di residenti UE, senza deroghe per l'addestramento IA. La bozza è aperta alla consultazione pubblica fino al 30 ottobre 2026.
Possiamo basarci sul consenso per raccogliere dati pubblici del web per addestrare l'IA?
Nella maggior parte dei casi no. L'EDPB conclude che il consenso molto probabilmente non funzionerà come base giuridica valida per lo scraping, perché il titolare non ha alcun rapporto diretto con le persone i cui dati compaiono su pagine pubbliche, e chi rende disponibili i propri dati su una pagina web aperta non ha per ciò stesso acconsentito a che vengano raccolti per una finalità come l'addestramento IA. Il legittimo interesse è la base più realistica, ma solo dopo un test in tre fasi documentato.
In cosa consiste il test in tre fasi del legittimo interesse?
Primo, individuare un legittimo interesse perseguito dal titolare o da un terzo, come sviluppare un agente conversazionale o migliorare il rilevamento delle minacce. Secondo, dimostrare che il trattamento è necessario per raggiungere quell'interesse e non può essere soddisfatto con meno dati. Terzo, eseguire un bilanciamento che confermi che i diritti e le libertà degli interessati non prevalgono su quell'interesse. La valutazione deve essere documentata prima dell'inizio dello scraping, non ricostruita dopo un incidente.
Come trattano le regole i dati sanitari e finanziari nei dataset raccolti?
Le categorie particolari di dati come quelli sanitari o che rivelano attributi finanziari o altri attributi sensibili sono in linea generale vietate al trattamento e richiedono sia una base giuridica ai sensi dell'articolo 6 sia un'eccezione ai sensi dell'articolo 9(2). L'EDPB ammette che la raccolta incidentale o residuale di tali dati durante uno scraping su larga scala può essere tollerata solo dove il rilevamento è genuinamente difficile e il titolare applica misure di salvaguardia e cancella i dati una volta individuati. Per i team HealthTech e FinTech ciò significa pipeline attive di filtraggio e cancellazione, non l'assunto generalizzato che pubblico significhi utilizzabile.
Se una persona chiede di essere rimossa, possiamo cancellare i suoi dati da un modello addestrato?
Non facilmente. L'EDPB osserva che, una volta addestrato un modello, i dati personali non possono essere facilmente cancellati da esso, il che rappresenta un limite reale ai diritti GDPR come la cancellazione dopo il deployment. La conseguenza pratica è che la governance dei dati deve avvenire a monte: filtrare, minimizzare e documentare i dati di addestramento prima dell'addestramento, perché adattare la conformità a un modello già addestrato è molto più difficile che impostare bene il dataset in partenza.
Fonti
EDPB — EDPB sheds light on anonymisation and web scraping for generative AI (July 2026)
EDPB — Guidelines 03/2026 on web scraping in the context of generative AI (public consultation to 30 October 2026)
PPC Land — EDPB blocks AI firms from using consent as an excuse to scrape