Web scraping e addestramento dell’IA generativa: pubblicate le bozze di Linee guida EDPB 03/2026

Il 7 luglio 2026 il Comitato europeo per la protezione dei dati (EDPB) ha posto in consultazione pubblica fino al 30 ottobre 2026 le Linee guida 03/2026 sul web scraping nel contesto dell’Intelligenza artificiale generativa. Il documento sistematizza le condizioni alle quali il trattamento di dati personali raccolti mediante scraping automatizzato per l’addestramento o il perfezionamento di modelli generativi può risultare conforme al Regolamento (UE) 2016/679, con particolare attenzione alla qualificazione dei soggetti coinvolti, ai principi di trasparenza, limitazione della finalità, minimizzazione ed esattezza, alla base giuridica dell’interesse legittimo e al trattamento incidentale e residuale delle categorie particolari di dati personali.

Lo scorso 7 luglio 2026 il Comitato europeo per la protezione dei dati (in seguito, “EDPB”) ha pubblicato e posto in consultazione tre distinte Linee Guida (per approfondimenti sul tema dell’anonimizzazione, si rinvia al post L’EDPB aggiorna il paradigma dell’anonimizzazione).

Tra queste, la bozza di Linee Guida in materia di web scraping assume un valore centrale nel contesto dell’IA generativa, tecnologia sfidante sotto il profilo del diritto d’autore e della proprietà intellettuale, della protezione dei dati personali e, più ampiamente, della tutela dei diritti fondamentali. Risulta utile, pertanto, ripercorrere i tratti salienti di tali Linee Guida, ancorché in consultazione, per intercettare i profili di continuità rispetto alle posizioni già assunte in passato, cogliendo gli aspetti più innovativi ed originali.

Il contenuto delle Linee Guida

Le Linee Guida sul web scraping risultano molto snelle e concentrate sulla definizione di web scraping e sulla qualificazione in termini di trattamento dei dati personali.

Dal punto di vista strutturale, le Linee Guida si compongono di:

1. un’introduzione generale;
2. un approfondimento sulla definizione e sulle tipologie di web scraping;
3. l’impatto del GDPR in materia

Le Linee Guida sul web scraping: una novità “non assoluta”

Il tema affrontato dalle recenti Linee Guida si pone certamente al centro di un ampio dibattito sull’utilizzo conforme dell’IA generativa. Ciononostante, il documento non costituisce il primo tentativo di il documento si inserisce in un filone interpretativo già avviato con il Parere 28/2024 dell’EDPB sui modelli di Intelligenza artificiale (Parere “Su taluni aspetti relativi alla protezione dei dati ai fini del trattamento dei dati personali nel contesto dei modelli di IA”), rispetto al quale svolge una funzione di approfondimento e specificazione con riguardo alla fase di costituzione dei dataset di addestramento.

Dal punto di vista tecnico, il web scraping rappresenta una delle tecniche più diffuse per la raccolta dei dati impiegati nello sviluppo e nell’addestramento dei modelli di Intelligenza artificiale generativa. Esso consiste nell’acquisizione automatizzata, mediante appositi software o crawler, di contenuti disponibili online, successivamente estratti, strutturati e conservati all’interno di dataset. Le fonti sono eterogenee e possono comprendere registri pubblici, portali open data, testate giornalistiche, piattaforme di social media, forum di discussione e blog personali. Sebbene non implichi necessariamente una raccolta su larga scala, nel contesto dell’IA generativa lo scraping assume frequentemente carattere massivo e avviene, di regola, senza un’interazione diretta con le persone cui i dati si riferiscono.

Le Linee guida muovono da tali presupposti operativi, soffermandosi su un ambito applicativo ben definito.

L’ambito di applicazione è circoscritto a due scenari tipici, a seconda che un’organizzazione:

• procede autonomamente allo scraping ,ovvero vi provvede mediante affidamento a terzi nel contesto dello sviluppo di modelli di IA generativa;
• acquisisce un dataset già precedentemente raccolto da altra entità.

Ne consegue, dunque, che:

• Le Linee Guida non estendono il proprio ambito di applicazione in caso di data broker che si limitano a detenere e cedere dataset senza procedere direttamente allo sviluppo di modelli.
• Le Linee guida circoscrivono il proprio ambito di operatività alle attività di web scraping svolte da soggetti privati, senza affrontare specificamente i trattamenti effettuati da autorità o organismi pubblici.

