Commento alle Linee Guida EDPB 03/2026 sul web scraping nel contesto dell'intelligenza artificiale generativa (versione 1.0, adottate il 7 luglio 2026, in consultazione pubblica).

Commento alle Linee Guida EDPB 03/2026 sul web scraping

nel contesto dell'intelligenza artificiale generativa

(versione 1.0, adottate il 7 luglio 2026, in consultazione pubblica)

Con le Linee guida 03/2026, adottate il 7 luglio 2026 e sottoposte a consultazione pubblica, l'EDPB dedica per la prima volta un documento specificamente e sistematicamente incentrato sul web scraping, laddove l'"EDPB Opinion 28/2024 on certain data protection aspects related to the processing of personal data in the context of AI models", adottato il 17 dicembre 2024, vi si era già soffermato, ma solo entro una trattazione più ampia dedicata ai modelli di IA nel loro complesso: tale Parere contiene una definizione di web scraping, alcuni passaggi sul bilanciamento degli interessi che lo richiamano come fattore di rischio, e una sotto-sezione specificamente dedicata alle "misure di mitigazione nel contesto del web scraping" (che già menzionava, tra l'altro, l'esclusione dei siti che si oppongono tramite robots.txt o ai.txt e le liste di opt-out - elementi poi ripresi e sviluppati nelle Linee guida 03/2026). Ciò che le Linee guida 03/2026 aggiungono, rispetto al Parere, è la trattazione sistematica dello scraping lungo tutti i principi dell'art. 5 GDPR, la qualificazione soggettiva delle diverse organizzazioni coinvolte nella filiera, e l'applicazione strutturata della giurisprudenza "CJEU, Grand Chamber, Judgment of 24 September 2019, GC and Others C-136/17" alle categorie particolari di dati.

Il documento si colloca nel solco di un approccio ormai consolidato del Comitato: prendere atto della sostanziale legittimità del ricorso al web scraping quale strumento tecnico (non vietato in sé), per poi tradurre in obblighi operativi puntuali i principi generali del Regolamento (limitazione della finalità, minimizzazione, esattezza, trasparenza, responsabilizzazione) e per fissare le condizioni di liceità del trattamento, con particolare (e prevedibile) centralità del legittimo interesse ex art. 6, par. 1, lett. f), GDPR.

Le Linee guida sono espressamente limitate:

(i) al web scraping svolto da soggetti privati (non pubblici);

(ii) alle ipotesi in cui i dati siano acquisiti da fonti esterne all'organizzazione (restano fuori i trattamenti sui dati propri del titolare);

(iii) alle due situazioni tipiche dello scraping "in proprio" o affidato in outsourcing a uno scraper, e dell'acquisizione di dataset già raccolti da terzi (data broker), escludendo invece l'attività di questi ultimi qualora non finalizzata essa stessa all'addestramento di un modello.

Il paragrafo 3.2.1 offre indicazioni utili, seppur generali, per la mappatura dei ruoli privacy in filiere articolate di sviluppo IA, uno degli aspetti più delicati nella pratica contrattuale (si pensi alle clausole di responsabilità e alle designazioni ex art. 28 GDPR che un legale è chiamato a redigere o validare).

L'EDPB conferma un principio già noto ma qui applicato al caso specifico: chi esegue materialmente lo scraping non è automaticamente titolare del trattamento; se lo scraper opera secondo istruzioni documentate di un committente (lo sviluppatore IA) circa fonti e categorie di dati da raccogliere, esso assume la veste di responsabile del trattamento ex art. 28 GDPR, mentre il committente - che determina finalità e mezzi essenziali - resta titolare.

