IA ed editoria scientifica: come la Direttiva UE sta cambiando le regole del gioco

Di recente ha fatto notizia la decisione del gruppo editoriale Penguin Random House, riportata originariamente da “The Bookseller” (Battersby, 18 ottobbre 2024) e poi ripresa da altre testate, di escludere i propri titoli futuri, presenti e passati dall’uso da parte di Large Language Models (LLM) e di altre tecnologie di intelligenza artificiale, e di aggiungere sulle opere l’esplicito disclaimer “no part of this book may be used or reproduced in any manner for the purpose of training artificial intelligence technologies or systems”, vietando altrettanto esplicitamente il text and data mining.

Analoga attenzione mediatica si è concentrata su un caso dell’editoria accademica, quando la scorsa estate 2024 è rimbalzata su riviste e giornali la notizia della vendita da parte di Taylor & Francis, uno dei più grossi editori scientifici, dell’accesso ai propri contenuti editoriali, circa tremila riviste, a Microsoft per il training dell’intelligenza artificiale, per una cifra di 10 milioni di dollari, e senza che gli autori dei contenuti fossero stati in alcun modo avvisati (Palmer, luglio 2024).

Ma la questione riguarda tutti i settori editoriali e tutti i paesi, inclusa l’Italia. A settembre 2024 il gruppo GEDI, che controlla tra le varie testate i quotidiani La Stampa e La Repubblica, ha annunciato un accordo con OpenAI per rendere accessibili i contenuti editoriali a ChatGPT. Il Garante della Privacy ha prontamente criticato l’accordo poiché la cessione dei dati potrebbe implicare violazioni della privacy sulla base delle norme del GDPR e nega il diritto di opposizione delle persone coinvolte a vario titolo nei contenuti editoriali venduti a OpenAI. Altrettanto pronta la risposta di GEDI, gruppo editoriale facente capo alla holding Exor della famiglia Agnelli-Elkann, la quale ha precisato che l’accordo non prevede la vendita di dati personali. Accordi simili sono stati siglati da altri colossi editoriali internazionali, come News Corps, che pubblica il Wall Street Journal e The Sun (Leone 2024), e Axel Springer, cui fanno capo testate come Build, Die Welt, Politico, Business Insider (Simonetta 2024).

In questi ultimi mesi l’argomento si è posto spesso all’attenzione dei media poiché alcuni aggregatori di risorse bibliografiche digitali stanno cominciando a chiedere l’autorizzazione al text e data mining sui contenuti digitali agli editori presenti nelle proprie banche dati e piattaforme e a prendere posizione rispetto a quanto previsto dalla Direttiva UE 2019/790. Perlomeno stanno procedendo con tale richiesta molti aggregatori, anche italiani, dall’operato più trasparente, i quali prevedono la possibilità di opt-out dall’applicazione di text and data mining e di altre tecnologie di IA sui contenuti digitali.

Proprio la progressiva applicazione della Direttiva comunitaria è ciò che ha innescato questa catena di reazioni da parte di editori, aggregatori e fornitori di servizi digitali. La Direttiva (UE) 2019/790 del Parlamento europeo e del Consiglio, del 17 aprile 2019, sul diritto d’autore e sui diritti connessi nel mercato unico digitale è stata recepita in Italia con il Decreto Legislativo 8 novembre 2021, n. 177, entrato in vigore il 12 dicembre 2021. Il D.Lgs. 177 modifica alcuni punti della legge 22 aprile 1941, n. 633 su «Protezione del diritto d’autore e di altri diritti connessi al suo esercizio».

La Direttiva comunitaria introduce diverse novità, sulle quali non ci soffermeremo nell’insieme, lasciandone l’analisi dettagliata a chi possiede maggiori competenze in campo giuridico (le novità sono ben sintetizzate in Serra 2021). Alcune riguardano la distribuzione dei contenuti e di dati online, che è stata recepita con l’introduzione nella Legge n. 633/1941 del Titolo II-quater “Utilizzo di contenuti protetti da parte dei prestatori di servizi di condivisione di contenuti online” e con modifiche di altri articoli.