Tipologie di web scraping e contenuti

Le Linee Guida tracciano una distinzione fondamentale tra scraping mirato e scraping non mirato, in base alla specificità e alla selettività della raccolta (e non degli strumenti tecnici utilizzati):

• Lo scraping mirato viene eseguito secondo criteri di raccolta più o meno restrittivi. Tali criteri potrebbero essere, ad esempio: tutti gli URL che terminano con europa.eu, URL con contenuti redatti in una determinata lingua o relativi a un argomento specifico.

• Lo scraping non mirato (come il web crawling senza criteri di raccolta) viene effettuato su base più indiscriminata, lasciando al software la libertà di esplorare e seguire ogni collegamento scoperto proseguendo nella propria esplorazione. Ciò può avvenire mediante un web crawler, che aggiorna automaticamente l’elenco degli URL da visitare e conserva le risposte del server. Questo processo si realizza tramite spider, piccoli programmi software che ricevono in anticipo le proprie istruzioni. Tali istruzioni potrebbero essere, ad esempio: «aggiungi tutti gli URL che incontri durante la scansione degli URL elencati». A seconda delle istruzioni impartite agli spider, un elenco inizialmente circoscritto di URL può espandersi notevolmente nel tempo, man mano che il crawler scopre e aggiunge continuamente nuovi URL alla propria coda di pagine da visitare. Questo può comportare l’esplorazione di una vasta porzione di internet per effetto dell’aggiunta costante di nuovi URL pertinenti, aumentando il rischio che il titolare del trattamento disponga di una conoscenza limitata circa i dati personali raccolti e trattati.

L’EDPB si sofferma, altresì, sulla distinzione tra contenuto statico e contenuto dinamico nei siti web.

• Il contenuto statico non varia in funzione delle azioni degli utenti (ad esempio, il testo di un determinato post in un blog). Quando si effettua lo scraping di contenuto statico da pagine web, i dati target risiedono direttamente nell’HTML della pagina e possono pertanto essere estratti semplicemente recuperando e analizzando la pagina stessa. La maggior parte degli scraper che operano su siti statici si basa sulla struttura diretta dell’HTML per individuare i dati necessari.

• Il contenuto dinamico può variare in risposta alle azioni degli utenti (ad esempio, il caricamento di ulteriori contenuti quando l’utente scorre verso il basso la pagina). Quando si effettua lo scraping di contenuto dinamico da pagine web, i crawler devono renderizzare la pagina internamente, simulando l’interazione di un utente umano con la pagina stessa. Questi scraper attendono che la pagina renderizzi il contenuto aggiuntivo e poi leggono ed estraggono i dati renderizzati dinamicamente.

Le diverse fasi del processo di web scraping

Le Linee Guida si soffermano, altresì, sul processo di web scraping, individuandone le quattro fasi principali.

• La prima fase riguarda la definizione dei criteri di raccolta dei dati. Consiste nell’individuare le fonti rilevanti da cui effettuare lo scraping — in funzione, ad esempio, della finalità del successivo sviluppo del modello di IA — nonché altri criteri volti a escludere la raccolta di dati personali non necessari ai fini del trattamento. Questa fase implica anche l‘adozione di misure per escludere dalla raccolta determinate fonti (ad esempio, siti web che si oppongono al web scraping mediante misure tecniche come robots.txt o CAPTCHA).
• La seconda fase riguarda l’«estrazione», durante la quale i dati provenienti dalle fonti selezionate vengono trasferiti alla posizione di archiviazione designata.
• La terza fase è la «pulizia»: i dati grezzi trasferiti dal processo automatizzato dovranno spesso essere elaborati per migliorarne la qualità (ad esempio, eliminando duplicati, rimuovendo tag o codice HTML non pertinenti e normalizzando i formati, come date e numeri, nonché cancellando dati non necessari).
• La quarta fase è la «strutturazione e archiviazione», durante la quale l’organizzazione che costituisce il dataset di addestramento può applicare ulteriori regole per affinare i dati, escludendo contenuti web di bassa qualità. Al termine di questa fase di raffinamento, i dati residui vengono strutturati in un formato utilizzabile.

