Salesforce, colosso statunitense del software e del cloud computing, si trova al centro di una causa collettiva che la accusa di aver usato illegittimamente dei dataset per sviluppare i suoi modelli AI di punta, noti come XGen.
Salesforce è universalmente riconosciuta per le sue soluzioni di CRM e Customer Experience, e negli ultimi anni ha scelto di investire nello sviluppo di tecnologie di intelligenza artificiale applicate al business, con particolare attenzione alla produttività e all’integrazione dei dati nei flussi aziendali. Questa strategia ha portato allo0 sviluppo del modello XGen, famiglia di LLM (Large Language Model) da 7 miliardi di parametri, addestrata su sequenze lunghe fino a 8.000 token per un totale di circa 1,5 trilioni di token. Queste caratteristiche consentono al modello di AI di elaborare testi complessi, generare codice, riassumere documenti estesi e analizzare dati aziendali non inclusi nel training iniziale. La tecnologia è stata commercializzata anche attraverso la piattaforma Agentforce AI, culminando nel modello XGen-Sales, lanciato nell’ottobre 2024 e presentato come uno dei più competitivi tra i modelli open source.
La controversia nasce da una denuncia depositata dalle scrittrici E. Molly Tanzer e Jennifer Gilmore, che accusano Salesforce di aver violato in modo sistematico il Copyright Act utilizzando libri piratati per addestrare i propri modelli. Secondo la causa, i dataset impiegati includerebbero RedPajama e The Pile, due raccolte di dati ampiamente note nel mondo della ricerca per contenere materiale protetto da copyright, tra cui il corpus Books3, composto da oltre 196.000 opere copiate dal tracker privato Bibliotik. Le querelanti sostengono che tra questi testi vi siano anche le loro opere e quelle di centinaia di altri autori, utilizzate senza alcun consenso.
I documenti depositati in tribunale descrivono inoltre un presunto tentativo di Salesforce di nascondere le proprie fonti di addestramento. Al momento del lancio di XGen, nel giugno 2023, l’azienda avrebbe esplicitamente citato RedPajama-Books come una delle basi di dati impiegate, con link diretti ai repository GitHub. Nei mesi successivi, però, tali riferimenti sarebbero stati progressivamente eliminati: a settembre 2023 le menzioni sarebbero state sostituite da formule generiche su “dati in linguaggio naturale provenienti da fonti pubblicamente disponibili”, e a dicembre dello stesso anno Salesforce avrebbe dichiarato che i propri modelli erano stati addestrati su un “dataset legalmente conforme”, senza più alcun riferimento a RedPajama. Quasi in contemporanea, la piattaforma Hugging Face aveva deciso di rimuovere Books3 a causa delle segnalazioni di violazione del copyright.
Il cuore del contenzioso riguarda la dottrina del fair use, che in diritto statunitense consente l’uso limitato di opere protette in determinati casi, come la ricerca o la critica, ma non copre necessariamente l’uso di materiale ottenuto illegalmente. Secondo molti esperti, l’impiego di dataset pubblici come RedPajama o The Pile non esonera automaticamente l’azienda da responsabilità, soprattutto se era consapevole della presenza, all’interno del corpus di opere, di materiale piratato. La giurisprudenza recente, come quella del caso Anthropic conclusosi con un accordo da 1,5 miliardi di dollari, conferma che i tribunali distinguono chiaramente tra le opere acquisite legalmente e quelle ottenute senza autorizzazione.
Al di là degli aspetti giuridici, la vicenda potrebbe avere pesanti ripercussioni commerciali. Gli analisti sottolineano che la fiducia dei clienti in ambito business dipende sempre più dalla trasparenza sull’origine dei dati di addestramento. Le aziende che adottano sistemi di intelligenza artificiale esigono garanzie che i modelli siano stati sviluppati con dati tracciabili, autorizzati e verificabili. Salesforce dovrà affrontare un serio rischio reputazionale, e potrebbe essere costretta a tentare la strada dell’accordo extragiudiziale.
Salesforce accusata di violazione di copyright per l’addestramento del suo modello AI XGen