Interessante, e di immediata rilevanza pratica, è la distinzione tracciata al punto 19: quando uno sviluppatore IA riutilizza un dataset già raccolto da un soggetto terzo (scenario "data broker"), i due trattamenti (raccolta iniziale e successivo riutilizzo per l'addestramento) restano in linea di principio autonomi e distinti, ciascuno riferibile al proprio titolare, salva l'ipotesi - puntualmente illustrata nell'Esempio 1 - in cui le parti concordino congiuntamente finalità e mezzi, dando luogo a contitolarità ex art. 26 GDPR; ne consegue che, nella due diligence su un dataset di terze parti, occorrerà sempre verificare a monte la base giuridica e le modalità della raccolta originaria, poiché lo scraper "non è, in linea di principio, responsabile del riutilizzo dei dati" da parte di chi il dataset lo acquista o riceve in licenza.

Il paragrafo 3.2.2 rappresenta il nucleo operativo del documento e richiede un'attenta analisi da parte di chi sia chiamato ad assistere il titolare del trattamento, anche in qualità di DPO, nella valutEDPazione e nella progettazione di un'attività di scraping.

Trasparenza (artt. 5.1.a, 12-14 GDPR).

L'EDPB riconosce, in coerenza con l'art. 14, par. 5, lett. b), che l'informativa individuale può risultare impossibile o sproporzionatamente onerosa quando i dati non sono raccolti presso l'interessato, situazione questa a dir poco fisiologica nello scraping massivo; la deroga però non è incondizionata, richiedendo:

(i) un test di bilanciamento tra lo sforzo del titolare e l'impatto sull'interessato, condotto sul dataset nel suo complesso (non dato per dato) e tenendo conto di numero di interessati, anzianità dei dati e garanzie adottate;

(ii) l'adozione della misura minima e sempre dovuta della pubblicazione di un'informativa generale (privacy policy) accessibile, contenente le informazioni ex art. 14, incluse le caratteristiche del crawler e, ove possibile, l'elenco delle fonti e il periodo di raccolta; gli Esempi 2 e 3 offrono un utile discrimine pratico: dataset di grandi dimensioni, storici e privi di canale di contatto diretto (Esempio 2) legittimano l'informativa generale; un gruppo chiuso di 5.000 utenti identificabili e contattabili (Esempio 3), invece, no – restando in tale ipotesi dovuta l'informativa individuale.

Il criterio distintivo, per la prassi contrattuale, sarà dunque la contattabilità concreta degli interessati, non la mera dimensione del dataset.

Minimizzazione (art. 5.1.c).

L'EDPB chiarisce, opportunamente, che il principio non osta all'addestramento con grandi volumi di dati in sé, ma impone l'adozione di misure a monte (criteri di raccolta precisi, data mapping, filtri di esclusione per categorie o siti strutturalmente sensibili, rispetto dei segnali di opposizione quali robots.txt e ai.txt) e a valle (filtri sintattici, sostituzione con dati sintetici, anonimizzazione o pseudonimizzazione).

Sul punto, è opportuno formulare una precisazione: il riferimento ad ai.txt non costituisce una novità introdotta dalle presenti Linee guida. Come già evidenziato, esso compariva, unitamente a robots.txt, nella sotto-sezione dedicata alle misure di mitigazione del web scraping contenuta nel Parere 28/2024 (§ 105) e le Linee guida 03/2026 ne confermano e, per certi versi, ne estendono l'impiego, valorizzandolo sia quale criterio di minimizzazione sia nell'ambito del bilanciamento degli interessi, senza tuttavia attribuirgli un rilievo prevalente rispetto agli altri indicatori tecnici attraverso i quali può essere manifestata l'opposizione al trattamento.

Esattezza (art. 5.1.d).

Il principio viene esteso, con un passaggio dogmaticamente rilevante, anche all'output del modello: se il modello, una volta immesso sul mercato, produce dati personali, esso deve essere conforme al principio di esattezza anche in fase di utilizzo, e non solo in fase di raccolta dei dati di addestramento; è facile comprendere come si tratti di un'affermazione che estende la responsabilità del titolare ben oltre la fase di training, con potenziali ricadute su clausole contrattuali di manleva e su valutazioni di adeguatezza dei sistemi di IA generativa erogati a valle come servizio.

