Quattro aziende di AI propongono un segnale unico per escludere i contenuti dal training

Quattro grandi aziende di intelligenza artificiale — OpenAI, Google, Microsoft e Anthropic — hanno annunciato il 30 ottobre 2026 una proposta comune per consentire ai siti web di segnalare la propria opposizione all'uso dei contenuti nell'addestramento dei modelli generativi. La misura riguarda direttamente il nodo tra sviluppo dell'AI e diritti dei publisher, tema al centro di contenziosi e critiche crescenti da parte degli editori. Il meccanismo proposto si chiama Machine-Readable Training Preference Signal e introduce un'etichetta unica, __usage_ai-training, da inserire nel file robots.txt, che identifica lo scopo dell'utilizzo anziché un singolo software di scansione. Finora chi voleva limitare l'uso dei propri contenuti doveva tenere traccia delle regole specifiche di ciascun fornitore, come quelle per GPTBot e Google-Extended. Secondo la bozza, per escludere dall'addestramento generativo tutte le pagine di un sito bastano due righe — User-Agent: __usage_ai-training e Disallow: / — mentre eventuali eccezioni, come una cartella stampa, si gestiscono con una riga Allow. Il token esprime una preferenza sull'uso dei contenuti, non un ordine di fermare il crawler: un motore può continuare a visitare le pagine per indicizzarle o per altre funzioni consentite, e non basta una generica regola User-Agent: * per dichiarare la volontà prevista dalla proposta. I vecchi controlli dei singoli fornitori restano rilevanti.

La proposta è stata presentata come Internet-Draft all'IETF il 30 ottobre 2026 da Kevin Kelley di Anthropic, nell'ambito del gruppo di lavoro AI Preferences, e non costituisce uno standard IETF definitivamente approvato. I tempi di attuazione differiscono: Microsoft ha annunciato l'avvio dal 1° febbraio 2027, Google nel corso del 2027, OpenAI "nei prossimi mesi" e Anthropic ha dichiarato di aver "già iniziato" il rilascio. Microsoft ha precisato che l'impostazione si applicherà solo al training futuro dei modelli e non impedirà alle macchine di scansionare il web, lasciando l'estrazione consentita finché il publisher non modifica l'impostazione. Su un secondo utilizzo, il grounding — quando un sistema consulta informazioni esterne per costruire o verificare una risposta al momento della richiesta — le aziende stanno facendo scelte differenti: Microsoft introduce un comando separato, mentre Google collega la nuova preferenza a un controllo già usato anche per alcune funzioni di Gemini, con effetti sulla visibilità dei marchi nelle risposte generate.

Il contesto è quello delle battaglie legali in corso. Come riportato da Hespress e An-Nahar, nel dicembre 2023 il New York Times ha citato in giudizio OpenAI e Microsoft, accusandole di aver usato milioni di articoli senza autorizzazione né compenso per addestrare ChatGPT. Cloudflare, fornitore di servizi Internet, ha bloccato automaticamente i software di AI sui siti dei nuovi clienti dal luglio 2025, ed esiste un programma chiamato "licenza molto semplice" che consente ai publisher di applicare tariffe ai robot che visitano e copiano le loro pagine. Andy Stone, portavoce di Meta, ha espresso sostegno all'iniziativa su X, definendo importante creare un segnale condiviso che comunichi queste preferenze a più fornitori contemporaneamente e auspicando un lavoro comune su questi standard in tutto il settore.

Per editori, ecommerce e imprese che pubblicano documentazione, ricerche e contenuti proprietari il segnale comune può ridurre il lavoro tecnico, ma non elimina la necessità di conoscere le regole del singolo servizio: il significato della scelta è stabilito dal nuovo token, mentre la sua applicazione concreta dipende dagli impegni di ciascuna azienda e dalle funzioni a cui essa collega il controllo. Il prossimo passaggio da osservare è l'entrata in vigore delle implementazioni annunciate, a partire dal 1° febbraio 2027 per Microsoft.