Web scraping e GDPR

Il nucleo centrale delle Linee Guida ruota attorno al binomio “web scraping – GDPR”. In tale sezione, l’EDPB si concentra sugli aspetti salienti connessi al trattamento dei dati personali. In particolare:

• I soggetti coinvolti nel trattamento dei dati personali;
• I principi rilevanti;
• Le basi giuridiche per il trattamento;
• Il trattamento delle categorie speciali di dati personali.

La qualificazione soggettiva: titolare, contitolare, responsabile

Prima ancora di affrontare i profili sostanziali di conformità, le Linee guida chiariscono un aspetto organizzativo di significativa rilevanza pratica: la qualificazione dei soggetti coinvolti nella filiera del trattamento non è predeterminata dalla struttura dell’operazione, ma dipende dall’analisi delle circostanze concrete.

Il soggetto che materialmente esegue le operazioni di scraping non è necessariamente il titolare del trattamento. Ove uno sviluppatore di modelli IA incarichi un terzo di costituire il dataset secondo istruzioni documentate riguardanti le fonti da includere, le categorie di dati da raccogliere e le modalità operative, tale terzo deve essere qualificato come responsabile del trattamento ai sensi dell’art. 28 GDPR, mentre il titolare rimane lo sviluppatore che ne determina finalità e mezzi essenziali.

Diversa è l’ipotesi di codeterminazione delle scelte di raccolta: ove due organizzazioni decidano congiuntamente le finalità e i mezzi del trattamento, ripartendosi operativamente i compiti (l’una per lo scraping, l’altra per lo sviluppo del modello), entrambe sono da qualificarsi come contitolari ex art. 26 GDPR, con obbligo di disciplinare contrattualmente la ripartizione delle responsabilità.

Nel caso di acquisizione di dataset pre-costituiti, infine, ciascuna delle entità coinvolte risponde del proprio trattamento separato: lo scraper per la raccolta, l’acquirente per le successive operazioni di utilizzo.

I principi di cui all’art. 5 GDPR applicati allo scraping

Le Linee guida 03/2026 richiamano i seguenti principi ex art. 5 GDPR:

• liceità e correttezza,
• limitazione della finalità,
• trasparenza,
• minimizzazione dei dati,
• esattezza,
• accountability.
  
  

Per ciascuno di essi, le Linee Guida forniscono esempi pratici per contestualizzarne l’applicazione.

La base giuridica del trattamento

Prima di avviare operazioni di scraping che comportino la raccolta di dati personali o il riutilizzo di dati già raccolti, il titolare del trattamento deve individuare una base giuridica per il trattamento.

L’EDPB sottolinea che la base giuridica dell’interesse legittimo è quella più frequentemente invocata per lo scraping nel contesto dello sviluppo dell’IA generativa da parte di soggetti privati. Le altre basi giuridiche di cui all’art. 6(1) GDPR risulteranno generalmente meno applicabili al web scraping nel medesimo contesto.

In particolare, il consenso rappresenta una base giuridica difficilmente applicabile, poiché ottenere il consenso degli interessati è spesso difficile quando i dati personali vengono raccolti indirettamente e su larga scala. Le organizzazioni che raccolgono dati da internet (in qualità di «dati di terzi») non intrattengono una relazione diretta con gli interessati e con ogni probabilità non sono in grado di identificare e ottenere il consenso di ciascuno di essi prima di procedere allo scraping.

Peraltro, spesso gli interessati non sono nemmeno a conoscenza del fatto che i propri dati siano pubblicamente disponibili online. Nondimeno (e questo può essere un elemento centrale nella riflessione), il fatto che un interessato renda i propri dati personali accessibili online — ad esempio su una pagina web aperta a tutti — non implica che abbia prestato il proprio consenso allo scraping di tali dati per una finalità specifica. In particolare, l’assenza o la non applicabilità di un file robots.txt su un sito web non equivale a consenso ai sensi del GDPR.

Le categorie particolari di dati: il regime speciale e la sentenza GC & Others

Il trattamento di categorie particolari di dati ai sensi degli artt. 9 e 10 GDPR — dati di origine razziale o etnica, opinioni politiche, dati sanitari, orientamento sessuale, dati relativi a condanne penali e reati, tra gli altri — è vietato in linea di principio e richiede, in aggiunta a una base giuridica ex art. 6, un’apposita eccezione ai sensi dell’art. 9(2). La difficoltà pratica dello scraping risiede nel fatto che spesso non è possibile accertare con ragionevole certezza se e in quale misura il dataset raccolto contenga dati appartenenti a tali categorie prima che la raccolta sia completata: i filtri tecnici riducono il rischio ma non lo azzerano.

