SPUR sfida l’AI gratis: NYT, Economist e AFP chiedono licenze misurabili

📌 In Sintesi

• Oltre 40 editori, tra cui New York Times, AFP ed Economist, entrano nella SPUR Coalition, che supera 80 membri in più di 20 Paesi.
• Il Content Telemetry Standard registra cinque eventi: recupero, grounding, citazione, presentazione ed engagement del contenuto dentro sistemi AI.
• SPUR non negozia collettivamente le licenze: vuole creare la misurazione tecnica necessaria perché ogni editore possa sapere quanto e come il proprio giornalismo viene utilizzato.

Gli editori internazionali stanno provando a risolvere il problema economico dell’intelligenza artificiale partendo dal punto che finora è mancato quasi completamente: misurare l’utilizzo dei contenuti prima ancora di discutere quanto debbano essere pagati. Oltre 40 nuove organizzazioni, tra cui New York Times, Agence France-Presse ed Economist, hanno aderito alla SPUR Coalition, portando il progetto a più di 80 membri distribuiti in oltre 20 Paesi. La notizia, riportata originariamente da Reuters, arriva pochi giorni dopo la pubblicazione della versione 1 del Content Telemetry Standard. La differenza rispetto alle normali battaglie sul copyright è sostanziale: SPUR tenta di costruire l’equivalente di un sistema di analytics per il consumo giornalistico delle macchine, nel quale diventi possibile distinguere quando un agente recupera un articolo, quando lo utilizza per costruire una risposta e quando quella risposta genera effettivamente esposizione o interazione.

SPUR supera 80 membri e trasforma il copyright in un problema di misurazione

La coalizione nasce attorno a BBC, Financial Times, Guardian Media Group, Sky News e Telegraph Media Group, ai quali si sono successivamente aggiunti Mediahuis e Associated Press. Con il nuovo allargamento la partita cambia scala perché entrano testate e agenzie che producono una quantità enorme di giornalismo originale, archivi e informazione utilizzabile per training, retrieval e grounding. Il problema non è nuovo. Gli editori contestano da anni il fatto che crawler, motori e piattaforme possano acquisire contenuti dai siti per costruire prodotti che successivamente competono con le stesse fonti per l’attenzione dell’utente. La difficoltà è però sempre stata dimostrare cosa viene preso, quando viene utilizzato e quale valore genera. Lo scontro giudiziario tra Google, Chegg e Penske ha mostrato recentemente quanto sia difficile trasformare questa dipendenza economica in una teoria antitrust efficace: le cause contro AI Overviews sono state respinte, senza però risolvere il problema industriale della remunerazione.

Leggi anche: Google inizia a pagare i siti usati dall’AI ma decide da solo quanto valgono

Cinque eventi per sapere cosa fa realmente un agente AI con un articolo

Il cuore dell’operazione è il Content Telemetry Standard v1 pubblicato da SPUR. Il framework open source definisce cinque eventi distinti: content retrieved, quando il contenuto viene recuperato; grounded, quando viene utilizzato come base informativa di una risposta; cited, quando viene citato; presented, quando compare effettivamente all’utente; engaged, quando produce un’interazione. La distinzione è decisiva perché rompe l’equivalenza semplicistica tra accesso al server e valore economico. Un agente può scaricare cento articoli e utilizzarne soltanto uno per costruire una risposta; può utilizzare quell’articolo senza citarlo oppure citarlo senza generare alcun clic. Per l’editore sono comportamenti economicamente differenti. Il Content Telemetry prova quindi a trasformare il consumo dei contenuti da parte delle macchine in una sequenza osservabile, sulla quale successivamente costruire auditing, attribuzione e accordi commerciali.

