Microsoft temeva il doom loop dell'AI: meno clic agli editori, meno contenuti per i modelli

Lo scontro tra editori e aziende impegnate nello sviluppo di modelli e soluzioni basati sull’intelligenza artificiale non riguarda più soltanto la domanda, ormai nota, se sia lecito addestrare un modello linguistico usando materiale protetto da copyright. I documenti interni di Microsoft e OpenAI emersi nel procedimento federale statunitense aggiungono un elemento molto più delicato: alcune persone coinvolte nello sviluppo dei prodotti avevano discusso apertamente il rischio che gli assistenti AI sottraessero traffico, ricavi e valore economico proprio agli editori dai quali proveniva una parte dei dati utilizzati per costruire i modelli generativi.

La vicenda nasce dalla causa avviata dal New York Times contro OpenAI e Microsoft alla fine del 2023 e poi confluita, insieme ad altri procedimenti promossi da editori e autori, nella controversia multidistrettuale “In Re: OpenAI, Inc. Copyright Infringement Litigation” davanti alla U.S. District Court for the Southern District of New York. Nell’aprile 2025 il giudice Sidney H. Stein aveva già consentito a diverse contestazioni sul copyright di proseguire, pur eliminando altre pretese. A settembre 2026 la disputa è arrivata alla fase delle richieste di summary judgment: le parti chiedono cioè al giudice di decidere alcune questioni sulla base delle prove raccolte, senza attendere necessariamente un processo completo.

Il documento depositato dagli editori e reso parzialmente pubblico il 17 settembre 2026 è lungo 92 pagine e riporta email, memorandum, deposizioni e dati aziendali ottenuti durante la fase processuale. È importante precisarlo subito: si tratta della ricostruzione proposta dagli attori, non di fatti già accertati definitivamente da un tribunale. Molti degli elementi citati, tuttavia, provengono da comunicazioni interne delle stesse Microsoft e OpenAI e permettono di capire molto meglio come dati giornalistici, motori di ricerca e modelli linguistici si siano intrecciati durante lo sviluppo dei primi sistemi generativi commerciali.

Il documento Microsoft che parla di “furto del lavoro”

Il passaggio destinato a fare più rumore riguarda Brent Hecht, Director of Applied Science di Microsoft. In un documento interno del 2023 Hecht descriveva la raccolta su vasta scala di contenuti destinati all’AI come un'”astonishing theft of unprecedented proportions” e arrivava a definirla, con una formulazione prudenziale riportata negli atti, forse il “largest theft of labor in human history“.

Non è una posizione ufficiale di Microsoft. L’azienda ha infatti precisato che le considerazioni di Hecht rappresentavano il punto di vista individuale di un dipendente, non un’analisi legale né la posizione societaria sul copyright.

Ma il valore documentale di quelle frasi non sparisce: mostrano che, dentro Microsoft, esisteva già una discussione esplicita sulle conseguenze economiche e giuridiche dell'”assorbimento” di enormi quantità di lavoro creativo nei modelli generativi.

Si può stare giorni interi a definire meglio quel termine “assorbimento”, a parlare di come funzionano i modelli generativi e, soprattutto, di come avviene la fase di addestramento. Però è pacifico che una base di informazioni, un corpus affidabile di dati deve essere in qualche modo consegnato al modello per poi arrivare a generare i pesi e comprendere le relazioni tra parole e, in ultima analisi, concetti.

Hecht avrebbe inoltre osservato che pochissimi autori avevano prodotto testi pensando che sarebbero serviti ad addestrare sistemi di intelligenza artificiale e che, nella maggior parte dei casi, nessuno ha ottenuto compensi per quell’impiego. La questione non veniva vista soltanto come un problema di diritto d’autore; qualcuno in Microsoft analizzava anche i possibili effetto di ritorno: se i sistemi AI riducono gli incentivi economici a produrre contenuti originali, finiscono per erodere la stessa fonte dalla quale dipendono per ottenere informazioni di qualità.