Per risolvere questa tensione, l’EDPB richiama la sentenza GC & Others (C-136/17). Nella sentenza, la Corte di giustizia non ha escluso l’applicazione degli artt. 9 e 10 GDPR all’attività dei motori di ricerca. Ha tuttavia riconosciuto che le specifiche caratteristiche di tale attività incidono sull’estensione delle responsabilità e degli obblighi del gestore, i quali devono essere valutati «nell’ambito delle sue responsabilità, competenze e possibilità». Muovendo da tale impostazione, l’EDPB ritiene che il ragionamento possa assumere rilievo anche nello scraping destinato all’addestramento di modelli IA, ma soltanto per la raccolta incidentale e residuale di categorie particolari di dati e previa verifica di condizioni cumulative.

Il titolare deve poter dimostrare: che la propria attività presenta rilevanti analogie con quella di un motore di ricerca per struttura e scala; che la raccolta di dati sensibili è incidentale e residuale, non intenzionale; che è oggettivamente difficile o impossibile identificare in anticipo la presenza di tali dati; e, infine, che ha adottato misure adeguate «nel quadro delle proprie responsabilità, competenze e possibilità» per prevenire la raccolta e la diffusione di dati appartenenti a categorie particolari.

Queste misure presentano una struttura diacronica: in fase antecedente alla raccolta, definizione di criteri e filtri per l’esclusione di fonti ad alto rischio; in fase successiva alla raccolta, cancellazione immediata dei dati sensibili identificati e su richiesta degli interessati; durante lo sviluppo del modello, adozione di misure di resistenza agli attacchi di estrazione e di filtri sull’output; dopo il deployment, monitoraggio continuo dell’output generato e intervento immediato in caso di rigurgitazione di dati sensibili, con considerazione delle tecniche di machine unlearning man mano che queste diventino disponibili.

L’EDPB ribadisce che non esiste un’esenzione generale dagli artt. 9 e 10 GDPR per il trattamento connesso allo scraping: ogni attività deve essere valutata individualmente per verificare se il ragionamento elaborato dalla Corte in GC & Others sia applicabile alle specifiche circostanze del caso.

Conclusioni

Le Linee guida 03/2026 non pongono un divieto generale di utilizzo del web scraping per l’addestramento di modelli di IA generativa. Definiscono, piuttosto, un percorso di conformità esigente, che richiede ben più di una privacy policy generica o del rispetto formale delle indicazioni dei files robots.txt. Per i soggetti che sviluppano modelli generativi, il documento delinea un sistema integrato di obblighi: qualificazione soggettiva corretta dei trattamenti, raccolta selettiva e documentata, misure tecniche e organizzative proporzionate al rischio, gestione strutturata delle categorie particolari di dati lungo l’intero ciclo di vita del modello — dalla raccolta al deployment.

Due profili meritano particolare attenzione in prospettiva.

Il primo è la dinamicità del bilanciamento: le ragionevoli aspettative degli interessati e la valutazione dell’impatto del trattamento non sono statiche, ma si modificano al variare delle capacità tecniche dei modelli e della percezione sociale della raccolta massiva. Un bilanciamento che risulta favorevole al titolare in un dato momento potrebbe non esserlo in seguito, in ragione dell’evoluzione tecnologica o del mutato contesto d’uso del modello.

Il secondo profilo riguarda lo statuto ancora incerto del machine unlearning. Le Linee guida ne considerano l’impiego come prospettiva rilevante nel lungo periodo per la cancellazione di dati da modelli già addestrati, precisando che, qualora tali tecniche arrivassero a garantire la cancellazione di dati specifici, potrebbero rappresentare un’alternativa ai filtri di output o al riaddestramento. È pertanto ragionevole ritenere che, con il consolidamento di tali tecniche, il machine unlearning possa progressivamente entrare nel novero delle misure esigibili secondo lo stato dell’arte — benché tale conclusione costituisca una valutazione interpretativa dell’autore e non una determinazione espressa delle Linee guida.

Di Alessia Palladino
Assegnista di ricerca e Cultore della Materia in «Informatica giuridica» e «Computer Law»  presso l’Università degli Studi di Cagliari