Si tratta della sezione della normativa che riguarda la condivisione tramite strumenti online di contenuti digitali e di dati compiuta da “prestatori di servizi della società dell’informazione,” come definiti dalla stessa legge. Tra questi vi sono gli editori, gli aggregatori, i fornitori di risorse bibliografiche digitali a vario titolo. In altre parole, ne sono interessati gli operatori che offrono servizi digitali, quali banche dati, e-book e riviste digitali, costituiti dall’aggregazione di contenuti prodotti da altri. Un vasto insieme di soggetti dal quale sono esclusi solo i prestatori di servizi che “danno accesso alle enciclopedie online senza scopo di lucro, ai repertori didattici o scientifici senza scopo di lucro, nonché le piattaforme di sviluppo e di condivisione di software open source, i fornitori di servizi di comunicazione elettronica, i prestatori di mercati online, di servizi cloud da impresa a impresa e di servizi cloud che consentono agli utenti di caricare contenuti per uso personale” (articolo 102-sexies comma 2).

All’articolo 70-ter. c. 1. la legge specifica che “sono consentite le riproduzioni compiute da organismi di ricerca e da istituti di tutela del patrimonio culturale, per scopi di ricerca scientifica, ai fini dell’estrazione di testo e di dati da opere o da altri materiali disponibili in reti o banche di dati cui essi hanno lecitamente accesso”. Al comma 2 chiarisce che “ai fini della presente legge per estrazione di testo e di dati si intende qualsiasi tecnica automatizzata volta ad analizzare grandi quantità di testi, suoni, immagini, dati o metadati in formato digitale con lo scopo di generare informazioni, inclusi modelli, tendenze e correlazioni.”

Si sta evidentemente facendo riferimento principalmente alle tecniche di text and data mining usate in misura crescente dalle diverse applicazioni che adottano l’intelligenza artificiale e utilizzano tali contenuti digitali come dataset per il training dei modelli, e che alimentano sistemi di information extraction e text mining classico da molto tempo. Tali applicazioni sono diffuse in istituzioni di ogni genere. Le biblioteche sono tra queste ma rientrano nelle eccezioni, come evidenzia l’IFLA Statement on Libraries and Artificial Intelligence rimarcando la necessità delle eccezioni alla normativa sul copyright per permettere alle istituzioni bibliotecarie di continuare a portare avanti la propria missione e di sviluppare servizi per gli utenti anche basati sull’IA. La Direttiva europea 219/790 prevede eccezioni e limitazioni per gli ambiti della conservazione del patrimonio culturale, come anche per la ricerca scientifica e l’insegnamento, dichiarando esplicitamente come, nel primo caso, si faccia riferimento a “le biblioteche accessibili al pubblico e i musei” e, nel secondo caso, si debba intendere per ricerca scientifica “sia le scienze naturali che le scienze umane.” Le eccezioni prevedono la possibilità di usare dati prodotti dalle istituzioni di ricerca e di tutela del patrimonio culturale nell’ambito delle loro missioni istituzionali. Ma un’incertezza giuridica da risolvere nel testo del legislatore comunitario si esplicita quando i contenuti sono organizzati e immessi sul mercato da operatori privati, anche in collaborazione con operatori pubblici: una matassa non molto chiaramente dipanata dalla normativa.

Il punto cruciale non è infatti il text and data mining in sé, che viene utilizzato da tempo per alimentare motori di ricerca e servizi online di vario genere, social network e piattaforme, inclusi gli strumenti per la ricerca bibliografica come i discovery tools in uso nelle biblioteche, ma è il fatto che l’analisi ed estrazione dei dati viene ora svolta per allenare l’intelligenza artificiale, soprattutto l’IA generativa, da parte di aziende private che usano dati pubblici e privati, dando luogo a un’ampia serie di criticità.

