Come i team di IA possono prepararsi ai cambiamenti nella politica cinese sul diritto d’autore

L’ultimo piano cinese sul diritto d’autore non è una checklist di conformità per ogni sviluppatore di modelli. Rimane però un segnale operativo importante. L’Amministrazione nazionale cinese del diritto d’autore ha diffuso il 7 settembre 2026 il suo quindicesimo piano quinquennale, emanato il 31 agosto. Il piano riunisce servizi per il diritto d’autore, applicazione delle norme, cooperazione internazionale e nuove tecnologie nella stessa agenda politica. Per un team di IA, questo fa diventare un noto compito ingegneristico — sapere da dove proviene un contenuto — una questione più ampia di preparazione aziendale.

La risposta utile non è supporre che ogni uso dei dati sia vietato, né aspettare una regola definitiva che risolva tutte le domande sui dati di addestramento. I team possono invece rendere leggibili le decisioni attuali: registrare cosa hanno ottenuto, a quali condizioni, per quale impiego, chi ha approvato e cosa accade quando viene sollevato un reclamo credibile. Queste prove saranno utili anche se le regole future prenderanno una direzione diversa da quella prevista.

Questo non è un parere legale. È un quadro pratico per responsabili di prodotto, acquisti, dati e sicurezza che devono tradurre un contesto normativo in evoluzione in attività verificabili e migliorabili.

Separare ciò che è noto da ciò che resta aperto

La prima disciplina consiste nel non trasformare un linguaggio politico generale in una pretesa di certezza. Il piano sul diritto d’autore è un indirizzo politico reale, e l’Amministrazione nazionale aveva già indicato l’IA e altri ambiti emergenti come settori che richiedono una progettazione più solida del sistema di tutela. Il comunicato sul piano non dà però una risposta universale sulla possibilità di usare un dato corpus per addestrare un modello, sul trattamento di ogni output o sul contratto che disciplinerà una controversia.

La spiegazione del 7 settembre della Corte suprema del popolo sul suo parere relativo alle controversie sull’IA è particolarmente utile per tracciare questo confine. Descrive come i tribunali possano affrontare le pretese che riguardano contenuti generati dall’IA: il titolare dei diritti deve prima offrire elementi a sostegno del fatto che il contenuto contestato provenga da un servizio di IA e sia sostanzialmente simile all’opera protetta. Quando uno sviluppatore di IA invoca una difesa di non violazione, le fonti dei dati di addestramento, i processi di addestramento e le modalità operative possono diventare prove rilevanti.

La stessa spiegazione lascia irrisolte due questioni fondamentali: la tutelabilità con il diritto d’autore dei contenuti generati dall’IA e la qualificazione giuridica dell’uso senza autorizzazione di opere protette per addestrare un modello di grandi dimensioni. Queste omissioni non sono un motivo per ignorare l’indicazione. Sono un motivo per mantenere un registro delle incertezze. Un team dovrebbe etichettare una decisione come sostenuta da un contratto, da una regola applicabile, da un controllo tecnico documentato o da un’ipotesi non risolta. Trattare tutte e quattro le categorie allo stesso modo è il modo in cui un rischio evitabile diventa invisibile.

Costruire una mappa delle prove sui dati prima che una disputa la imponga

Un inventario dei dati deve rispondere a più della domanda “quale dataset abbiamo usato?”. Si parte dall’asset o dal dataset, dal fornitore, dalla data di acquisizione, dai termini applicabili, dalle limitazioni geografiche e di prodotto e dall’uso tecnico previsto. Poi si registra la catena delle trasformazioni: filtraggio, annotazione, deduplicazione, ampliamento sintetico, controlli di accesso e il modello o la valutazione per cui il materiale è stato impiegato. Il record deve essere versionato, perché un’istantanea successiva potrebbe non riprodurre ciò su cui il team ha realmente addestrato il modello.

Non è burocrazia fine a se stessa. Un reclamo sui diritti inizia spesso con una domanda ristretta: da dove provengono questa immagine, questo documento, questo campione vocale o questo frammento di codice? Un sistema che può indicare un record di origine, un percorso di approvazione e una decisione di conservazione può esaminare la questione rapidamente. Un sistema che possiede soltanto un grande archivio senza etichette deve ricostruire la propria storia sotto pressione.

La mappa dovrebbe anche mettere in luce le lacune. Contenuti accessibili pubblicamente, materiali forniti da partner, dataset in licenza e materiali creati internamente non sono categorie intercambiabili. Hanno prove, condizioni e modalità di errore diverse. Se una fonte non ha termini chiari o una provenienza dimostrabile, va indicata come tale invece di promuoverla silenziosamente a “autorizzata”. In questo modo il team può limitarne l’uso, cercare un sostituto o prendere una decisione di rischio documentata.

Porre ai fornitori di IA domande che producano risposte utilizzabili

L’acquisto di un’API di modello o l’integrazione di uno strumento di terzi non trasferisce ogni responsabilità operativa. Le indicazioni della Corte attirano l’attenzione sul controllo, sul ruolo di ogni parte nella generazione, sulla fonte dei dati di addestramento e sulle misure adottate per ridurre il danno. Sono temi pratici di procurement, non soltanto temi da contenzioso.

