Il web scraping non addestrerà la prossima IA

Per quindici anni, un'ipotesi implicita ha sostenuto tutta l'IA moderna: tutto ciò di cui un modello ha bisogno è già su Internet — devi solo andare a prenderlo. Questa ipotesi sta morendo. E con essa, sta nascendo un mercato interamente nuovo — tra coloro che costruiscono i modelli di domani e coloro che possiedono i dati del mondo reale.

Ecco perché credo che il 2026 sarà l'anno in cui i dati smetteranno di essere una materia prima gratuita e diventeranno un asset strategico che viene scambiato.

1. Il web sta raggiungendo il suo limite — e iniziando ad avvelenarsi

Il punto di svolta non è un'opinione. È aritmetica.

Secondo Epoch AI, la scorta totale di testo umano di alta qualità disponibile pubblicamente si aggira intorno ai 300 trilioni di token — e i modelli di grandi dimensioni avranno esaurito quella scorta tra il 2026 e il 2032, con una proiezione mediana intorno al 2028 (Epoch AI, "Will we run out of data?", ICML 2024).

Questa non è la preoccupazione di pochi ricercatori isolati. Nel dicembre 2024, al NeurIPS, Ilya Sutskever — co-fondatore di OpenAI — lo ha detto senza mezzi termini: "Il pre-addestramento come lo conosciamo finirà", perché "il calcolo sta crescendo, ma i dati non stanno crescendo, perché abbiamo un solo Internet." Ha definito i dati "il combustibile fossile dell'IA": è stato creato una volta, lo abbiamo consumato e abbiamo raggiunto "il picco dei dati" (riportato da The Verge, dicembre 2024).

Peggio ancora: il pozzo si sta contaminando. Uno studio pubblicato su Nature (Shumailov et al., luglio 2024) ha dimostrato il "collasso del modello" — un modello addestrato ricorsivamente su contenuti generati dall'IA degrada e perde informazioni sulla distribuzione reale del mondo. E il web si sta riempiendo proprio di quel contenuto: secondo Graphite, la quota di articoli pubblicati generati dall'IA ha superato quelli scritti dall'uomo già nel novembre 2024 (≈ 52% entro maggio 2025). Il serbatoio da cui attingevamo si sta ora riempiendo del riflesso dei modelli stessi.

E le porte si stanno chiudendo. Dal 1° luglio 2025, Cloudflare — che gestisce circa un quinto del web — blocca i crawler IA per impostazione predefinita. Dal lato degli editori, quasi la metà di tutti i siti di notizie blocca ora almeno un crawler IA. Sul fronte legale, The New York Times v. OpenAI (presentato a fine 2023) è sopravvissuto alla mozione di archiviazione nel 2025 e sta procedendo nel merito.

Il punto chiave della prima parte: la risorsa che ha reso possibile l'IA generativa — il testo pubblico gratuito — sta diventando finita, contaminata, bloccata e contesa, tutto allo stesso tempo.

2. I laboratori hanno già iniziato a pagare

La migliore prova che lo scraping non è più sufficiente è che le aziende che ne vivevano stanno tirando fuori il libretto degli assegni.

• OpenAI – News Corp: un accordo di licenza del valore di oltre 250 milioni di dollari per 5 anni (riportato dal WSJ, maggio 2024).
• Google – Reddit: circa 60 milioni di dollari all'anno per l'accesso ai dati (riportato da Reuters, febbraio 2024).
• OpenAI – Axel Springer, Financial Times, Le Monde, Associated Press… una cascata di accordi tra il 2024 e il 2025, da "decine di milioni" a somme non divulgate.

Nel frattempo, l'infrastruttura del mercato viene costruita: Microsoft ha annunciato all'inizio del 2026 un "Publisher Content Marketplace" per intermediare la licenza di contenuti tra editori e sviluppatori IA. E la valutazione sbalorditiva di Scale AI — ~$29 miliardi dopo l'investimento di Meta di ~$14,3 miliardi per una quota di circa il 49% (giugno 2025) — dice una cosa semplice: i dati di addestramento sono ora un asset di livello strategico.

Il messaggio è chiaro. I dati non vengono più estratti. Vengono licenziati, negoziati, acquistati.

3. Il vero cambiamento: i modelli di domani non hanno bisogno di più web — hanno bisogno di qualcos'altro

Questo è il punto che la maggior parte delle analisi perde.

La prossima frontiera dell'IA non è un altro LLM. Sono i modelli del mondo e l'IA fisica: sistemi che non si limitano a manipolare il linguaggio, ma modellano, simulano e agiscono nel mondo reale.