Un problema individuato e dichiarato da molti editori, come Penguin, è il riuso dei dati per produrre contenuti generati da un’intelligenza artificiale che potrebbero risultare simili agli originali e dare luogo a plagio. In realtà, difficilmente i contenuti generati da un IA possono essere tacciati di plagio, in quanto il prodotto generato non è uguale al contenuto, per esempio un articolo, usato per il training, poiché è il risultato di una combinazione statistica imprevedibile. A ben vedere, il processo non è così dissimile dalla scrittura di un articolo “a mano”, laddove un autore umano utilizza delle fonti che vengono rielaborate e trasformate in nuovi contenuti, ma opportunamente citate. Semmai uno degli elementi che manca nell’IA è proprio la dichiarazione delle fonti utilizzate, esigenza alla quale peraltro ChatGPT sta cercando di far fronte, sperimentando l’inserimento di alcune fonti pertinenti al tema nei risultati delle interrogazioni, ma che risulta un’impresa immane e di fatto poco utile, vista la quantità delle fonti stesse utilizzate, poi ricombinate per generare dei risultati su basi statistiche e l’impossibilità dunque di ricondurre singole porzioni di testo alle fonti relative, a differenza di alcuni motori di ricerca, come Perplexity.ai, che riportano le fonti come norma, ma la cui funzione è differente da un sistema come ChatGPT. Quest’ultimo sta peraltro introducendo anche l’opzione di approfondimento dei contenuti con link ai motori di ricerca nelle risposte ai prompt.

La questione apre un interrogativo non di poco conto: è preferibile permettere di allenare i modelli su set di dati strutturati e di qualità, come sono i dati del mondo editoriale, oppure lasciare che l’IA si alimenti solo di dati che trova nel web libero e dunque di qualità variabile e non sempre controllata? Probabilmente la capacità di restituire risultati affidabili e di ridurre le allucinazioni sarebbe maggiore con dati di migliore qualità. Ma il vero tema è che anche nell’IA si sta andando verso la concentrazione del mercato nelle mani di pochi privati, con l’assenza del settore pubblico, come già avvenuto per il mercato dei contenuti editoriali digitali prima che con i dati, in particolare nell’editoria scientifica e accademica.
Difatti, la notizia della vendita di dati editoriali da parte di Taylor & Francis ha suscitato la reazione del mondo accademico perché gli autori non erano stati in alcun modo avvisati né avevano ricevuto alcuna compensazione per tale cessione di contenuti. È utile ricordare, infatti, che i contenuti di un editore scientifico commerciale come Taylor & Francis sono in gran parte prodotti da ricercatori e docenti universitari che tradizionalmente trovano nella pubblicazione scientifica il principale canale di diffusione dei risultati della ricerca. È ben noto il circolo vizioso della comunicazione scientifica per il quale tali pubblicazioni, risultato di ricerca finanziata pubblicamente, vengono cedute perlopiù gratuitamente (e a volte addirittura pagando per la pubblicazione) agli editori, insieme a tutti i diritti di riproduzione e diffusione. Gli editori a loro volta rivendono riviste e monografie scientifiche alle biblioteche delle università, con contratti di licenza insostenibili e a costi cresciuti esponenzialmente negli anni. Un sistema dal quale non si riesce ad uscire nemmeno con i nuovi contratti trasformativi (transformative agreements) che dovrebbero favorire la transizione all’open access ma non la garantiscono affatto.

Notizie di accordi per la vendita ai fini dell’uso dei contenuti editoriali da parte di aziende di IA, o di sperimentazioni con modelli propri, arrivano anche da altri editori come Routledge (di proprietà di Taylor & Francis), Wiley (Battersby, 30 agosto 2024), Sage (Battersby, 19 settembre 2024), Oxford University Press e Cambridge University Press (Palmer, agosto 2024), a volte senza la possibilità di opt-out per gli autori, ma anzi con un opt-in obbligatorio e a posteriori. Infatti, i contratti per la pubblicazione di libri o di articoli nelle riviste scientifiche (non in open access) prevedono la cessione dei diritti di riproduzione e diffusione dall’autore all’editore e includono la diffusione con ogni mezzo. Finora gli usi per l’IA non erano contemplati esplicitamente, per cui la casistica specifica non rientra nell’applicazione della Direttiva europea in quanto i detentori dei diritti (salvo la inalienabile proprietà intellettuale, ovviamente) sono gli editori e non più gli autori. La normativa comunitaria suggerisce l’introduzione di “un meccanismo per la revoca dei diritti che autori e artisti hanno trasferito in esclusiva” ma l’attuazione per il passato, per i contratti già firmati, non è per nulla semplice. Sicuramente i contratti di pubblicazione futuri dovranno prevedere esplicitamente clausole sul TDM e l’IA in generale.