Il vero salto è passare dal crawler all’economia dell’inferenza

Robots.txt e sistemi di opt-out possono stabilire se un crawler sia autorizzato ad accedere a una risorsa, ma dicono molto meno su ciò che accade successivamente dentro una pipeline AI. È precisamente qui che SPUR prova a inserirsi. Un contenuto può essere recuperato in tempo reale da un sistema RAG, entrare nel contesto di un agente, influenzare una risposta senza essere mostrato integralmente e produrre valore anche senza generare traffico verso il sito originale. Il modello economico tradizionale dell’editoria digitale era invece molto più semplice: indicizzazione, impressione nella ricerca, clic, pagina visualizzata e ricavo pubblicitario o abbonamento. Con le risposte generative quella catena viene spezzata. Google Discover ha già iniziato a mettere l’AI prima del clic verso l’editore, dimostrando come la piattaforma possa utilizzare una fonte per aumentare il valore della propria interfaccia senza trasferire necessariamente la stessa quantità di utenti alla fonte.

SPUR non fissa il prezzo e non diventa una collecting society degli editori

Un elemento deve essere chiarito perché evita di attribuire alla coalizione un potere che non possiede. SPUR non è un organismo di licenza collettiva e non stabilisce una tariffa universale che OpenAI, Google, Anthropic o altri sviluppatori dovrebbero pagare. Ogni membro mantiene autonomia nei propri rapporti commerciali. L’obiettivo è creare standard, infrastruttura e best practice affinché una futura licenza possa poggiare su dati confrontabili. È una differenza fondamentale rispetto a un sistema nel quale sia la piattaforma stessa a misurare l’utilizzo e contemporaneamente a decidere quanto remunerarlo. Il pilot AI Contribution di Google ha già mostrato questo squilibrio: il motore può riconoscere che un contenuto abbia valore per l’AI, ma continua a controllare tecnologia, metrica e meccanismo economico. SPUR tenta invece di costruire una lingua comune precedente alla negoziazione, riducendo almeno in teoria l’asimmetria informativa tra chi produce il dato giornalistico e chi lo trasforma in risposta generativa.

La debolezza resta verificare ciò che le piattaforme dichiarano

La telemetria risolve però soltanto una parte del problema. Uno standard è efficace quando viene implementato e quando gli eventi dichiarati possono essere verificati. Se il sistema AI deve comunicare autonomamente che un articolo è stato recuperato, utilizzato o mostrato, diventa necessario costruire meccanismi di audit capaci di controllare l’affidabilità della segnalazione. SPUR sta infatti lavorando anche su prove di implementazione, identificatori, accuratezza delle evidenze e strumenti per gli agenti. Il punto è cruciale: misurare l’AI attraverso dati prodotti esclusivamente dall’AI rischierebbe di ricreare la stessa dipendenza che gli editori stanno cercando di superare. La questione diventa quindi tecnologica prima ancora che contrattuale: servono identificazione delle risorse, tracciabilità degli eventi e possibilità di confrontare ciò che un sistema dichiara con ciò che effettivamente produce.

Continua con:

Google ridisegna le regole dell’AI: training libero, opt-out e stop ai nudify

Google batte Chegg e Penske: l’antitrust non salva gli editori dagli AI Overviews

Il giornalismo prova finalmente a misurare ciò che regala alle macchine

La crescita di SPUR indica che una parte dell’industria editoriale ha compreso che il problema non può essere affrontato soltanto chiedendo una legge, bloccando crawler o intentando cause dopo che il contenuto è già stato utilizzato. Nell’economia degli agenti AI serve sapere quanto valore informativo attraversa le piattaforme, in quale fase viene utilizzato e se il produttore originale riceve qualcosa in cambio. New York Times, AFP, Economist e gli altri membri non hanno ancora costruito un mercato universale delle licenze AI e il Content Telemetry Standard non obbliga nessuna piattaforma a pagare. Hanno però individuato un prerequisito che fino a oggi mancava: una metrica condivisa. Senza telemetria l’editore negozia al buio; con una telemetria verificabile può almeno sapere quale parte del proprio lavoro alimenta la risposta che sostituisce il clic. È su quella differenza che potrebbe nascere il vero mercato dei contenuti giornalistici nell’era dell’intelligenza artificiale.