• NVIDIA ha lanciato Cosmos al CES (gennaio 2025), una famiglia di modelli fondazionali del mondo per l'IA fisica. Jensen Huang la definisce "il momento ChatGPT per la robotica." Questi modelli si nutrono di petabyte di dati video e di sensori — NVIDIA afferma di aver elaborato 20 milioni di ore di video in 14 giorni.
• Google DeepMind ha presentato Genie 2 (dicembre 2024) e poi Genie 3 (agosto 2025): modelli capaci di generare mondi giocabili e interattivi per addestrare agenti incarnati.
• Fei-Fei Li — la madrina della computer vision — ha raccolto 230 milioni di dollari già nel settembre 2024 per World Labs, costruita attorno all'"intelligenza spaziale", seguita da altri ~$1 miliardo nel 2026.

Ma questi modelli incontrano un muro che il web non può scalare. Non esiste un "Internet dell'interazione fisica" da cui fare scraping. I dati di addestramento per la robotica rimangono minuscoli: i dataset di riferimento nell'IA incarnata sono contati in centinaia di migliaia di dimostrazioni (RT-1: ~130.000; VIMA: ~650.000), mentre un corpus di visione-linguaggio come LAION-5B allinea 5,7 miliardi. I dati del mondo reale devono essere catturati un gesto, un sensore, un viaggio alla volta.

È esattamente per questo che Tesla (oltre 10 miliardi di miglia FSD cumulative, maggio 2026) e Waymo (oltre 100 milioni di miglia autonome) trattano le loro flotte come un asset difendibile: non è sul web, non può essere acquistato da un broker di testi — è prodotto nel mondo reale.

I dati che mancano alla prossima generazione di IA non sono mai stati online. Sono nelle fabbriche, nelle flotte, negli ospedali, nelle reti energetiche, nelle catene di approvvigionamento. Appartengono agli operatori, non ai laboratori.

4. Quello che vediamo sul campo — e perché è un mercato a due lati

È qui che il nostro lavoro presso d-nvest incontra la tesi — perché non ci limitiamo a commentarla, la misuriamo.

Sulla nostra piattaforma, abbiamo mappato finora 311 detentori di dati reali — organizzazioni che producono, spesso senza rendersene conto, esattamente il tipo di dati richiesti dall'IA di domani:

• 66% sono serie temporali (206 su 311) — sensori, telemetria, log di macchine: il segnale grezzo del mondo fisico.
• I settori dominanti sono industriale (149), mobilità (91) e sanitario (24) — IA fisica, non testo web.
• I casi d'uso leggono come la roadmap dell'IA industriale: manutenzione predittiva (136), monitoraggio industriale (64), intelligenza documentale (34), RAG normativo (19), IA diagnostica (15).
• Dal lato della domanda, gli acquirenti sono già identificati per profilo: laboratori di modelli fondazionali, team di computer vision, sviluppatori di LLM verticali, fornitori di IA industriale.
• Tutti distribuiti nei mercati che contano — Regno Unito, Francia, Stati Uniti, Germania, Canada — e supportati da quasi 1.000 segnali stampa che attestano l'attività reale di questi detentori.

Queste riserve si rivolgono a mercati che non sono promesse: la manutenzione predittiva da sola vale circa 14 miliardi di dollari nel 2025 (CAGR ~28%), l'IoT industriale supera i 480 miliardi di dollari, l'IA industriale circa 44 miliardi di dollari.

Da un lato, detentori seduti su una risorsa scarsa che sottoutilizzano. Dall'altro, acquirenti — i costruttori della prossima generazione di IA — pronti a pagare per quella risorsa, come già dimostrano i loro accordi di licenza. Ciò che manca tra loro è l'infrastruttura per il matchmaking, la qualificazione e la fiducia. È esattamente quello che stiamo costruendo.

Il succo

Il web scraping ha addestrato la generazione attuale di modelli. Non addestrerà la prossima. Il testo pubblico è finito, si sta inquinando da solo e si sta chiudendo. I modelli del mondo e l'IA fisica richiedono un tipo diverso di dati — reali, operativi, multimodali — che non sono mai stati pubblicati e mai lo saranno.

Quei dati esistono già. Appartengono a decine di migliaia di operatori che spesso non hanno idea di sedere sull'oro del prossimo decennio dell'IA.

La domanda non è più "dove troviamo i dati." È "come colleghiamo chi li detiene con chi ne ha bisogno." È un mercato a due lati, e sta solo iniziando.

Se sei un operatore che produce dati industriali, di mobilità o sanitari — o un attore IA alla ricerca di dataset proprietari del mondo reale — ora è il momento di parlare.

— Salim Labriki, d-nvest

Nota metodologica: gli importi degli accordi di licenza sono quelli riportati dalla stampa (WSJ, Reuters, Bloomberg) e raramente confermati ufficialmente dalle parti. Le cifre dell'inventario (311 detentori, modalità, settori) provengono dalla nostra mappatura al 1° luglio 20