Si apre dunque un secondo interrogativo cruciale: tale nuovo business legato all’intelligenza artificiale, che gli editori affermano sia rivolta solo a migliorare e valorizzare i risultati della ricerca pubblicati ma di certo rappresenta per loro una nuova fonte di guadagno, quale impatto avrà sul futuro dell’editoria scientifica e in particolare sull’open access? I grandi editori scientifici gestiscono numerose piattaforme e banche dati in uso nelle università che raccolgono enormi quantità di dati sui lettori, i quali sono anche gli autori dei contenuti. Alcuni editori stanno monetizzando questi dati, vendendoli alle aziende di IA oppure sviluppando al proprio interno algoritmi e soluzioni tecnologiche che usano l’IA, in particolare generativa. I colossi editoriali come Elsevier si definiscono ora “information analytics business”, poiché da molto tempo ormai il core business non è più l’editoria ma sono i dati.

I contenuti editoriali aperti, in open access, sono utilizzabili liberamente per il text and data mining, con implicazioni molto diverse tra l’applicazione da parte di singoli studiosi e studiose per specifici progetti di ricerca pubblica e l’harvesting massivo e a scopi commerciali delle aziende che si occupano di intelligenza artificiale. Ma sono i contenuti chiusi ad essere oggetto di interesse da parte delle aziende di IA e quindi di opportunità di vendita e di introiti per gli editori, permettendo a questi ultimi di aggiungere un nuovo tassello al loro business e introducendo un altro elemento da considerare per le biblioteche delle università nella contrattazione delle licenze per l’accesso alle risorse digitali. La domanda da porsi è se l’intelligenza artificiale rappresenterà un contraccolpo per la transizione verso l’open access e come evitarlo.

Riferimenti

Matilda Battersby, Penguin Random House underscores copyright protection in AI rebuff, “The Bookseller” Oct. 18 2024, https://www.thebookseller.com/news/penguin-random-house-underscores-copyright-protection-in-ai-rebuff

Kathryn Palmer, Taylor & Francis AI Deal Sets ‘Worrying Precedent’ for Academic Publishing, “Inside Higher Ed”, July 29, 2024,
https://www.insidehighered.com/news/faculty-issues/research/2024/07/29/taylor-francis-ai-deal-sets-worrying-precedent

Francesco Leone, ChatGPT “imparerà” anche dal Wall Street Journal: firmato l’accordo tra OpenAI e News Corp, “Engage” 23/5/2024, https://www.engage.it/tecnologia/chatgpt-imparera-anche-dal-wall-street-journal-firmato-laccordo-tra-openai-e-newscorp.aspx

Biagio Simonetta, AI generativa e giornalismo: OpenAI e Axel Springer insieme per migliorare le risposte dei chatbot, “Il Sole 24 Ore” 13 dicembre 2023,
https://www.ilsole24ore.com/art/chatgpt-paghera-axel-springer-usare-contenuti-suoi-media-AFOxQO2B

Leonardo Serra, Copyright e diritti nel mercato digitale: attuata la Direttiva UE, “Altalex” 14/12/2021, https://www.altalex.com/documents/news/2021/12/14/copyright-e-diritti-nel-mercato-digitale-attuata-la-direttiva-ue.

Matilda Battersby, Wiley set to earn $44m from AI rights deals, confirms ‘no opt-out’ for authors, “The Bookseller” August 30, 2024, https://www.thebookseller.com/news/wiley-set-to-earn-44m-from-ai-rights-deals-confirms-no-opt-out-for-authors.

Matilda Battersby, Sage confirms it is in talks to license content to AI firms, “The Bookseller” September 19, 2024, https://www.thebookseller.com/news/sage-confirms-it-is-in-talks-to-license-content-to-ai-firms

Kathryn Palmer, Oxford University Press ‘Actively Working’ With AI Companies, “Inside Higher Ed”, August 5, 2024, https://www.insidehighered.com/news/quick-takes/2024/08/05/oxford-university-press-actively-working-ai-companies