Anthropic, la società dietro il modello Claude, è stata citata in giudizio per aver utilizzato libri protetti da copyright nell'addestramento dei propri LLM. La notizia arriva da una segnalazione su Reddit, ma il fatto si inserisce in un filone ormai consolidato: dopo le cause contro OpenAI e Microsoft, anche Anthropic finisce sotto i riflettori per le pratiche di raccolta dati su larga scala.

Il nocciolo della questione non è nuovo. I grandi modelli linguistici vengono addestrati su corpora immensi che includono testi provenienti dal web, spesso senza un consenso esplicito degli autori. Le aziende sostengono che il "fair use" copra queste operazioni, ma i detentori dei diritti – in questo caso gli editori e gli autori – non sono d’accordo. Questa causa aggiunge un tassello a un mosaico di contenziosi che potrebbe ridefinire l’intero settore.

Perché la proprietà dei dati di training è tornata al centro

La diffusione dei modelli open source ha già messo in discussione la trasparenza: pur essendo aperti, molti di essi non rivelano nel dettaglio la composizione del dataset di pre-training. Ma quando entra in gioco il copyright, il problema diventa legale prima che tecnico. Le imprese che usano LLM via API cloud ereditano un rischio difficile da quantificare: se un modello viene giudicato basato su dati illegittimi, quali sono le implicazioni per chi lo utilizza a valle? Non esiste ancora una giurisprudenza chiara, ma le aziende più attente iniziano a chiedersi se non convenga gestire in proprio l’intera catena.

È qui che lo scenario on-premise guadagna rilevanza. Ospitare un modello sui propri server, eventualmente raffinandolo con fine-tuning su dataset interni e documentati, restituisce controllo sulla provenienza dei dati. Non si elimina certo il rischio a monte (il modello di base potrebbe comunque essere stato addestrato su materiale controverso), ma si riduce la superficie di esposizione: nessun dato transita su infrastrutture di terzi, e i processi di governance possono essere applicati in modo granulare. In un contesto di crescente litigiosità, la sovranità dei dati diventa un asset strategico, non solo un requisito di compliance.

La causa contro Anthropic non è isolata: segnala una fase di assestamento in cui il diritto d’autore cerca di inseguire uno sviluppo tecnicico che viaggia molto più veloce. Per chi valuta il deployment di LLM, il messaggio è che la provenienza del training set non è più un dettaglio accademico, ma un fattore di rischio concreto. Le soluzioni self-hosted, dove l’organizzazione può combinare modelli aperti con dati proprietari e auditabili, potrebbero diventare la scelta obbligata per i settori più esposti – editoria, legal, education – che non possono permettersi ambiguità sulla legittimità dei contenuti generati.

L’esito della causa è incerto, ma il suo effetto secondario è già in atto: accelerare la domanda di modelli "data-auditable" e di architetture che permettano di tracciare la filiera dei dati. L’on-premise, in questo senso, non è solo una questione di performance o di costi, ma un modo per riportare la responsabilità legale dentro i confini dell’organizzazione.