Anthropic sotto assedio sul copyright: l’altra AI salva 1.765 libri rari

🤖 Cosa cambia

• Sony Music Publishing e Warner Chappell accusano Anthropic di torrenting, scraping e copia di opere protette utilizzate nello sviluppo dei modelli Claude.
• La nuova causa sposta ancora il conflitto dal semplice training alla provenienza dei dataset, coinvolgendo direttamente Dario Amodei e Benjamin Mann.
• Ibteda Digital Library mostra l’altro volto dell’AI: una rete neurale addestrata sul lavoro umano automatizza la conservazione di migliaia di libri rari.

Anthropic affronta un nuovo fronte miliardario sul copyright proprio nel momento in cui un piccolo progetto indipendente dimostra che l’intelligenza artificiale può essere utilizzata sui libri con una logica completamente diversa: conservarli anziché trasformarli semplicemente in materia prima per i modelli. Sony Music Publishing e Warner Chappell Music hanno trascinato in tribunale la società di Claude, accusandola di aver costruito parte delle proprie raccolte attraverso torrent, scraping e download non autorizzati di opere protette. In Pakistan, intanto, Ibteda Digital Library ha trasformato dieci anni di correzioni manuali in Photoshop in un dataset supervisionato capace di automatizzare la digitalizzazione di un patrimonio editoriale raro. Due vicende differenti che convergono sulla stessa domanda: non soltanto cosa può fare l’AI con la conoscenza, ma come quella conoscenza viene acquisita e trattata.

Sony e Warner portano Anthropic davanti al giudice federale

Il nuovo procedimento è stato depositato il 28 agosto 2026 presso la United States District Court for the Northern District of California, divisione di San Jose, con numero 5:26-cv-09217. I convenuti non sono soltanto Anthropic PBC, ma anche il cofondatore e CEO Dario Amodei e il cofondatore Benjamin Mann. Nella denuncia di 48 pagine depositata dai publisher musicali, Sony Music Publishing, Warner Chappell e numerose società controllate sostengono che gli imputati abbiano condotto una campagna su larga scala di torrenting, scraping e downloading di opere protette, utilizzando successivamente parte del materiale nello sviluppo e nell’operatività dei modelli Claude. È importante mantenere netto il confine processuale: si tratta delle contestazioni formulate dagli attori, che dovranno essere dimostrate in giudizio, non di una nuova sentenza sulla responsabilità di Anthropic. Il procedimento chiede un processo con giuria e si inserisce in un contenzioso ormai strutturale tra sviluppatori di modelli generativi e titolari dei diritti sui corpus utilizzati durante lo sviluppo.

La parte più delicata della causa riguarda però l’origine dei dati. La denuncia riprende elementi già emersi nel contenzioso Bartz e sostiene che nel giugno 2021 Mann avrebbe utilizzato BitTorrent per acquisire almeno cinque milioni di libri da Library Genesis, mentre nel luglio 2022 dipendenti di Anthropic avrebbero ottenuto almeno altri due milioni di libri dal Pirate Library Mirror. Secondo gli editori musicali, all’interno di quelle raccolte sarebbero state presenti anche opere contenenti testi e spartiti appartenenti ai loro cataloghi. La stessa azione sostiene inoltre che Anthropic avrebbe raccolto testi musicali attraverso fonti online e utilizzato ulteriori corpus come Common Crawl, The Pile e Books3. Il punto giuridico è cruciale perché separa la discussione astratta sulla legittimità del training dalla questione, molto più concreta, della provenienza delle copie utilizzate per costruire il dataset. È precisamente la distinzione già emersa nel precedente contenzioso sui libri pirata e sull’accordo da 1,5 miliardi di dollari raggiunto da Anthropic: una cosa è valutare se un impiego trasformativo possa rientrare nel fair use, altra cosa è stabilire se l’acquisizione iniziale delle opere sia stata lecita.

Leggi anche: Anthropic e il precedente da 1,5 miliardi sui libri pirata: perché training e acquisizione dei dataset sono due problemi distinti

Il rischio economico nasce dalle decine di migliaia di opere contestate

Sony Music Publishing e Warner Chappell sostengono che le violazioni coinvolgano decine di migliaia di composizioni e chiedono i rimedi previsti dal diritto statunitense, compresi danni statutari che possono arrivare fino a 150.000 dollari per ogni opera in caso di violazione volontaria. A questa componente si aggiunge una contestazione relativa alla rimozione o alterazione delle Copyright Management Information, per la quale gli attori puntano a ulteriori risarcimenti. La combinazione spiega perché il procedimento venga descritto come potenzialmente multimiliardario, anche se il valore definitivo dipenderà dalle opere effettivamente riconosciute come violate, dalle condotte che il tribunale riterrà provate e dalla quantificazione finale dei danni. Gli editori chiedono inoltre la distruzione delle copie considerate illecite e informazioni sui dati utilizzati per l’addestramento di Claude. La causa articola quattro gruppi di contestazioni: violazione diretta attraverso torrenting, contributory infringement attribuito ad Amodei e Mann, violazione diretta da parte di Anthropic e rimozione o modifica delle informazioni sul copyright. Il nuovo procedimento arriva inoltre in un momento nel quale anche altri operatori stanno cercando di definire regole più precise: Google ha recentemente sostenuto un modello nel quale il training su materiale pubblicamente accessibile resta ampio ma accompagnato da opt-out leggibili dalle macchine, confermando quanto la provenienza e la gestione dei dati stiano diventando un elemento competitivo oltre che legale.