Il paragrafo 3.2.3 conferma quanto già ampiamente atteso: il consenso è, nella normalità dei casi, una base giuridica non praticabile per lo scraping massivo (mancanza di rapporto diretto con l'interessato, impossibilità di raccolta ex ante), sicché il legittimo interesse ex art. 6, par. 1, lett. f), resta la base elettiva; qui l'EDPB richiama qui la propria griglia di analisi già cristallizzata nelle Linee guida 1/2024 sull'art. 6.1.f:

(i) legittimità, concretezza e attualità dell'interesse perseguito;

(ii) necessità del trattamento, da valutare anche restringendo i criteri di raccolta e preferendo dati pseudonimizzati o sintetici ove idonei allo scopo;

(iii) bilanciamento, che tiene conto della natura dei dati, del contesto e delle ragionevoli aspettative dell'interessato.

Il criterio delle "ragionevoli aspettative" (punti 62-64) è probabilmente il passaggio di maggiore interesse pratico e al tempo stesso di maggiore incertezza applicativa.

L'EDPB indica quattro fattori - natura del sito fonte, tipo e accessibilità pubblica della pubblicazione, restrizioni tecniche imposte dal sito (login, robots.txt, ai.txt, CAPTCHA), natura del rapporto tra interessato e titolare, caratteristiche dell'interessato (minore, figura pubblica) - ma rifiuta esplicitamente l'automatismo per cui la mera pubblicità del dato equivarrebbe ad aspettativa di riutilizzo per l'IA generativa (punto 64: "non si può ritenere che [gli interessati] possano sempre attendersi tale trattamento in ogni situazione, per ogni finalità").

Gli Esempi 4 e 5 - rispettivamente riferiti a una piattaforma che consente o comunque segnala la scrapability dei contenuti e a una piattaforma che, al contrario, la esclude espressamente mediante misure tecniche - rappresentano le due situazioni contrapposte considerate dall'EDPB.

Il documento, tuttavia, non afferma che la sola presenza di strumenti quali robots.txt o CAPTCHA assuma, di per sé, carattere decisivo nel bilanciamento in quanto tale elemento è ricondotto a uno dei quattro fattori da valutare congiuntamente agli altri: natura del sito, modalità e tipologia della pubblicazione, rapporto con il titolare del trattamento e caratteristiche dell'interessato.

L'impressione che questo profilo possa assumere, nella concreta applicazione, un peso maggiore rispetto agli altri deriva dalla lettura degli esempi proposti, ma non trova riscontro in una gerarchia espressamente delineata dal documento, che sul punto mantiene un'impostazione essenzialmente casistica e fondata sulla valutazione complessiva delle circostanze concrete.

Sul piano delle misure di mitigazione (punto 66), l'elenco - non esaustivo - proposto dall'EDPB (esclusione di contenuti a rischio per categorie vulnerabili, esclusione di fonti particolarmente intrusive, esclusione di dati protetti da autenticazione o non ragionevolmente accessibili, limiti temporali, trasparenza rafforzata, diritto di opposizione preventivo con liste di opt-out, cancellazione/anonimizzazione tempestiva, pseudonimizzazione, misure anti-memorizzazione e anti-regurgitation) costituisce, nella sostanza, una checklist di accountability che ogni titolare dovrebbe poter documentare nel proprio registro dei trattamenti e nella DPIA.

Gli Esempi 6 e 7 sono didascalici nel mostrare l'esito opposto di un identico test applicato a un caso privo di misure di mitigazione (voice cloning senza garanzie: legittimo interesse non superato) e a un caso con misure organiche e documentate, incluso il rispetto della normativa sul diritto d'autore (Direttiva 2019/790, opt-out per il text and data mining): legittimo interesse generalmente superato.

Il paragrafo 3.2.4 affronta a mio avviso il passaggio più delicato del documento ossia l'inevitabile raccolta incidentale di categorie particolari di dati (art. 9 GDPR) in un'attività di scraping su vasta scala, per sua natura non selettiva rispetto al contenuto informativo delle singole pagine.

