Le big tech propongono una regola unica per dire no al training AI
Il 30 ottobre OpenAI, Google, Microsoft e Anthropic hanno avanzato una proposta comune: una regola standard, scritta in una sola riga nel file robots.txt di un sito, per dire no all'uso dei propri contenuti nell'addestramento dei modelli di intelligenza artificiale. La misura riguarda potenzialmente milioni di editori.
- OpenAI, Google, Microsoft e Anthropic propongono una regola comune in robots.txt contro il training.
- Microsoft chiede controlli separati per le risposte generate, con scadenze al 2027.
- Google avverte che chi si esclude rischia di non apparire nelle risposte di Gemini.
Una riga di testo per tutti
Oggi chi pubblica online e non vuole che i propri testi finiscano nei dati di addestramento dei modelli deve destreggiarsi tra istruzioni diverse per ogni azienda, perché ciascun fornitore di intelligenza artificiale usa nomi e sintassi propri per i suoi crawler, cioè i programmi automatici che percorrono il web e ne scaricano le pagine. La proposta presentata da OpenAI, Google, Microsoft e Anthropic punta a semplificare: un'unica formulazione condivisa, valida per tutti i modelli, da inserire nel file robots.txt del sito.
Il robots.txt è un semplice file di testo collocato alla radice di un sito, nato agli albori del web per indicare ai crawler quali parti possono essere lette e quali no. Non ha però valore vincolante di per sé: funziona solo se le aziende che gestiscono i crawler decidono di rispettarlo. È proprio questo il nodo politico della proposta, perché un segnale standard ha senso solo se chi raccoglie i dati si impegna davvero a leggerlo e ad applicarlo.
Microsoft, Google e le differenze tra le quattro
Le quattro aziende non si fermano alla stessa riga. Secondo AI4Business, Microsoft spinge oltre e chiede controlli distinti non solo per l'addestramento, ma anche per l'uso dei contenuti nelle risposte generate dai sistemi, con scadenze indicate al 2027. Si tratta di due cose diverse: un conto è impedire che un testo entri nei dati con cui si allena un modello, un altro è impedire che venga ripreso e sintetizzato quando il sistema risponde a una domanda di un utente.
Google, sempre secondo la stessa fonte, solleva invece una questione di visibilità: chi sceglie di escludersi rischia di non comparire nelle risposte di Gemini, l'assistente di intelligenza artificiale dell'azienda. Per molti editori è un dilemma concreto, perché rinunciare al training può significare rinunciare anche a una fetta di esposizione verso i lettori.
Perché conta
La questione tocca chiunque pubblichi contenuti online: giornali, blog, siti di commercio elettronico, archivi culturali. Per l'editoria italiana, già alle prese con un traffico sempre più mediato dai motori di ricerca e dagli assistenti conversazionali, la scelta non è solo tecnica ma economica: proteggere il proprio archivio oppure restare visibili nei nuovi canali di accesso all'informazione.
Un formato condiviso renderebbe più semplice esprimere una preferenza, ma lascia aperta la domanda di fondo, cioè se e come quella preferenza venga fatta rispettare, visto che il robots.txt resta una convenzione volontaria e non un obbligo di legge.
