Si può far dimenticare qualcosa a un'AI?

Un cliente ti scrive: "cancellate i miei dati". È il suo diritto, lo dice il GDPR all'articolo 17, quello che tutti chiamano diritto all'oblio. Fino a ieri era semplice: apri il database, cerchi la sua riga, cancelli. Fatto.

Ma se quei dati sono finiti dentro un modello di AI che avete addestrato, la faccenda cambia. E parecchio.

Il problema: un modello non è un archivio

Qui casca l'asino, e conviene spiegarlo bene perché è il cuore della questione. Un database è come uno schedario: ogni informazione sta nel suo cassetto, con la sua etichetta. Vuoi togliere una scheda? La sfili e la butti.

Un modello di AI no. Quando lo addestri, non salva i dati in cassetti: li "digerisce" e li trasforma in milioni di numeri, i pesi. Un po' come una persona che legge mille libri e poi ne ricava un modo di ragionare, senza tenere in testa le pagine una per una. Quel dato non sta in un punto preciso che puoi raggiungere. È spalmato dappertutto, mescolato a tutto il resto.

Ed è pure peggio. Lo stesso dato può essersi depositato in più posti: il file di training, il set usato per il fine-tuning, il database del RAG, i log delle conversazioni. Cancellarlo davvero vuol dire scovarlo in tutti questi strati, non solo nel modello.

La soluzione ha un nome: machine unlearning

Il tentativo di risolvere questo pasticcio si chiama machine unlearning, cioè "disapprendimento". L'obiettivo è togliere l'influenza di un dato senza rifare tutto da capo. Nel 2026 è ancora un cantiere aperto, ma tre strade sono già in uso.

La prima è riaddestrare il modello da zero senza quei dati. È il metodo più solido, quello che ti mette al riparo davvero. Peccato che costi una fortuna in tempo e in calcolo: rifare la torta perché volevi togliere lo zucchero.

Poi c'è l'unlearning approssimato: si stima quanto quel dato ha influito sui pesi e si applica una correzione mirata per neutralizzarlo. Più veloce, ma è una stima, non una certezza.

La terza è la più furba e la più fragile: un filtro all'uscita. Il modello sa ancora la cosa, ma gli metti davanti un guardrail che gli impedisce di dirla. Attenzione però: questo non è cancellare. È mettere un cartello "non parlarne". Il dato è sempre lì dentro, e per il GDPR non basta.

Funziona davvero? Non ancora del tutto

Qui serve onestà, niente entusiasmo da brochure. Già nel 2023 Google aveva lanciato una sfida pubblica sul disapprendimento, chiedendo un metodo che costasse al massimo un quinto di un riaddestramento completo. Il problema più duro non è togliere il dato: è dimostrare che è sparito senza aver rovinato il resto del modello.

E la ricerca più recente conferma il dubbio. Le gare del 2025 sul disapprendimento di contenuti sensibili hanno mostrato che gli algoritmi attuali spesso non riescono a dimenticare bene senza perdere colpi altrove. Anzi, diversi studi segnalano un problema ancora più a monte: i test che usiamo per misurare questi progressi sono deboli. Tradotto: sappiamo far finta di aver dimenticato meglio di quanto sappiamo dimenticare sul serio.

Cosa ci portiamo a casa

Il consiglio pratico per chi, come noi, l'AI la usa sul serio in azienda è controcorrente ma sano: la partita si vince prima, non dopo.

Prima di infilare dati personali dentro un modello, chiediti se serve davvero. Spesso no. Con un'architettura RAG i documenti restano in un database separato, fuori dal modello: se un cliente chiede la cancellazione, togli il file da lì e il problema è risolto, come nel vecchio schedario. Butta nel fine-tuning solo quello che deve proprio starci.

La regola vera è vecchia come il mondo: è più facile non far entrare un dato che rincorrerlo dopo. Con l'AI vale il doppio.

---

Fonti:

• GDPR, Articolo 17 - Diritto alla cancellazione ("diritto all'oblio")
• NeurIPS 2023 Machine Unlearning Challenge (Google Research)
• SemEval-2025 Task 4: Unlearning Sensitive Content from LLMs (arXiv)
• A survey on large language models unlearning: taxonomy, evaluations, future directions (Springer, 2025)