Sony ha identificato con il fingerprinting che cosa c'era nel modello

Un atto che non avrebbe dovuto servire

Il 29 giugno 2026 un giudice del Distretto Sud di New York ha negato a Sony Music la possibilità di aggiungere oltre 30.000 registrazioni sonore alla causa che aveva già in corso contro Udio. Tre settimane dopo Sony le ha fatte valere lo stesso, in un giudizio separato. L'atto è stato depositato il 20 luglio e riguarda 30.117 registrazioni.

Sul piano processuale non c'è nulla di eccezionale. Il rifiuto di ampliare una causa già pendente non estingue le pretese, obbliga soltanto l'attore ad aprire un secondo fronte. A meritare l'attenzione di chi gestisce un'impresa è l'aritmetica che ne discende. Il primo giudizio metteva in discussione 333 registrazioni, con un tetto ai danni predeterminati per legge intorno ai 50 milioni di dollari, circa 46 milioni di euro. Con 30.117 registrazioni il massimo teorico sale a circa 4,5 miliardi di dollari, circa 4,2 miliardi di euro.

Sony è anche l'unica rimasta fuori. Universal e Warner hanno entrambe chiuso accordi di licenza con Udio. Sony no, e proprio l'assenza di una transazione tiene il materiale della discovery in campo aperto invece di chiuderlo dentro un accordo.

Come 333 registrazioni sono diventate 30.117

La parte interessante non è il numero, ma la sua provenienza. Sony non ha rastrellato la rete per dedurre su che cosa fosse stato addestrato un modello musicale. Con la discovery nella prima causa ha ottenuto accesso ai dati di addestramento di Udio, vi ha fatto girare il fingerprinting audio e ha individuato centinaia di migliaia di registrazioni proprie. Le 30.117 fatte valere nella nuova causa sono un sottoinsieme di quanto è emerso dal confronto.

Un corpus di addestramento, si scopre, è un inventario. Due anni fa quella frase sarebbe stata contestata. Chi costruisce modelli ha descritto abitualmente i propri dataset come troppo grandi, troppo trasformati e troppo mescolati per poter essere elencati, e l'argomento una sua forza l'aveva, finché nessuno era andato a guardare. Ora qualcuno ci ha guardato, con una tecnologia ormai comune che l'industria musicale usa da vent'anni per riconoscere i contenuti, e ne ha ricavato un elenco a cinque cifre.

Nulla di tutto questo riguarda solo la musica. Il fingerprinting funziona sull'audio perché l'audio si presta a hash percettivi robusti, ma la capacità generale, confrontare un catalogo noto con un corpus che una parte è stata obbligata a consegnare, si trasferisce a immagini, video, testo e codice, con strumenti diversi e lo stesso effetto giuridico.

La domanda che non parla di diritto d'autore

L'atto contiene tre domande. Due sono di violazione classica: le registrazioni successive al 1972 e quelle anteriori al 1972, tutelate dal Music Modernization Act. La terza è di natura diversa e contesta l'elusione delle misure tecnologiche di protezione ai sensi del Digital Millennium Copyright Act.

L'elusione è una domanda sull'acquisizione. Non si chiede se addestrare su un'opera sia trasformativo, né se il risultato faccia concorrenza all'originale, né in che direzione puntino i fattori del fair use. Si chiede come il convenuto abbia aggirato la serratura. È una distinzione che in questa causa lavora in silenzio sulla struttura, perché un convenuto può vincere la discussione su che cosa sia l'addestramento e perdere comunque su come il materiale è stato raccolto.

Il lettore europeo non archivi la vicenda come curiosità americana. L'eccezione per l'estrazione di testo e di dati della direttiva del 2019, la norma su cui si appoggia la maggior parte delle imprese europee quando raccoglie dati in rete, è subordinata all'accesso lecito e al fatto che il titolare non abbia riservato i propri diritti in forma leggibile da una macchina. Entrambe le condizioni riguardano la fase di acquisizione. Il vocabolario giuridico cambia da una sponda all'altra dell'Atlantico, il punto di pressione no: come avete ottenuto i dati è una domanda separata da che cosa ne avete fatto, e riceve risposta per prima.

Perché non sapere su che cosa avete addestrato ha smesso di essere sicuro

Per tre anni la risposta pratica alla domanda sulla provenienza posta da un cliente o da un'autorità è stata un'alzata di spalle travestita da ingegneria. Il corpus è enorme, la pipeline ha girato anni fa, gli artefatti intermedi non sono stati conservati. Quella risposta funzionava da difesa perché la controparte non aveva modo di verificarla.

Il materiale emerso dalla discovery su Udio chiude quella strada. Nel momento in cui un titolare può ottenere il corpus e confrontarlo, chi non sa descrivere i propri dati di addestramento non è protetto dalla lacuna: è semplicemente la parte che ha meno informazioni sulla propria esposizione. L'incertezza ha smesso di essere uno scudo ed è diventata una passività a cui nessuno ha dato un prezzo, e oggi sta nel bilancio di ogni impresa che abbia fatto fine-tuning su materiale che non ha documentato.

La direzione della regolazione rafforza lo stesso punto, non lo produce. Il regolamento europeo sull'intelligenza artificiale impone ai fornitori di modelli per finalità generali di pubblicare una sintesi sufficientemente dettagliata dei contenuti usati per l'addestramento, e i poteri di applicazione della Commissione su quegli obblighi diventano esercitabili il 2 agosto 2026. Un'impresa che quella sintesi non riesce a produrla al proprio interno non riuscirà a produrla nemmeno per un'autorità di vigilanza. Il contenzioso e la norma fanno la stessa domanda da due direzioni opposte.

Mettete la provenienza nel contratto, non tra le ipotesi

Tre cambiamenti concreti, nessuno dei quali richiede un parere legale per partire. Primo: nel prossimo contratto su un modello o su un fine-tuning chiedete una garanzia scritta di provenienza che nomini i dataset principali e dichiari quali verifiche sono state fatte sulle riserve di diritti, con manleva collegata. Un fornitore disposto a descrivere i propri dati a voce ma non nel contratto vi ha già detto qualcosa di utile.

Secondo: tenete un elenco dettagliato di tutto ciò su cui fate fine-tuning voi stessi, con fonte, data di acquisizione, licenza o eccezione invocata e presenza o meno di una riserva leggibile da una macchina al momento della raccolta. Proprio quell'ultimo campo è quello che non registra nessuno ed è quello da cui dipende l'eccezione per l'estrazione. Ricostruirlo dopo è nettamente più difficile che annotarlo adesso.

Terzo: separate le due domande nel vostro registro dei rischi. La liceità dell'acquisizione e la liceità dell'addestramento vengono meno in modo indipendente, e un modello può essere pulito sulla seconda ed esposto sulla prima. Quasi tutte le valutazioni interne di rischio sull'IA scritte prima di questo mese le trattano come una voce sola. Sono due, e alla prima un attore arriva con un'impronta.

Da leggere ora: Il seed record tedesco scommette sui dati dei robot  |  I dati di addestramento di Suno sono ora un elenco dettagliato