Immaginate di entrare in un enorme magazzino di volumi usati, acquistarne milioni a pochi centesimi e poi, uno dopo l'altro, tagliare via la rilegatura per darli in pasto a scanner industriali ad alta velocità. Questa non è una scena tratta da un romanzo distopico, ma la realtà dietro Project Panama, l'operazione riservata condotta da Anthropic, la startup tecnologica che ha dato i natali all'intelligenza artificiale Claude.
Il progetto, svelato dal podcast Post Reports del Washington Post, aveva un obiettivo chiaro: raccogliere la più vasta quantità possibile di prosa di alta qualità per nutrire i modelli linguistici avanzati. Per guidare la manovra, la società ha ingaggiato Tom Turvy, un dirigente che in passato aveva già supervisionato il monumentale e discusso progetto Google Books.
La tecnica della scansione distruttiva
La metodologia adottata è stata battezzata dagli addetti ai lavori come scansione distruttiva. Invece di trattare i volumi con la cura tipica delle biblioteche, gli operatori rimuovevano fisicamente la parte posteriore di ogni libro per separare i fogli e velocizzare il passaggio sotto le lenti digitali. Una volta completata la scansione, i resti cartacei venivano semplicemente avviati al macero, trasformando la carta stampata in un flusso di dati grezzi.
Il libro viene sacrificato in nome del progresso tecnologico, ridotto a materia prima per nutrire gli algoritmi del futuro.
Ma perché un'azienda multimilionaria dovrebbe comprare e distruggere tonnellate di carta quando internet offre una quantità apparentemente infinita di testi gratuiti? La risposta risiede nella qualità della materia prima. La rete è satura di contenuti scadenti, refusi, notizie false e testi generati automaticamente da altri bot. I libri cartacei, al contrario, offrono una lingua strutturata, revisionata da editor professionisti e dotata di una complessità sintattica che nessun blog amatoriale può eguagliare.
Dietro questa fame insaziabile di dati si cela un collo di bottiglia tecnico ben noto agli ingegneri del settore: la cosiddetta "crisi del collasso dei dati". Secondo recenti stime elaborate da istituti di ricerca indipendenti, la quantità di testo umano di alta qualità disponibile sul web pubblico potrebbe esaurirsi completamente entro il 2026. Questo limite strutturale spinge le aziende hi-tech a esplorare zone d'ombra legali, attingendo a cataloghi cartacei protetti da copyright o ricorrendo a dataset di libri piratati come il famigerato Books3, utilizzato non solo da Anthropic ma anche da altri giganti della Silicon Valley per addestrare i rispettivi LLM.
Il panorama normativo europeo, tuttavia, traccia confini molto più rigidi rispetto a quello statunitense. Il Regolamento sull'Intelligenza Artificiale (AI Act) recentemente approvato dall'Unione Europea impone agli sviluppatori di modelli di base una trasparenza radicale sui dataset utilizzati, introducendo l'obbligo di pubblicare un riassunto dettagliato dei contenuti protetti da copyright impiegati per il training. Questa divergenza transatlantica apre scenari complessi: da un lato la spinta all'innovazione senza freni negli Stati Uniti, dall'altro la tutela rigorosa della proprietà intellettuale nel Vecchio Continente, dove editori e autori chiedono compensazioni economiche miliardarie per ogni singolo volume digitalizzato senza consenso.
Questi dettagli inediti sono emersi durante una complessa battaglia legale avviata nel 2023 da un gruppo di autori infuriati per l'uso non autorizzato delle proprie opere. La controversia si è chiusa con un accordo economico imponente, ma i documenti depositati in tribunale hanno spalancato una finestra su un mercato grigio fatto di acquisizioni massive e ricorso a librerie digitali clandestine, riaprendo il dibattito sul confine sottile tra innovazione tecnologica e tutela del diritto d'autore.
Per chi opera nel mondo della formazione e della scuola, comprendere queste dinamiche non è più un vezzo accademico ma una necessità quotidiana. Docenti, educatori e personale amministrativo si trovano oggi in prima linea nella gestione di strumenti basati sull'intelligenza artificiale, spesso senza possedere gli strumenti critici adeguati per valutarne le implicazioni etiche e legali. Conoscere l'origine dei dati che alimentano le macchine significa comprendere i bias algoritmici, i rischi legati al plagio e l'importanza di difendere il valore autentico della produzione intellettuale umana all'interno delle aule scolastiche.
Per approfondire: CEMFORM propone IDCERT DigComp 2.2 — la certificazione informatica accreditata che offre 1 punto utile per le graduatorie GPS, fondamentale per comprendere a fondo le competenze digitali e l'impatto delle nuove tecnologie nella società moderna.