Una buona revisione del fornitore chiede documenti specifici. Quali casi d’uso e classi di contenuti sono coperti dai termini del servizio? Quali informazioni può fornire il fornitore sull’origine e sulla governance dei suoi dati di addestramento o di recupero? Come riceve, valuta e gestisce i reclami sui diritti? Quali log sono disponibili per il cliente? Quali controlli esistono per i materiali caricati dal cliente, il fine-tuning, gli indici di recupero e l’output generato?

Evitate di accettare formule vaghe come “IA responsabile” al posto di un processo di risposta. Un fornitore può ragionevolmente proteggere dettagli tecnici riservati, ma un cliente può comunque chiedere contatti, tempi di escalation, notifiche, impegni contrattuali e una chiara descrizione delle responsabilità condivise. Conservate la risposta con la decisione di acquisto, così un team successivo non dovrà scoprirla di nuovo.

Trattare i controlli sull’output e i reclami come funzioni del prodotto

Il rischio di diritto d’autore non termina con l’addestramento. I team di prodotto dovrebbero definire come gli utenti segnalano sospetti di copia, quali informazioni devono fornire, come una segnalazione viene valutata e quando un output potenzialmente dannoso viene limitato. La spiegazione della Corte suprema indica fattori quali tecnologia e modello di business, ruolo nella generazione, input di addestramento, precauzioni e profitto nel valutare la responsabilità. Questi fattori conducono a una semplice domanda di prodotto: il servizio può spiegare cosa è successo e compiere un’azione proporzionata?

Per un prodotto consumer, questo può significare un canale di segnalazione visibile, un identificativo del caso e un modo per fermare generazioni ripetute da una sequenza di prompt abusivi. In un sistema aziendale, può includere log a livello di workspace, controlli amministrativi, impostazioni di conservazione e un percorso di escalation documentato. Il controllo appropriato dipende dal prodotto. Ciò che non dovrebbe cambiare è la capacità di preservare le prove senza esporre inutilmente dati privati del cliente.

I team dovrebbero provare il processo con un’esercitazione da tavolo. Scegliete un reclamo ipotetico relativo a un’immagine generata o a un passaggio recuperato. Misurate il tempo necessario per identificare account, log pertinenti, versione del modello, record di origine e azioni disponibili. L’esercizio rivela spesso che dati, legale, supporto e ingegneria usano identificativi o finestre di conservazione incompatibili. Scoprirlo prima di un reclamo reale è lo scopo.

Rendere riesaminabile il lavoro interno assistito dall’IA

La nuova indicazione della Corte parla anche direttamente alle persone che usano l’IA per preparare atti processuali: gli utenti restano responsabili della verifica dell’accuratezza delle presentazioni assistite dall’IA e della dichiarazione di tale assistenza quando è richiesta. La lezione più ampia vale oltre gli atti giudiziari. Un output di IA non diventa una fonte soltanto perché è scritto in modo fluido.

Create una regola interna per i documenti con conseguenze rilevanti: chi redige identifica le affermazioni fattuali, conserva le fonti primarie, registra il modello o lo strumento usato quando è pertinente e assegna un revisore umano che abbia l’autorità di correggere o respingere il risultato. È particolarmente importante per sintesi di politiche, dichiarazioni sul prodotto, analisi dei diritti e comunicazioni con i clienti. Una citazione inventata dal modello, o una regola cambiata dopo la redazione, può creare un problema ben più grande di un normale refuso.

L’obiettivo non è vietare l’assistenza dell’IA. È conservare la distinzione tra una bozza assistiva e un’affermazione verificata. Questa distinzione aiuta i team a usare l’automazione senza fingere che il testo automatizzato abbia stabilito un fatto in modo indipendente.

Eseguire una revisione periodica della preparazione

Una revisione mensile o trimestrale può rendere questo quadro parte delle normali operazioni. Esaminate nuove fonti di dati, cambiamenti rilevanti nei fornitori, reclami aperti, esiti di incidenti, copertura dei log e ipotesi legali irrisolte. Seguite un piccolo insieme di misure basate su prove: la quota di dataset attivi con termini documentati, il tempo necessario per assemblare un record di reclamo, la percentuale di fornitori ad alto rischio con un contatto di escalation e l’età delle lacune di provenienza non risolte.

Non usate il punteggio per rivendicare conformità legale dove il diritto resta incerto. Il suo scopo è più modesto e più utile: mostrare se l’organizzazione sa spiegare le pratiche attuali, correggere una debolezza nota e prendere la decisione successiva con informazioni migliori.

La direzione della politica cinese e le indicazioni dei tribunali rendono questa capacità sempre più preziosa. Non eliminano le difficili questioni sull’addestramento dell’IA e sulla titolarità. Rendono però più difficile giustificare l’assenza di qualunque risposta quando un cliente, un autore, un’autorità di regolazione o un tribunale chiede come un sistema sia stato costruito e controllato.