Secondo un rapporto di CBC News, le biblioteche accademiche di tutto il mondo stanno combattendo contro sciami implacabili di bot di intelligenza artificiale che raschiano i dati e che stanno rallentando o bloccando i loro siti web. I bot, utilizzati da aziende di intelligenza artificiale e servizi di terze parti per raccogliere contenuti per l’addestramento di modelli linguistici di grandi dimensioni, stanno mettendo offline intere collezioni digitali e costringendo le biblioteche a scegliere tra l’accesso aperto e rimanere online.
Gli obiettivi non sono casuali. Biblioteche, musei e altri istituti di tutela del patrimonio culturale detengono grandi volumi di informazioni controllate e di qualità che generalmente non sono nascoste dietro paywall o accessi: esattamente il tipo di testo pulito e autorevole che gli sviluppatori di intelligenza artificiale apprezzano per modelli di formazione come Claude, Gemini e ChatGPT. Per maggiori informazioni su questa storia, consulta la nostra tendenze IA.
Raccolte messe offline
La portata del problema è cresciuta al punto che interi archivi diventano inaccessibili. "A volte il traffico dei bot diventa così intenso da causare l'inattività completa dei siti per un po' di tempo", ha affermato Dean Seeman, direttore delle collezioni e delle infrastrutture digitali presso le biblioteche dell'Università di Victoria, nel rapporto della CBC. Ha descritto le interruzioni come la creazione di un "vero problema" per l'accesso del pubblico: quando il sito di una biblioteca crolla sotto il traffico di bot, studenti, ricercatori e cittadini comuni vengono bloccati insieme alle macchine.
Alla San Jose State University, l’esperienza è di costante pressione. "Sono semplicemente là fuori su Internet, e ci bombardano cercando di raccogliere quanto più materiale possibile", ha detto Jill Strykowski, responsabile della catalogazione e dei documenti governativi dell'università. La sua istituzione digitalizza documenti governativi e altri materiali pubblici, rendendola un terreno fertile per i raschiatori.
Il rapporto descrive una scuola che è stata sopraffatta da oltre 11.000 ricerche sulla musica finlandese in un solo giorno: traffico che nessun pubblico umano potrebbe plausibilmente generare e il tipo di scansione ristretta e ad alto volume tipica delle operazioni di raccolta automatizzata.
Un problema in continua crescita
I ricercatori che hanno monitorato il fenomeno hanno scoperto che segnalazioni di questo tipo di raschiamento aggressivo hanno iniziato ad apparire alla fine del 2024 in Nord America, Europa e Oceania, e gli esperti hanno detto a CBC News che da allora il problema ha continuato a peggiorare. Mentre le aziende di intelligenza artificiale corrono per proteggere dati di formazione di alta qualità – e mentre gli editori del web aperto bloccano sempre più i crawler – i pool di testo non custodito e di alta qualità continuano a ridursi, e la pressione sulle istituzioni che rifiutano di bloccare le loro raccolte continua ad aumentare.
Questa pressione ha un costo. Strykowski ha affermato che i robot stanno "causando un'incredibile quantità di lavoro e grattacapi a ogni istituzione che svolge attività di digitalizzazione e a ogni istituzione che sta cercando di rendere le informazioni liberamente disponibili". Le biblioteche devono ora gestire un’infrastruttura di filtraggio dei bot, inseguire i crawler abusivi e assorbire le interruzioni, spendendo il budget limitato per la difesa piuttosto che per la digitalizzazione e l’accesso.
Una relazione estrattiva, dicono i critici
Al di là dell’onere tecnico, l’episodio ha rilanciato una critica familiare su come le aziende di intelligenza artificiale trattano le istituzioni di interesse pubblico. Peter Lewis, presidente della ricerca canadese in Trustworthy Artificial Intelligence presso l'Ontario Tech University, ha detto alla CBC che il modello equivale a grandi aziende private che fanno uso di istituzioni di bene comune "in un modo molto estrattivo" - presupponendo che il materiale pubblico sia gratuito per il prelievo, quindi utilizzandolo per costruire modelli altamente commerciali che vengono rivenduti allo stesso pubblico.
La dinamica riecheggia i precedenti conflitti tra sviluppatori di intelligenza artificiale ed editori di notizie, autori e artisti, ma con una svolta: le biblioteche raramente hanno dipartimenti legali o paywall su cui appoggiarsi. Il loro mandato è quello di rendere le informazioni liberamente disponibili, il che rende il blocco del traffico – anche quello ostile – una diretta contraddizione con la loro missione.
Bot buoni, bot cattivi e cosa verrà dopo
Il rapporto della CBC rileva che non tutto il traffico automatizzato è ostile e le biblioteche distinguono tra crawler ben educati che rispettano i limiti di velocità e le esclusioni di robots.txt e gli raccoglitori molto meno educati che martellano i loro archivi. La difficoltà è la scala: anche una quota di traffico abusivo sufficientemente piccola da superare le regole tariffarie individuali diventa schiacciante quando migliaia di clienti coordinano o ruotano le identità.
Le istituzioni stanno rispondendo con un mix di tattiche: limitazione della velocità, rilevamento delle impronte digitali dei bot, blocco delle reti di scraper conosciute e, in alcuni casi, rimozione completa delle raccolte offline durante gli attacchi. Nessuno di questi è gratuito e tutti compromettono l’accesso aperto che le biblioteche esistono per fornire.
È difficile non notare l’ironia: le stesse istituzioni che hanno passato decenni a digitalizzare la conoscenza registrata dell’umanità in modo che chiunque potesse leggerla gratuitamente vengono ora spinte a chiudere le loro porte digitali perché i sistemi di intelligenza artificiale vogliono leggere tutto in una volta. Il modo in cui biblioteche, finanziatori e società di intelligenza artificiale risolveranno questa tensione – sia attraverso accordi di licenza, accesso compensato o applicazione tecnica più rigorosa – modellerà l’aspetto della rete aperta di informazioni sulla qualità dei dati di formazione negli anni a venire.
Per ora, le persone intrappolate nel mezzo sono i lettori. Come dimostra l'esperienza di Seeman presso l'Università di Victoria, ogni interruzione causata da uno sciame di bot porta con sé l'accesso pubblico.
---
Rimani Aggiornato sull'IALe ultime notizie, analisi e scoperte sull'intelligenza artificiale — tutto in un posto.
Leggi altre notizie sull'IA →