Il “doom loop”: quando l’AI danneggia le fonti che la alimentano

Nei documenti compare infatti l’espressione doom loop.

Un editore finanzia giornalisti, redattori, fotografi, attività di fact checking e infrastrutture; pubblica contenuti sul web; motori di ricerca e crawler li raccolgono; un assistente AI li utilizza per addestramento oppure per costruire risposte aggiornate. Se però l’utente ottiene direttamente dall’assistente le informazioni che cercava, potrebbe non visitare più il sito originario.

Meno visite significano meno pubblicità, meno abbonamenti e minore capacità di finanziare nuovi articoli. A quel punto diminuisce anche la quantità di materiale autorevole disponibile online. Il prodotto che utilizza la produzione editoriale rischia di indebolire economicamente chi quella produzione la rende possibile.

Un documento Microsoft citato dagli editori riassume il problema in termini molto netti: sarebbe insolito che un prodotto minacci le fondamenta economiche dei propri fornitori essenziali, ma proprio questa sarebbe la situazione creata dagli LLM rispetto alla loro “content supply chain“.

Al di là dell’espressione aziendale, l’osservazione tecnica è rilevante. I modelli non producono nuova informazione primaria dal nulla: dipendono da materiale realizzato da persone, imprese, istituzioni, ricercatori e giornalisti.

I dati di Microsoft sul crollo dei clic verso gli editori

La parte forse più interessante del memorandum non riguarda le opinioni, bensì alcune misurazioni interne attribuite a Microsoft. Secondo il documento degli editori, l’uso di interfacce AI avrebbe prodotto forti riduzioni del click-through rate verso le fonti rispetto a esperienze di ricerca più tradizionali.

Il brief riporta riduzioni comprese fra l’87% e il 93% per siti del New York Times, fra l’83% e il 91% per quelli riconducibili a Daily News e fra il 51% e il 94% per i domini appartenenti a Ziff Davis. Sono dati presentati sulla base di materiale Microsoft e non dimostrano, da soli, un rapporto causa-effetto generale valido per tutto il web.

Indicano però un fenomeno che gli editori cercano da tempo di dimostrare: una risposta completa fornita direttamente nell’interfaccia di un chatbot può ridurre fortemente il bisogno di aprire la pagina sorgente. Lo stesso CEO dell’azienda di Redmond, Satya Nadella, durante una deposizione citata negli atti, avrebbe riconosciuto il meccanismo generale: l’utente può ricevere l’informazione direttamente sulla piattaforma AI invece di raggiungere il sito sottostante.

Anche dentro OpenAI il problema era noto. Nick Turley, responsabile di ChatGPT, avrebbe scritto che i prodotti AI rappresentavano un problema esistenziale per gli editori e che i chatbot risultavano in larga misura sostitutivi, con la prospettiva di diventarlo sempre di più con il miglioramento dei modelli.

Un ingegnere OpenAI osservava inoltre che, indipendentemente dalla visibilità attribuita ai collegamenti, molti utenti non li avrebbero aperti.

Training e grounding non sono la stessa cosa

Uno degli aspetti che rischia di perdersi nelle ricostruzioni più superficiali riguarda la differenza tra training e grounding. Durante il training il contenuto contribuisce all’aggiornamento dei pesi del modello: terminata l’elaborazione, non esiste un database nel quale ogni frase possa essere recuperata semplicemente interrogando i parametri. Ciò non esclude fenomeni di memorizzazione, soprattutto per sequenze rare o ripetute molte volte, ma il funzionamento non equivale a un motore di ricerca tradizionale.

Il grounding opera diversamente. Un sistema può interrogare un indice esterno al momento della richiesta, recuperare pagine pertinenti e passare estratti al modello dentro la finestra di contesto affinché generi una risposta. Tecniche di questo tipo, spesso ricondotte alla famiglia RAG – Retrieval-Augmented Generation – permettono di utilizzare contenuti recenti senza dover riaddestrare il modello.

Dal punto di vista del copyright, nel caso del training si discute della liceità delle copie necessarie a costruire il modello; nel grounding entrano in gioco acquisizione della pagina, riproduzione temporanea, quantità di testo trasferita al modello e forma dell’output mostrato all’utente.

