Cosa rivelano — e cosa no — i riepiloghi dei dati di addestramento del Regolamento UE sull'IA

L'articolo 53(1)(d) del Regolamento UE sull'IA impone a ogni fornitore di un modello di IA per finalità generali di pubblicare un «riepilogo sufficientemente dettagliato» dei contenuti usati per addestrarlo, secondo un modello pubblicato dall'Ufficio per l'IA nel luglio 2025. L'obbligo è entrato in vigore il 2 agosto 2025. Da un po' raccolgo i riepiloghi effettivamente depositati in un piccolo dataset comparabile — disponibile su transparency.kieranmaynard.com/ai-training — e l'esercizio finisce per dire più sullo stato della regolamentazione che sui modelli.

Cosa chiede davvero il modello

Il modello è volutamente sobrio. Per ogni modalità presente nei dati di addestramento — testo, immagine, audio, video, altro — il fornitore spunta una delle tre fasce di dimensione (per il testo: meno di un miliardo di token, da un miliardo a diecimila miliardi, o più di diecimila miliardi) e descrive il tipo di contenuto. Segue una serie di caselle sì/no sulla provenienza dei dati: dataset accessibili al pubblico, dati con licenza commerciale, dati privati di terzi, dati raccolti (crawlati) dal fornitore stesso, dati degli utenti e dati sintetici. Più una data di cut-off dell'acquisizione dei dati.

Tutto qui. Nessun conteggio di token, nessun nome di dataset, nessuna proporzione. La Commissione l'ha concepito per dare a titolari dei diritti e pubblico un riferimento minimo senza costringere i fornitori a cedere segreti commerciali. Il tetto di ciò che un singolo riepilogo può dire è quindi fissato basso, per scelta. Il valore, se c'è, nasce dal metterli fianco a fianco — cosa che nessun altro faceva, e il motivo per cui ho costruito il dataset. Normalizzo ogni fascia di dimensione in un rango (da 1 a 3, 0 per «non applicabile») così che le dimensioni grossolane possano almeno essere ordinate tra fornitori.

Il segnale più istruttivo è chi manca

All'ultimo aggiornamento, undici modelli di sette fornitori avevano depositato il modello standardizzato: Google (Gemini 3 Pro), Meta (Muse Spark), Microsoft (la famiglia Phi-4), OpenAI (GPT-5.5), la svizzera Swiss AI (Apertus), la polacca SpeakLeash (Bielik) e Hugging Face (SmolLM3).

Le assenze vistose sono i laboratori di frontiera che ci si aspetterebbe di vedere. Anthropic — incluso il suo modello di punta attuale, Fable 5 — insieme a Mistral e xAI non hanno depositato secondo il modello. Divulgano i contenuti di addestramento alla vecchia maniera, come un paragrafo di prosa in una scheda di modello: «un mix proprietario di informazioni accessibili al pubblico, dati in licenza e dati generati dai nostri team», o giù di lì. È una divulgazione reale, ma non è l'artefatto standardizzato che la regolamentazione ora richiede, e non è comparabile con nulla.

Questo divario non è sfida contro conformità. È una cucitura temporale scritta nella legge. I modelli immessi sul mercato UE dopo il 2 agosto 2025 devono depositare ora; quelli già sul mercato prima di tale data hanno tempo fino al 2 agosto 2027 per produrre il proprio riepilogo. I modelli sul modello sono quindi, quasi senza eccezioni, o modelli di punta nuovissimi che hanno varcato la linea dopo la scadenza, o laboratori open source ed europei che hanno depositato in modo proattivo perché l'apertura è tutto il loro biglietto da visita. Chi si astiene è per lo più seduto sul termine transitorio. «Chi ha depositato» è oggi un indicatore migliore di «chi ha rilasciato di recente un nuovo modello, o vuole apparire trasparente» che di «chi è più trasparente».

Cosa mostrano i dati depositati

Leggendo i riepiloghi in orizzontale, alcune cose reggono.

Tutti rivendicano dati pubblici; la variazione interessante è ovunque altrove. Ogni depositante spunta «dataset accessibili al pubblico». Quella casella non porta quasi nessuna informazione — è il prezzo d'ingresso. Dove i fornitori davvero divergono sono le altre categorie: se hanno fatto girare un crawler proprio o si sono appoggiati a dataset pubblici assemblati da altri; se hanno acquisito dati in licenza commerciale; se hanno usato dati sintetici; e — quella che si legge come una divulgazione autentica — se si sono addestrati su dati degli utenti. OpenAI spunta «sì» sui dati degli utenti, e il riepilogo precisa con cura che si tratta di dati di prodotti come ChatGPT e Codex, non dei log di interazione con il modello; anche Meta spunta «sì». I laboratori aperti ed europei — Apertus, Bielik, SmolLM3 — spuntano «no», accanto a nessuna licenza commerciale e nessun crawling proprio. Le caselle sì/no del modello sono grezze, ma è proprio quella colonna a dirti qualcosa che una pagina di marketing tacerebbe.

