Il training dell’AI entra nell’era delle licenze: cosa insegna il caso Ross

Contesto della controversia

Il caso Thomson Reuters‑Ross Intelligence nasce dalla presunta violazione del diritto d’autore da parte di Ross Intelligence Inc. (di seguito “ROSS”) nei confronti di Thomson Reuters Enterprise Centre GmbH e West Publishing Corp. (collettivamente “TR”). ROSS aveva utilizzato 2.243 note a sentenza redatte da collaboratori giuridici della piattaforma Westlaw, servizio di ricerca giuridica di proprietà di TR, per addestrare il proprio motore di ricerca basato sull’intelligenza artificiale.

La decisione della District Court del Delaware, resa il 11 febbraio 2025 dal giudice Stephanos Bibas, aveva riconosciuto la violazione del diritto d’autore, rifiutando la difesa del fair‑use. Successivamente, il Terzo Circuito delle Corti d’Appello statunitensi ha confermato integralmente tale decisione con la sentenza depositata il 29 settembre 2026.

Motivazioni della sentenza di appello

Il collegio, presieduto dal giudice relatore Emil J. Bove III, ha ritenuto che le note a sentenza fossero opere protette perché “sufficientemente originali”, frutto di scelte redazionali non meccaniche. L’analisi ha seguito la tradizionale struttura a quattro fattori del fair‑use, ma ha concluso che nessuno di essi giustificava l’uso da parte di ROSS.

1. Natura dell’opera

Le note a sentenza, pur non essendo “creazioni artistiche” nel senso più ampio, contengono comunque un livello di originalità derivante da analisi, sintesi e formulazioni editoriali proprie di Westlaw. Pertanto, la loro natura non rientra nella categoria di “fatti o dati non protetti”.

2. Quantità e proporzione del materiale utilizzato

ROSS ha sostenuto di aver impiegato circa 25.000 note a sentenza, pari a meno dello 0,08 % del totale disponibile su Westlaw. La corte ha ritenuto che, nonostante la percentuale ridotta, l’uso fosse “sostanziale” perché le note sono state selezionate in modo mirato per coprire le aree tematiche più rilevanti per l’addestramento del modello.

3. Scopo trasformativo

ROSS affermava che le note fossero state convertite in “rappresentazioni numeriche” per addestrare un modello di IA, citando precedenti come Google Books e le cause Sega e Sony. Il tribunale ha respinto l’argomento, sottolineando che la mera conversione in dati numerici non costituisce un uso trasformativo se il contenuto originale non è stato modificato in modo significativo.

4. Effetto sul mercato

Il mercato rilevante, secondo la corte, è quello delle note a sentenza come prodotto autonomo. TR non aveva mai concesso licenze per l’addestramento di IA, ma la presenza di un prodotto concorrente (il motore di ROSS) avrebbe potuto ridurre la domanda di Westlaw, configurando un danno concreto al mercato.

Le argomentazioni di ROSS

Nel corso dell’appello, ROSS ha sostenuto quattro linee di difesa principali:

• Le note a sentenza non sono protette perché “parafrasano” o riproducono testualmente brani di sentenze senza aggiungere creatività autonoma.
• Applicando la teoria del “merger”, proteggere tali note significherebbe concedere un monopolio sulla legge, in contrasto con il principio che nessuno può possedere la legge stessa.
• Il fair‑use dovrebbe applicarsi perché le note sono opere di routine, la quantità utilizzata è minima e l’uso è trasformativo.
• L’effetto sul mercato è nullo o addirittura positivo, poiché il prodotto di ROSS non sostituisce le note a sentenza ma fornisce un nuovo strumento di accesso alla giustizia.

Inoltre, ROSS ha invocato la sentenza Warhol per sostenere che l’uso di opere non creative non ostacola il fair‑use, e ha presentato un “interesse pubblico” legato all’innovazione tecnologica e alla sicurezza nazionale.

Le controdeduzioni di Thomson Reuters

TR ha basato la propria difesa su tre assunti fondamentali:

• Le note a sentenza sono opere originali protette dal diritto d’autore, poiché richiedono scelte editoriali e interpretative.
• L’uso da parte di ROSS non è trasformativo perché il modello di IA si limita a “riprodurre” le informazioni legali senza aggiungere valore creativo.
• Il mercato delle note a sentenza esiste ed è vulnerabile: la diffusione non autorizzata mina il modello di business di licenza di Westlaw.

Durante l’udienza del 11 giugno 2026, i giudici hanno evidenziato la necessità di valutare se il prodotto di ROSS svolgesse una funzione davvero diversa rispetto a Westlaw o se fosse semplicemente una concorrenza lecita.

Implicazioni per il mercato delle licenze

La sentenza stabilisce un precedente importante per il “mercato delle licenze” nell’ambito dell’AI:

• Opt‑out obbligatorio: le piattaforme editoriali potranno richiedere espressamente il divieto di utilizzo dei propri contenuti per l’addestramento di IA, con conseguenze legali in caso di violazione.
• Licenze specifiche per training: gli editori potranno negoziare accordi separati per l’uso dei contenuti a scopo di training, creando nuove linee di reddito.
• Standard di originalità più stringenti: la definizione di “opera protetta” si allarga includendo anche analisi e sintesi redazionali, rendendo più difficile invocare il fair‑use.

Questo scenario spinge le aziende tecnologiche a rivedere le proprie politiche di acquisizione dati, investendo in partnership licenziate o in dataset pubblici appositamente creati per l’addestramento.

Il confronto con la normativa europea

Nel diritto europeo, la protezione del diritto d’autore è più rigorosa rispetto al fair‑use americano. La Direttiva sul diritto d’autore nel mercato unico digitale (DSM) prevede eccezioni limitate per il “text and data mining” (TDM) solo quando l’autore ha fornito un “licenza implicita” o quando i dati sono disponibili in forma di “open access”.

Il caso Ross, seppur statunitense, evidenzia una tendenza convergente: i titolari di contenuti europei potrebbero adottare strategie simili di opt‑out e licenze specifiche, riducendo l’incertezza giuridica per gli operatori di IA.

Le lezioni per gli operatori di IA

Le principali indicazioni pratiche emergenti dalla sentenza sono:

• Effettuare una due diligence accurata su ogni dataset utilizzato per il training, verificando la presenza di licenze o autorizzazioni esplicite.
• Implement