IA e arte, quando l’attribuzione causale si dissolve

Lo studio del MIT sull’“attribution decay” complica la prova del contributo del singolo autore, senza cancellare i problemi giuridici legati all’addestramento.

Uno studio del MIT introduce il concetto di attribution decay, il decadimento dell’attribuzione nelle immagini generate dall’intelligenza artificiale. All’aumentare della dimensione del dataset, rimuovere l’opera di un singolo artista o un singolo campione tende ad avere un effetto sempre meno misurabile sul risultato. La ricerca ha esaminato modelli di diffusione e insiemi di dati di ampiezza crescente, addestrando oltre mille modelli per osservare il rapporto tra dimensione del corpus e influenza individuale.

Il risultato non dimostra che i sistemi non utilizzino le opere presenti nel dataset. Indica, più precisamente, che il contributo causale di un singolo elemento può diluirsi fino a diventare difficilmente rilevabile nell’output. La distinzione è decisiva: l’assenza di una somiglianza attribuibile non prova la liceità dell’acquisizione, della copia tecnica o dell’impiego dell’opera durante l’addestramento.

Nel contenzioso sul diritto d’autore occorre quindi separare input e output. Da un lato si discute se la raccolta e la riproduzione delle opere per addestrare il modello siano consentite; dall’altro si valuta se l’immagine generata riproduca elementi protetti o costituisca elaborazione illecita. L’attribution decay incide soprattutto sulla seconda analisi causale, ma non risolve automaticamente la prima.

Gli autori avvertono inoltre che i risultati riguardano modelli di diffusione e non possono essere trasferiti senza verifica ai grandi modelli linguistici. Anche la metrica di influenza dipende dall’architettura, dal processo di addestramento e dal tipo di dataset. Utilizzare lo studio come argomento universale sarebbe quindi scientificamente e giuridicamente improprio.

La difficoltà probatoria aumenta il valore della documentazione tecnica. Registri dei dataset, versioni, licenze, filtri, procedure di rimozione e log di addestramento possono diventare più importanti della sola comparazione visiva tra opera e risultato. Senza una tracciabilità interna, sviluppatori e titolari dei diritti rischiano di discutere su effetti che il modello finale non consente più di ricostruire.

Per gli artisti, la tutela potrebbe spostarsi dalla ricerca di una derivazione puntuale verso obblighi di trasparenza, remunerazione collettiva e controllo sull’accesso ai dati. Per le imprese, il fatto che l’influenza individuale diventi statisticamente piccola non elimina il rischio di un corpus costruito su milioni di utilizzazioni non autorizzate. La diluizione tecnica del contributo non coincide con la sua irrilevanza giuridica.