La fascia di dimensione più alta è già satura. «Più di diecimila miliardi di token» è il secchio più grande che il modello offre per il testo, ed è ormai semplicemente la norma: Gemini 3 Pro, Muse Spark, GPT-5.5 e SmolLM3 ci stanno tutti dentro. Un modello aperto da 3 miliardi di parametri e un sistema di frontiera dichiarano la stessa fascia di dimensione del testo. Non è un errore — è esattamente ciò che fa una scala a tre secchi una volta che il campo ha superato il secchio più alto. Smette di discriminare. I campi di dimensione servono a separare un modello piccolo o vecchio (Bielik cade nella fascia intermedia) da uno grande e moderno, e sono inutili per qualsiasi distinzione più fine.

La copertura delle modalità è il taglio più netto. L'unica cosa che i dati separano con nitidezza è multimodale contro solo testo. Google, Meta e OpenAI dichiarano dati di addestramento di immagine, audio e video; le voci dei laboratori aperti sono solo testo. È una distinzione reale e verificabile, visibile a colpo d'occhio in un modo in cui le fasce di dimensione non lo sono.

I limiti sono strutturali, non incidentali

Come per i rapporti di trasparenza del DSA di cui ho già scritto, i vincoli contano quanto il contenuto, e molti sono radicati nel regime stesso, non nella mia raccolta.

Non esiste un registro. Nessuno tiene un elenco canonico dei riepiloghi depositati, così «chi ha pubblicato» è di per sé una domanda di ricerca — ne ho trovati diversi risalendo a ritroso da un'indagine accademica e da schede di modello su Hugging Face. Ogni fornitore si auto-pubblica dove vuole, nel formato che vuole. In pratica ciò ha significato un PDF di rapporto di trasparenza da Google, PDF a campi modulo da Meta e OpenAI, una «scheda di riepilogo dati» in markdown da Microsoft, un PDF in un repository Hugging Face per Apertus e — per SmolLM3 — un widget interattivo sostenuto da un'app Gradio, dal cui codice sorgente ho dovuto estrarre il modello compilato. Un modello standardizzato pubblicato in cinque modi diversi è standardizzato solo a metà.

Non esiste un audit. Ogni casella è autodichiarata; nulla di esterno conferma che un «no» sui dati crawlati o degli utenti sia esatto. E il modello chiede se una fonte è stata usata, mai quanto, così che un fornitore che si è addestrato prevalentemente su dati in licenza e uno che ha toccato un solo set in licenza spuntano la stessa casella. «Accessibile al pubblico» non è mai definito, e quindi assorbe tutto, dai corpora di ricerca accuratamente curati al web aperto.

Niente di tutto ciò rende i dati inutili. Li rende ciò che sono: un'istantanea strutturata, autodichiarata e trasversale ai fornitori, davvero utile per cogliere la forma del campo — chi si addestra su quali tipi di fonti, all'incirca a che scala, in quali modalità — e fuorviante se si tratta una casella spuntata come una quantità misurata.

Cosa aspettarsi

I poteri sanzionatori scattano il 2 agosto 2026 — da quella data l'Ufficio per l'IA potrà agire su un riepilogo mancante o inadeguato, con sanzioni fino al 3 % del fatturato mondiale o 15 milioni di euro. Lo spostamento più grande arriva con il termine transitorio del 2 agosto 2027, quando anche i modelli preesistenti dovranno depositare. È allora che il dataset si fa interessante: i modelli di punta che oggi divulgano in prosa — quelli che devo lasciare fuori — dovranno produrre l'artefatto standardizzato o rischiare l'applicazione, e il segnale «chi manca» significherà finalmente qualcosa di più vicino alla non conformità che al calendario.

Mi aspetto che due cose diventino visibili man mano. Primo, la grezza fascia più alta diventerà più imbarazzante, non meno: man mano che più sistemi di frontiera si ammassano in «più di diecimila miliardi di token», crescerà la pressione ad aggiungere secchi più fini — o a dichiarare un numero reale — perché uno strumento di trasparenza che non sa distinguere un modello da 12 mila miliardi di token da uno da 50 mila miliardi non dice granché ai regolatori. Secondo, la frammentazione dei formati peggiorerà prima di migliorare, a meno che l'Ufficio per l'IA non istituisca un vero registro; altri cento riepiloghi sparsi su cento CDN aziendali e repository di modelli non sono un regime di trasparenza, sono una caccia al tesoro.

Il modello è un reale miglioramento rispetto allo status quo precedente, che era il nulla. Ma la storia interessante nei dati in questo momento non è ciò che un modello divulga — è la cucitura tra i laboratori che hanno dovuto depositare e quelli che non l'hanno ancora fatto, e quanto quel singolo caso di calendario spieghi oggi le cose. Continuerò ad aggiornare il dataset mentre la scadenza del 2027 attira il resto del campo verso il modello, e vedremo se la comparabilità sopravvive al contatto con altri cento depositi.