L’addestramento dei modelli di AI generativa su dati pubblici sta ridefinendo i confini della proprietà intellettuale, con effetti diretti sulla distribuzione del valore economico e sulla sovranità cognitiva delle imprese.
AI generativa e dati: il nuovo fronte del conflitto sulla proprietà intellettuale
L’intelligenza artificiale generativa non funziona nel vuoto. Ogni modello linguistico di larga scala, dai sistemi commerciali ai più recenti sistemi multimodali, è il prodotto di un processo di addestramento che ha consumato quantità industriali di testo, immagini, codice e dati strutturati prodotti da autori, ricercatori, imprese e istituzioni nel corso di decenni.
Il problema economico non è tecnico: è strutturale. Chi ha prodotto quella conoscenza non ha partecipato alla catena del valore che ne deriva. Chi ha capitalizzato quell’addestramento ha acquisito un vantaggio competitivo sistemico, difficilmente replicabile nel breve termine da soggetti privi di risorse computazionali equivalenti.
La concentrazione di potere che ne consegue non è un effetto collaterale: è il risultato logico di un modello di appropriazione che, storicamente, ha precedenti chiari.
Enclosures digitali: il parallelo con la privatizzazione dei beni comuni industriali
Il termine “enclosure” richiama un processo preciso: la recinzione delle terre comuni nell’Inghilterra pre-industriale, con la quale risorse condivise furono progressivamente incorporate in regimi di proprietà privata. Il risultato fu una redistribuzione radicale del potere economico.
Oggi si assiste a una dinamica strutturalmente analoga. L’informazione pubblica, articoli scientifici, opere culturali, database aperti, contenuti editoriali, viene incorporata in sistemi proprietari che ne estraggono valore senza retrocedere compensazione ai produttori originali.
Il World Economic Forum ha già identificato questo squilibrio come uno dei principali rischi di governance dell’economia digitale: l’asimmetria tra chi produce dati e chi li monetizza tende a consolidarsi in strutture oligopolistiche difficili da correggere ex post.
Questa dinamica è definibile come knowledge enclosure: la progressiva privatizzazione di un bene comune cognitivo attraverso strumenti tecnologici avanzati.
Valore degli asset cognitivi aziendali: cosa cambia per le imprese medie
L’impatto sulle imprese di medie dimensioni, segmento portante di molte economie europee, inclusa quella italiana, è concreto e misurabile. Per approfondire il nesso tra dati e valore economico d’impresa, si rimanda all’analisi già sviluppata su dati e potere economico.
Il punto critico è il seguente: se i modelli di AI generativa hanno già assorbito la conoscenza settoriale disponibile pubblicamente, il vantaggio comparato delle PMI dipende in misura crescente dalla conoscenza tacita e proprietaria, ovvero da quella che non è mai stata digitalizzata o resa accessibile.
Tre implicazioni operative di primo livello:
- De-risking cognitivo: le imprese che hanno esternalizzato o disperso la propria knowledge base interna sono esposte a una perdita di vantaggio competitivoaccelerata dall’AI.
- Rivalutazione degli asset intangibili: la conoscenza non replicabile e acquisisce valore economico crescente proprio perché non è stata oggetto di enclosure digitale.
- Dipendenza infrastrutturale: l’adozione acritica di strumenti AI di terze parti trasferisce potere contrattuale e conoscenza verso i fornitori delle piattaforme, non verso l’impresa che li utilizza.
Quadro normativo: AI Act, copyright e i limiti dell’intervento regolatorio attuale
Il dibattito giuridico è aperto e, per molti versi, irrisolto. Negli Stati Uniti, decine di cause intentate da autori, editori e agenzie fotografiche contro i principali sviluppatori di modelli AI hanno portato in primo piano la questione del fair use applicato al machine learning: se l’addestramento di un modello su testi protetti costituisca utilizzo trasformativo o violazione sistematica del diritto d’autore.
In Europa, l’AI Act adottato nel 2024 impone ai fornitori di modelli di uso generale obblighi di trasparenza sui dati di addestramento, ma non risolve la questione della compensazione economica per i produttori di contenuti. Come ha osservato l’Harvard Business Review, il ritardo regolatorio rispetto al ciclo di sviluppo tecnologico è strutturale e difficilmente colmabile con strumenti normativi tradizionali.
Il rischio concreto è che, nel tempo necessario a costruire un quadro giuridico coerente, le posizioni di mercato si consolidino in misura tale da rendere qualsiasi intervento correttivo economicamente costoso e politicamente resistito.
Governance della conoscenza collettiva: quali modelli alternativi sono praticabili?
Il problema non è solo giuridico: ma è economico. Alcune traiettorie alternative meritano attenzione analitica.
- Licenze obbligatorie e meccanismi di royalty collettiva
Sul modello delle collecting societies nel settore musicale, alcuni economisti propongono sistemi di licenza obbligatoria per i dataset di addestramento, con distribuzione delle royalty ai produttori originali attraverso enti di gestione collettiva. Il meccanismo è tecnicamente complesso ma non privo di precedenti. - Sovranità dei dati e modelli cooperativi
Il concetto di data sovereignty, già avanzato in contesti come il GAIA-X europeo, punta a costruire infrastrutture condivise in cui i dati restino sotto controllo dei soggetti produttori. L’applicazione all’AI generativa è ancora sperimentale, ma rappresenta una direzione politicamente rilevante per i decisori pubblici. - Tassazione del valore estratto
Un’ulteriore proposta, avanzata in sede accademica e ripresa da alcuni think tank europei, prevede l’introduzione di un prelievo fiscale sul valore generato dall’utilizzo di dati pubblici nei modelli commerciali, con destinazione a fondi pubblici per la ricerca e la produzione culturale.
Nessuna di queste soluzioni è neutrale. Ognuna riflette una diversa concezione del rapporto tra mercato, innovazione e bene comune.
Le analisi contenute in questo articolo integrano contributi dell’AI Now Institute (ainowinstitute.org), del World Economic Forum e della letteratura economica sul capitalismo delle piattaforme digitali.
Roberto Raimondi (Cagliari, Sardegna) è economista dell’innovazione e docente universitario, specializzato in economia della conoscenza e cooperazione internazionale. Attualmente professore di Economia della Conoscenza presso la Link Campus University di Roma, il prof. Raimondi ha dedicato la sua carriera alla promozione di politiche per lo sviluppo sostenibile e l'innovazione.
