Dati sintetici, privacy e GDPR

Nell’addestramento dei sistemi di intelligenza artificiale c’è un problema che torna sempre: servono molti dati, e i dati migliori, quelli sulla salute, sui comportamenti, sulle finanze, sono anche i più sensibili. Una risposta sempre più diffusa è quella dei dati sintetici: dati costruiti artificialmente che imitano le proprietà statistiche di quelli reali, senza contenere, almeno in apparenza, informazioni su persone vere. Ma la parola «sintetico» non è un lasciapassare: davanti al GDPR, la domanda è se quei dati siano davvero fuori dal suo campo. E nell’ultimo anno quella domanda è diventata meno astratta, perché la Corte di giustizia dell’Unione europea, il Comitato europeo per la protezione dei dati e lo stesso Garante italiano hanno preso posizione su questioni che ne toccano il cuore.

Che cosa sono i dati sintetici

Un’analisi del centro CiTiP dell’Università KU Leuven, intitolata «Synthetic data: implications for healthcare and data law» (2023), riprende la definizione del Garante europeo della protezione dei dati (EDPS): generare dati sintetici significa partire da una sorgente di dati originale e creare nuovi dati artificiali con proprietà statistiche simili. In sanità l’idea è attraente, perché consente di condividere dataset per la ricerca o per lo sviluppo di sistemi senza esporre direttamente le cartelle cliniche.

Lo stesso EDPS, nella scheda dedicata al tema nel suo osservatorio sulle tecnologie emergenti (TechSonar), riconosce il potenziale della tecnica come strumento di protezione fin dalla progettazione, ma pone una condizione precisa: prima di considerare i dati generati come non personali occorre una valutazione di «privacy assurance», cioè un esame di quanto gli interessati possano essere identificati nel dataset sintetico e di quante informazioni nuove su di loro emergerebbero in caso di identificazione riuscita. La stessa scheda ricorda due limiti pratici: la qualità dei dati sintetici dipende da quella dei dati di partenza e del modello che li genera, e i pregiudizi presenti nell’originale possono trasferirsi nella copia. Chi immagina un dato sintetico come una versione «pulita» dell’originale, insomma, immagina male.

Perché non sono automaticamente anonimi

La questione giuridica centrale, osserva il lavoro di Biasin, è se i dati sintetici siano dati personali o non personali. La risposta dipende da quanto l’output conservi tracce dell’input. Se il processo di generazione riproduce, anche solo in parte, caratteristiche di individui reali, il rischio di re-identificazione esiste, e con esso l’applicabilità del GDPR. Il rischio è più concreto di quanto sembri: i modelli generativi tendono a imparare bene le regolarità, ma possono anche memorizzare i casi rari, e un record insolito (una diagnosi poco frequente, una combinazione anomala di età, residenza e professione) è proprio quello che permette di riconoscere una persona. Per questo contano le tecniche usate, la qualità dell’anonimizzazione e i principi che il regolamento chiede di rispettare in ogni caso, come la minimizzazione dei dati e la limitazione della finalità.

Su questo punto la riflessione arriva anche dall’interno delle autorità. In un contributo pubblicato su Agenda Digitale nel maggio 2024, rilevava che resta aperto un interrogativo di fondo: si possono considerare anonimi i dati sintetici quando riproducono comportamenti o caratteristiche individuali? Già nel dicembre 2024, del resto, il parere 28/2024 del Comitato europeo per la protezione dei dati sui modelli di intelligenza artificiale aveva escluso scorciatoie sul versante dell’addestramento: un modello addestrato su dati personali non può essere considerato anonimo per definizione, e la valutazione va fatta caso per caso.

Cosa dice il GDPR

Il GDPR si applica ai dati personali, e un dato è personale se riferito a una persona identificata o identificabile. Se un dataset sintetico è davvero scollegato dalle persone, il regolamento non si applica a esso; ma il processo di creazione parte quasi sempre da dati reali, e quella fase resta soggetta alle regole, a cominciare dalla base giuridica, dall’informativa e, quando i dati sono sanitari, dalle condizioni speciali previste per le categorie particolari. Lo scontro tra interesse all’innovazione e tutela della riservatezza si gioca qui, ed è un tema vicino a quello dei diritti degli autori sui dati di addestramento, che abbiamo raccontato in Copyright e AI: la guerra legale che ridisegna l’autore.

La sentenza che ha cambiato il quadro

Il lavoro di Biasin, scritto nel 2023, citava le linee guida del gruppo di lavoro europeo WP29 sull’anonimizzazione e la pronuncia del Tribunale dell’Unione europea nel caso SRB contro EDPS, che riguardava il modo di valutare i dati pseudonimizzati. Quel passaggio oggi va letto con una nota di aggiornamento: il 4 settembre 2025, con la sentenza C-413/23 P, la Corte di giustizia ha annullato la decisione del Tribunale. Il caso nasceva dalla trasmissione, da parte del Comitato di risoluzione unico, di commenti pseudonimizzati di azionisti e creditori di una banca a una società di consulenza, senza che l’informativa agli interessati menzionasse il destinatario.

