Wikimedia sfida OpenAI: licenze obbligatorie per il training e per i sistemi RAG

La Wikimedia Foundation ha deciso di intervenire nella controversia giudiziaria che vede contrapposti The New York Times e le aziende OpenAI e Microsoft. Nella memoria depositata il 30 ottobre 2026 al tribunale federale del distretto meridionale di New York, la fondazione ha chiesto al giudice un’interpretazione più articolata del fair use, distinguendo l’addestramento dei grandi modelli linguistici (LLM) dalla restituzione di contenuti protetti attraverso sistemi di retrieval‑augmented generation (RAG).

Wikimedia interviene nella causa del New York Times contro OpenAI

La fondazione ha depositato un amicus brief, ovvero una memoria di un soggetto esterno che offre al giudice argomenti di interesse più ampio. Il procedimento, riassunto nel comunicato ufficiale del 30 ottobre, raccoglie ben 12 cause contro OpenAI, tra cui la più nota è quella avviata nel 2023 da The New York Times per l’uso non autorizzato delle proprie opere, anche a scopo di training.

Il quotidiano sostiene che OpenAI e Microsoft hanno impiegato articoli, foto e reportage senza licenza, violando il diritto d’autore. Le aziende, dal canto loro, difendono il loro operato sostenendo che l’utilizzo di informazioni pubblicamente disponibili rientra nelle eccezioni previste dal diritto statunitense. L’intervento di Wikimedia aggiunge una prospettiva diversa: l’accesso aperto alla conoscenza dipende anche dalla possibilità di mantenere finanziariamente le fonti affidabili.

Obiettivi della memoria

• Chiedere al giudice di riconoscere che addestrare un modello su opere protette non equivale a riproporle direttamente agli utenti.
• Promuovere un fair use circoscritto che tuteli lo sviluppo tecnologico senza svuotare economicamente le fonti d’informazione.
• Stabilire che, per i sistemi RAG, sia necessario ottenere licenze o fornire attribuzione, evitando un “fair use” illimitato.

Addestramento dei modelli: il fair use non diventa una licenza universale

Secondo la posizione di Wikimedia, l’impiego di contenuti coperti da copyright per il training di un LLM può essere considerato lecito solo quando il risultato è nuovo e sostanzialmente diverso dalle opere originali. In tal caso, la fondazione ritiene non sia necessario soddisfare le condizioni di licenza delle singole opere utilizzate durante l’addestramento.

Questa proposta è deliberatamente limitata: non si sostiene che qualsiasi appropriazione di contenuti o qualsiasi modello possa automaticamente invocare il fair use. La valutazione dovrebbe dipendere da due fattori chiave:

• Funzione dell’utilizzo: se l’uso è puramente trasformativo e serve a creare un nuovo prodotto intellettuale.
• Carattere trasformativo del risultato: se il modello produce risposte che non replicano fedelmente le opere originali.

Wikimedia avverte che una regolamentazione troppo restrittiva potrebbe ostacolare strumenti tecnologici aperti, progetti di ricerca e iniziative non profit, aumentando le barriere per sviluppatori indipendenti. Al contempo, una posizione di “fair use illimitato” rischierebbe di svuotare le casse delle testate giornalistiche, privandole dei proventi derivanti dall’uso dei loro contenuti.

Retrieval‑augmented generation: quando il chatbot utilizza le opere altrui

Il punto di rottura per Wikimedia è rappresentato dalle tecniche di retrieval‑augmented generation (RAG) e dal grounding. Questi meccanismi consentono a un sistema AI di cercare documenti esterni, estrarne passaggi e presentarli all’utente in risposta a una domanda. In pratica, un chatbot può individuare un articolo del New York Times, copiarne parti testuali e restituirle al richiedente.

La fondazione chiede che tale uso non venga considerato automaticamente fair use, ma che i fornitori di AI rispettino le condizioni di licenza stabilite dagli editori o dalle piattaforme di origine. Il discriminante non è la sigla RAG in sé, ma il modo in cui il contenuto viene utilizzato:

• Se il sistema cita la fonte e produce una synthetic summary, la pratica può rientrare in una forma di uso lecito, purché sia attribuita correttamente.
• Se il sistema copia porzioni sostanziali del testo senza trasformazione né attribuzione, la condotta è più probabilmente una violazione del diritto d’autore.
• Se il chatbot combina estratti da più fonti per creare una risposta originale, la valutazione dipenderà dal grado di trasformazione.

Richiesta di licenze obbligatorie per RAG

Wikimedia propone l’instaurazione di un regime di licenze obbligatorie per le operazioni di RAG, in modo simile a quanto previsto per l’uso di banche dati protette in Europa. Tale licenza dovrebbe includere:

• Obbligo di attribuzione chiara e verificabile.
• Pagamento di una quota equa per l’utilizzo dei contenuti, calcolata in base al volume di testo restituito.
• Meccanismi di monitoraggio per garantire che le richieste di contenuti non superino i limiti stabiliti dalle API dei fornitori.