La denuncia non si limita, inoltre, alla fase di raccolta. Gli editori sostengono che Claude sarebbe in grado di restituire parti identiche o sostanzialmente simili a testi musicali protetti, contestando quindi sia gli input utilizzati per l’addestramento sia determinati output. La documentazione cita composizioni molto note appartenenti a cataloghi rappresentati dai querelanti, ma sarà il procedimento a dover stabilire in quali circostanze le riproduzioni costituiscano effettivamente violazione e quali sistemi di protezione siano stati implementati da Anthropic. La società, attraverso un portavoce, ha respinto le accuse e annunciato che si difenderà in tribunale. Il dato industriale resta però evidente: il dataset non può più essere considerato una scatola nera secondaria rispetto al modello. Per un’azienda che sviluppa LLM, la capacità di dimostrare origine, licenza, trattamento e trasformazione dei dati sta diventando parte della stessa infrastruttura di rischio del prodotto. Il valore di un modello non dipende soltanto dai parametri, dai benchmark o dal costo dell’inferenza, ma anche dalla possibilità di dimostrare che il materiale che lo ha alimentato può essere utilizzato senza aprire passività economiche potenzialmente enormi.

Ibteda mostra un modello opposto: il lavoro umano diventa il dataset

Quasi contemporaneamente, dall’altra parte del problema, Ibteda Digital Library offre un esempio di machine learning costruito attorno alla conservazione del patrimonio culturale. Il progetto nasce in Pakistan intorno al 2015, quando un piccolo gruppo impegnato nella letteratura urdu iniziò a cercare edizioni storiche difficili da reperire, comprese litografie, dizionari, periodici, volumi illustrati e testi con annotazioni marginali. Senza scanner professionali né finanziamenti istituzionali, il gruppo costruì una postazione con comuni fotocamere Nikon, luci LED e una lastra di vetro recuperata da una fotocopiatrice. Il case study tecnico pubblicato da Ibteda ricostruisce oggi un inventario di 822.161 fotografie a doppia pagina, equivalenti a circa 1,64 milioni di lati di pagina, con 575.729 pagine completate manualmente in Photoshop appartenenti a 1.765 libri. Le cifre primarie sono quindi più precise rispetto alla semplificazione dei circa 1.800 volumi utilizzata nei resoconti iniziali. Quando le operazioni quotidiane sono state sospese nell’aprile 2026, rimanevano 526.392 fotografie a doppia pagina già acquisite ma ancora da post-processare. Il problema non era più fotografare i libri: era trasformare centinaia di migliaia di immagini grezze in pagine archivistiche coerenti.

È qui che il progetto diventa particolarmente interessante per l’AI applicata. I primi esperimenti con tecniche tradizionali di computer vision e OpenCV fallivano perché regole efficaci su un libro non si trasferivano necessariamente al successivo. Ombre della rilegatura, pagine macchiate, bordi litografici, annotazioni, fotografie, colonne, formati diversi e variazioni nella quantità di margine da conservare impedivano di costruire un semplice algoritmo universale. Ibteda ha quindi utilizzato come supervision le stesse decisioni prese dagli operatori nel corso di dieci anni: le fotografie originali rappresentavano l’input e le pagine già rifinite in Photoshop diventavano il target. Per ricostruire la corrispondenza tra le due immagini sono stati impiegati feature matching SIFT, Lowe ratio test, corrispondenze bidirezionali e omografie calcolate tramite USAC_MAGSAC. Su 36.450 tentativi di associazione, il sistema ha accettato 35.648 corrispondenze, pari al 97,8%, applicando criteri conservativi proprio perché una falsa etichetta avrebbe contaminato il dataset più di quanto avrebbe fatto l’esclusione di una pagina dubbia. È un approccio nel quale l’automazione non cancella il lavoro umano precedente: lo comprime in conoscenza operativa riutilizzabile.