La Corte ha detto due cose che pesano sul tema dei dati sintetici. La prima è che i dati pseudonimizzati non sono personali in ogni caso e per ogni soggetto: dipende dai mezzi che chi li riceve ha ragionevolmente a disposizione per risalire alla persona. La seconda è che, per chi detiene le chiavi di re-identificazione, quei dati restano personali, e che gli obblighi di trasparenza vanno valutati dal punto di vista del titolare e al momento della raccolta, non da quello del destinatario finale. In altre parole, la nozione di dato personale è «relativa», ma questa relatività non diventa una scappatoia per chi ha generato o gestito il dato originale.

Le linee guida europee sull’anonimizzazione

Il passo successivo è arrivato a luglio 2026, quando il Comitato europeo per la protezione dei dati ha adottato in bozza le linee guida 02/2026 sull’anonimizzazione, destinate a sostituire il parere del WP29 del 2014. Il cuore del documento è un test in tre criteri: nessun record deve poter essere isolato, nessun record deve poter essere collegato ad altri dati, e nessuna informazione sulla persona deve poter essere inferita. Se tutti e tre sono rispettati, il dato può essere considerato anonimo; se uno solo non lo è, serve un’analisi più approfondita. Le linee guida distinguono poi un approccio contestuale, che guarda ai mezzi realmente disponibili al soggetto concreto, e uno semplificato, più prudente, che ignora le differenze di capacità tra i possibili identificatori.

Tre indicazioni interessano da vicino chi lavora con dati sintetici. L’anonimizzazione è essa stessa un trattamento, con una base giuridica e obblighi di trasparenza propri. Va documentata e verificata, perché non è un’operazione che si compie una volta per tutte. E la valutazione del rischio deve tenere conto anche degli sviluppi tecnologici ragionevolmente prevedibili, compresa la capacità dell’intelligenza artificiale di incrociare dataset a costi sempre più bassi. Il testo non nasce per i soli dati sintetici, ma il metodo vale per qualunque dataset che si dichiari anonimo, compreso quello prodotto da un generatore. La consultazione pubblica si è chiusa il 30 ottobre 2026: la versione definitiva è attesa, e secondo gli osservatori è probabile che gran parte dell’impianto sopravviva.

Il caso IQVIA e la posizione del garante italiano

Sul piano italiano la novità più rilevante è la decisione n. 710 del 23 settembre 2026, resa pubblica il 2 ottobre, con cui il Garante per la protezione dei dati personali ha sanzionato per 7 milioni di euro IQVIA Solutions Italy. La società aveva costruito una banca dati clinica con informazioni su circa un milione di pazienti di circa ottocento medici di famiglia, trattandola come anonima. Per l’Autorità non lo era: la pseudonimizzazione non equivale all’anonimizzazione, e un codice alfanumerico persistente, abbinato a campi molto granulari come diagnosi, prescrizioni ed esami, consente di seguire una persona nel tempo e di ricostruirne la storia sanitaria. Il Garante ha inoltre qualificato la società come titolare del trattamento fin dalla raccolta, ha ricordato che anche l’anonimizzazione richiede una propria base giuridica e ha respinto una lettura estensiva della sentenza della Corte di giustizia, quella che avrebbe reso non personali i dati per chi li riceve. La società ha dichiarato di riservarsi il diritto di ricorrere.

La decisione è un banco di prova per chiunque usi l’etichetta «anonimo» o «sintetico» in ambito sanitario, e il suo metro è lo stesso delle nuove linee guida europee.  

Il digital omnibus e la partita ancora aperta

Resta infine il capitolo legislativo. Con il pacchetto Digital Omnibus del 19 novembre 2025 la Commissione europea ha proposto di riscrivere la definizione di dato personale in senso più soggettivo, escludendo dal perimetro le informazioni che un determinato soggetto non è in grado di ricondurre a una persona. Il Comitato europeo per la protezione dei dati e il Garante europeo, nel parere congiunto 2/2026 del 10 febbraio 2026, hanno criticato la scelta, osservando tra l’altro che definire il dato personale «in negativo» aumenta l’incertezza invece di ridurla. Il 13 marzo 2026 il Consiglio dell’Unione europea ha poi eliminato la riscrittura dal proprio orientamento generale, affidando al Comitato le indicazioni sull’anonimizzazione. Il negoziato tra le istituzioni, però, non risultava concluso nelle ultime fonti consultate, e un accordo era atteso tra l’autunno e la fine del 2026: chi costruisce oggi una strategia sui dati sintetici farebbe bene a non scommettere su una definizione più larga di quella attuale.

Cosa chiedere a un fornitore

Chi acquista o usa servizi basati su dati sintetici può fare alcune domande concrete. Da quali dati reali sono stati generati, e con quale base giuridica? Con quale tecnica, e con quali misure per evitare che informazioni su persone reali riaffiorino? C’è stata una valutazione del rischio di re-identificazione, e da chi? I dati sintetici sono stati testati rispetto a possibili attacchi, e il test supera i tre criteri di isolamento, collegamento e inferenza indicati dal Comitato europeo? La valutazione è documentata e viene ripetuta quando cambiano i dati, il modello o le tecnologie disponibili? Esistono, a monte, codici persistenti o chiavi di re-identificazione che qualcuno conserva?

Se il fornitore non sa rispondere, il dato non è «sintetico»: è semplicemente un dato di cui non conosciamo bene l’origine.

fonti