L'EDPB opera un'operazione ermeneutica di rilievo, mutuando dalla giurisprudenza sui motori di ricerca - citata nelle Linee guida come "CJEU, Grand Chamber, Judgment of 24 September 2019, GC and Others C-136/17" - il criterio della responsabilità "nell'ambito delle sue responsabilità, dei suoi poteri e delle sue capacità".

Si tratta di un'estensione per analogia, non di un'applicazione diretta: l'EDPB è esplicito nel dire che tale ragionamento vale solo per attività di trattamento con "rilevanti analogie" con quella di un motore di ricerca, in presenza di quattro condizioni cumulative (raccolta incidentale e non intenzionale; oggettiva difficoltà di prevenire ex ante la raccolta; misure adottate entro il perimetro di responsabilità, poteri e capacità del titolare) e non costituisce un'esenzione generale dagli artt. 9 e 10.

Le "responsabilità, poteri e capacità" vengono poi tradotte in un articolato set di misure lungo l'intero ciclo di vita del modello - prima della raccolta (filtri e esclusioni), dopo la raccolta (cancellazione immediata, gestione delle richieste di cancellazione), in fase di sviluppo (test di resistenza agli attacchi alla riservatezza, output filtering) e in fase di esercizio (monitoraggio continuo dell'output, aggiornamento dei filtri, valutazione prospettica delle tecniche di machine unlearning); per un titolare che utilizzi o distribuisca un sistema di IA generativa come servizio, ciò significa che l'onere di compliance non si esaurisce con la fase di addestramento, ma permane - sotto forma di obbligo di monitoraggio e aggiornamento continuo - per tutto il ciclo di vita del prodotto, con conseguenze dirette sulla strutturazione dei DPIA e sui piani di audit periodico da inserire nei modelli di data governance.

Le Linee guida traducono i principi generali del Regolamento - già enunciati nell'"EDPB Opinion 28/2024 on certain data protection aspects related to the processing of personal data in the context of AI models" e nelle Linee guida 1/2024 sul legittimo interesse - in indicazioni più granulari, calate sulla fenomenologia tecnica specifica del web scraping (targeted vs. untargeted; contenuti statici vs. dinamici; le quattro fasi raccolta-estrazione-pulizia-strutturazione)e, in tale ottica il documento è chiaro e non richiede, credo, particolari cautele interpretative.

Quanto segue costituisce, invece, una lettura interpretativa personale, che può essere proposta come spunto di riflessione e di lavoro, ma che richiede necessariamente di essere verificata alla luce del contesto concreto e della sensibilità dell'interprete.

A mio avviso, sul piano applicativo, il titolare del trattamento - o il DPO chiamato ad assisterlo nell'attuazione delle Linee guida - dovrebbe valutare l'opportunità di predisporre criteri formalizzati e documentati di raccolta dei dati, accompagnati da un data mapping preventivo, funzionale sia al rispetto del principio di minimizzazione sia alla possibilità di dimostrare l'eventuale carattere non intenzionale della raccolta di categorie particolari di dati personali.

Analoga attenzione dovrebbe essere riservata alla predisposizione, nei casi in cui l'informativa individuale non risulti concretamente praticabile, di una informativa pubblica sufficientemente analitica e articolata, nonché all'adozione di meccanismi effettivi e facilmente accessibili attraverso i quali l'interessato possa manifestare preventivamente la propria opposizione. A tali misure dovrebbero inoltre affiancarsi il rispetto dei segnali tecnici di esclusione e l'adozione di procedure di monitoraggio e controllo degli output che non si esauriscano nella fase di addestramento del sistema, ma accompagnino anche le successive fasi del trattamento e dell'utilizzo del modello.

Si tratta, tuttavia, di una ricostruzione operativa desunta in via interpretativa dal complesso delle indicazioni contenute nel documento, posto che le Linee guida non formulano tali prescrizioni in questi esatti termini, né individuano tra esse uno specifico ordine gerarchico o di priorità; soprattutto sotto quest'ultimo profilo, l'impostazione proposta riflette una valutazione dell'interprete e non una indicazione espressamente formulata dall'EDPB.

20 agosto 2026

Avv. Maurizio Reale