Wikipedia difende l’attribuzione e la licenza Creative Commons

Parallelamente alla disputa sul training e sul RAG, Wikimedia ribadisce l’importanza della licenza Creative Commons Attribution‑ShareAlike (CC‑BY‑SA), che regola l’uso dei contenuti di Wikipedia. La fondazione sottolinea che, sebbene i dati siano liberamente accessibili, gli editori devono rispettare le condizioni di attribuzione e condividere le opere derivate con la stessa licenza.

Questa difesa è cruciale perché molti progetti di AI si basano su dump di Wikipedia per l’addestramento. La fondazione invita gli sviluppatori a:

• Utilizzare i dump ufficiali rilasciati sotto CC‑BY‑SA.
• Fornire attribuzione esplicita a Wikipedia in ogni output che includa contenuti derivati.
• Condividere eventuali miglioramenti o modifiche al dataset con la comunità, mantenendo la stessa licenza.

Perché Wikimedia teme sia il divieto totale sia il fair use illimitato

Un divieto assoluto al training su contenuti protetti renderebbe impossibile lo sviluppo di modelli linguistici capaci di comprendere il linguaggio umano nella sua interezza. D’altra parte, un fair use illimitato potrebbe trasformare il lavoro degli editori in una risorsa gratuita per grandi piattaforme, privandoli di ricavi essenziali per la produzione di giornalismo di qualità.

Wikimedia propone quindi una via di mezzo: consentire il training in condizioni di trasformazione e differenziazione, ma imporre licenze e attribuzione per le tecnologie che “ground” le risposte su testi protetti. In questo modo si salvaguarda:

• La sostenibilità economica degli editori.
• La libertà di ricerca per accademici e non profit.
• La trasparenza

Il confine con l’Europa e i diritti degli editori italiani

Il dibattito non è limitato agli Stati Uniti. In Europa, la Direttiva sul diritto d’autore nel mercato digitale (DSM) prevede regole più stringenti per l’uso di opere protette da parte di piattaforme online. Gli editori italiani temono che un’interpretazione troppo permissiva del fair use negli USA possa creare una “concorrente sleale” per i loro contenuti.

Wikimedia, pur essendo un’organizzazione globale, riconosce la necessità di armonizzare le proprie richieste con la normativa europea. In particolare, la fondazione sottolinea che:

• Le licenze obbligatorie per RAG dovrebbero essere conformi al regime di “fair remuneration” previsto dalla DSM.
• Gli editori dovrebbero poter negoziare tariffe su base nazionale, tenendo conto delle specificità del mercato italiano.
• Le piattaforme AI dovrebbero implementare meccanismi di filtraggio e segnalazione per rispettare i limiti imposti dalle API dei fornitori europei.

Scraping sostenibile e API: il copyright non esaurisce il problema

Un altro aspetto sollevato da Wikimedia riguarda la pratica dello scraping automatico dei contenuti. Anche se il copyright è una questione centrale, la sostenibilità tecnica è altrettanto importante. La fondazione invita le aziende a:

• Rispettare i limiti di rate‑limit
• Utilizzare i endpoint di dump anziché effettuare richieste massive a pagine HTML.
• Implementare politiche di back‑off per ridurre il carico sui server della Wikimedia Foundation.

Queste misure garantiscono che l’accesso alle informazioni rimanga gratuito e affidabile per tutti gli utenti, senza compromettere la capacità della fondazione di mantenere l’infrastruttura.

Il nodo del processo OpenAI è il valore della conoscenza umana

Al di là delle questioni legali, il caso evidenzia un dibattito più ampio sul valore della conoscenza in un’era dominata dall’intelligenza artificiale. Se le piattaforme AI possono restituire risposte accurate attingendo a contenuti protetti, chi ne beneficia realmente? Gli editori chiedono compensi; gli utenti desiderano informazioni gratuite; le piattaforme AI sostengono di contribuire alla diffusione della cultura.

Wikimedia propone una soluzione basata su collaborazione anziché conflitto: creare standard condivisi per il training, la licenza e il grounding, in modo che tutti gli attori possano operare su regole chiare e prevedibili.

Prospettive future

• Possibile adozione di licenze “read‑only” per il training, che consentano l’uso dei dati ma vietino la loro riproduzione diretta.
• Implementazione di meccanismi di attribuzione automatica per le risposte generate da RAG.
• Creazione di un registro pubblico delle licenze accordate per l’uso dei contenuti da parte di AI.

In conclusione, l’intervento di Wikimedia nella causa del New York Times rappresenta un tentativo di bilanciare due esigenze fondamentali: la libertà di innovazione nel campo dell’intelligenza artificiale e la sostenibilità economica delle fonti di informazione. La decisione del tribunale potrà influenzare non solo gli Stati Uniti, ma anche l’intero panorama europeo, dove i diritti degli editori italiani sono sempre più al centro del dibattito sulla digitalizzazione della conoscenza.