Il memorandum degli editori chiede al tribunale di valutare i vari passaggi separatamente: acquisizione, training, grounding, produzione degli output e trasferimento dei dataset fra le società.

Perché il fair use è il vero campo di battaglia

Microsoft e OpenAI sostengono che l’impiego dei materiali protetti possa rientrare nel fair use previsto dalla Section 107 del Copyright Act statunitense.

La norma impone di valutare quattro fattori: scopo e carattere dell’utilizzo, natura dell’opera, quantità di materiale utilizzato e conseguenze sul mercato potenziale dell’opera originale.

La difesa punta soprattutto sull’idea di uso trasformativo: milioni di documenti non sarebbero conservati allo scopo di redistribuirli come articoli, ma servirebbero a costruire un sistema capace di svolgere funzioni nuove. Gli editori rispondono che il discorso cambia se il prodotto finale diventa un sostituto economico delle fonti dalle quali ha appreso.

Il quarto fattore del fair use chiede espressamente di valutare l’effetto dell’uso sul mercato esistente o potenziale dell’opera: è uno degli appigli che l’accusa sta utilizzando per sottolineare quanto la costruzione dei modelli AI abbia messo in crisi il business degli editori.

Come funziona in Europa?

Il quadro europeo è diverso e il concetto statunitense di fair use non trova un equivalente generale nel diritto d’autore dell’Unione Europea. Le eccezioni sono disciplinate in modo più specifico. Per l’addestramento dei sistemi AI assume particolare importanza la Direttiva (UE) 2019/790 sul copyright nel mercato unico digitale, che agli articoli 3 e 4 disciplina il text and data mining, cioè l’analisi automatizzata di grandi quantità di testi e dati.

L’articolo 4 permette anche alle imprese di effettuare riproduzioni ed estrazioni da opere alle quali abbiano accesso legittimo, ma soltanto finché il titolare dei diritti non abbia escluso espressamente tale possibilità. Per i contenuti pubblicati online, la normativa contempla una riserva comunicata anche attraverso strumenti leggibili automaticamente, come metadati o condizioni d’uso interpretabili dai sistemi informatici.

In Germania GEMA, la società che gestisce i diritti degli autori musicali, ha portato in tribunale diverse aziende di AI generativa. Nel luglio 2026 un tribunale tedesco ha stabilito che Suno aveva violato il copyright utilizzando brani musicali senza disporre dei necessari diritti e ha riconosciuto a GEMA il diritto di ottenere informazioni sui ricavi e un risarcimento. Suno ha contestato la decisione e può ancora ricorrere, ma il caso mostra bene la differenza rispetto agli USA: il dibattito europeo non ruota intorno al fair use (che non è contemplato) bensì attorno ai diritti esclusivi degli autori, alle eccezioni previste dalla legge, alla riserva per il text and data mining e all’eventuale necessità di una licenza.

La domanda che resta aperta è economica prima ancora che tecnica

Il nodo di fondo verte su chi finanzia la produzione delle informazioni che i modelli AI utilizzano. Se gli assistenti generativi diventano interfacce universali per ottenere risposte senza visitare le fonti, il rapporto tra AI e web cambia profondamente.

Una possibile risposta passa dalle licenze, e infatti negli ultimi anni numerosi editori hanno concluso accordi economici con società di intelligenza artificiale. Ma una soluzione basata solo su accordi individuali lascia aperti tanti problemi: valore economico delle opere, tracciabilità dei dati, differenza tra training e retrieval, gestione dell’opt-out e potere contrattuale dei soggetti più piccoli.

Il caso davanti al tribunale di New York potrebbe quindi diventare un passaggio importante non perché stabilirà una regola universale per qualunque modello e qualunque dataset, cosa improbabile, ma perché costringerà il giudice a esaminare operazioni concrete. Copiare, indicizzare, trasferire dataset, addestrare, recuperare documenti e generare testo non sono la stessa attività.