Una ResNet-34 impara la geometria ma dieci correzioni umane fanno la differenza

Il modello utilizzato per la geometria delle pagine è relativamente contenuto: una ResNet-34 preaddestrata su ImageNet, alimentata con immagini a doppia pagina ridimensionate su canvas 704 × 704, produce due serie separate di predizioni per la pagina fisicamente a sinistra e quella a destra. Ogni lato viene rappresentato attraverso centro, larghezza, altezza e rotazione, mentre la loss misura direttamente l’errore sulle quattro coordinate degli angoli. La scelta più interessante emerge però durante la generalizzazione. Un modello più grande non ha automaticamente risolto il problema fondamentale: il bordo fisico di un foglio è visibile nell’immagine, ma la quantità di margine che un archivista decide di conservare è una convenzione editoriale specifica del libro e non un dato osservabile universalmente. Ibteda ha quindi rinunciato a pretendere che la rete neurale indovinasse questa preferenza e ha introdotto una calibrazione umana minima. Per ogni nuovo volume vengono selezionate cinque fotografie a doppia pagina; l’operatore corregge entrambi i lati e produce così dieci crop di calibrazione. La correzione mediana viene poi applicata alle immagini successive. Sul campione di conferma, il parametro pass@80 è passato da 0,7107 senza calibrazione a 0,8271 dopo le dieci correzioni. È un risultato che contraddice una delle semplificazioni più diffuse nell’AI: più modello e più dati non significano automaticamente maggiore qualità se il problema contiene preferenze umane non deducibili dai pixel.

La pipeline dimostra anche perché il termine “restauro automatizzato” vada utilizzato con precisione. Il sistema non reinventa arbitrariamente una pagina antica né genera contenuto mancante con un modello generativo. Automatizza soprattutto individuazione della geometria, crop, separazione dei lati, correzione della prospettiva e parte del retouching, replicando decisioni già osservate nel lavoro degli archivisti e indirizzando i casi incerti verso una revisione umana. La preservazione resta quindi human-in-the-loop. Anche lo storage è progettato come archivio verificabile: i contenuti vengono conservati utilizzando ZFS e manifesti BLAKE3, mentre una parte della collezione è consultabile attraverso Ibteda Digital Library su Internet Archive. In questo senso il progetto pakistano si colloca all’estremo opposto della logica contestata nelle cause contro i grandi laboratori: il libro non viene considerato soltanto un contenitore dal quale estrarre token, ma un oggetto documentale del quale preservare pagina, struttura, imperfezioni, annotazioni e provenienza. Anche l’ecosistema open source sta iniziando a formalizzare lo stesso principio di responsabilità, come mostra la nuova linea Debian sull’uso dell’AI generativa, che mantiene in capo al contributore responsabilità su qualità, licenze e provenienza degli output.

Il valore del dataset si sposta dalla quantità alla provenienza

Il contrasto tra Anthropic e Ibteda Digital Library non significa naturalmente paragonare una piccola pipeline di computer vision a un LLM frontier. Le dimensioni, gli obiettivi e le architetture sono completamente differenti. La vicinanza temporale delle due vicende rende però visibile uno dei passaggi più importanti dell’industria AI del 2026: il dataset smette di essere soltanto una questione quantitativa e diventa un problema di provenance. Ibteda può spiegare con grande precisione da dove arriva ogni immagine, quale libro la contiene, come è stata trasformata, come sono state recuperate le etichette e quali casi sono stati scartati. Il contenzioso contro Anthropic nasce invece precisamente dalla contestazione opposta: gli editori sostengono che parte del vantaggio industriale di Claude sia stato costruito attraverso collezioni ottenute senza autorizzazione. In entrambi i casi il modello dipende dai dati, ma solo una catena documentata consente di ricostruire chi ha prodotto il materiale, attraverso quale processo è stato raccolto e con quali diritti viene riutilizzato. Per i laboratori AI questa capacità potrebbe trasformarsi rapidamente da tema di compliance a requisito economico: un corpus enorme ma giuridicamente opaco può generare una passività superiore al vantaggio competitivo che ha prodotto.

Continua con:

• Google propone training AI ampio con opt-out e nuove regole sul copyright
• Debian introduce responsabilità esplicita su licenze e contenuti prodotti con AI generativa

L’AI sui libri apre una battaglia che riguarda memoria, diritti e controllo

Le due storie mostrano infine che il dibattito sul rapporto tra AI e conoscenza non può essere ridotto alla contrapposizione tra innovazione e copyright. La tecnologia può servire a estrarre valore economico dai corpus, ma può anche consentire a tre volontari con fotocamere consumer di preservare opere che rischiavano di diventare inaccessibili. Può moltiplicare la capacità di elaborare milioni di documenti, ma rende contemporaneamente indispensabile sapere chi possiede quei documenti, come sono stati ottenuti e cosa accade agli originali. La causa di Sony Music Publishing e Warner Chappell cercherà di stabilire fino a che punto Anthropic abbia oltrepassato quei confini nella costruzione e nell’uso delle proprie raccolte. Ibteda dimostra invece che una pipeline AI può nascere da un presupposto radicalmente diverso: partire dal lavoro umano, conservarne le decisioni e automatizzarle senza perdere la tracciabilità del materiale. Nel prossimo ciclo dell’intelligenza artificiale il vantaggio competitivo potrebbe non essere avere semplicemente più dati, ma poter dimostrare di avere il diritto di usarli e la capacità di conservarne la provenienza.