Le foto che carichi finiscono nel training AI? Test su robots.txt e termini di 8 servizi
Chi in Italia usa da anni un hosting immagini gratuito per incollare screenshot nei forum o nei gruppi Telegram raramente si è mai chiesto se quelle foto finiscano anche nei dataset di addestramento di un modello linguistico. È una domanda legittima, ed è quella a cui ho provato a rispondere con dati concreti, non con supposizioni.
Anticipo subito il risultato, poi arrivano i dati: su 8 servizi di hosting foto/album verificati, solo Catbox blocca esplicitamente per nome GPTBot, ClaudeBot, Google-Extended e CCBot nel proprio robots.txt; Flickr ottiene un effetto simile con un approccio diverso; il robots.txt di Imgur non blocca nulla, ma i termini di servizio vietano esplicitamente a terzi di usare i contenuti della piattaforma per l'addestramento AI; ImgBB e Postimages hanno un robots.txt vuoto, equivalente a nessuna regola; lpic.cc, al momento, non ha ancora regole dedicate ai crawler AI. Tutto questo è contenuto che ho recuperato direttamente, non un'interpretazione di documentazione di terze parti — la verifica risale a settembre 2026.
Come ho condotto la verifica
Ho lanciato curl direttamente su 8 domini per scaricare il file robots.txt originale (non l'interpretazione di uno strumento terzo), poi ho letto per intero i termini di servizio di ciascuna piattaforma cercando frasi relative a "ambito della licenza sui contenuti" e "addestramento AI / machine learning", citandole testualmente. Dove non ho trovato nulla, o dove i termini non menzionano affatto l'argomento, ho segnato "non menzionato" — niente supposizioni a memoria.
Ho confrontato 5 crawler AI, ciascuno con uno scopo diverso:
- GPTBot — il crawler di OpenAI per raccogliere dati di addestramento
- ClaudeBot — il crawler di Anthropic per raccogliere dati di addestramento (diverso da
Claude-User/Claude-SearchBot, che servono per il recupero in tempo reale, non per il training) - Google-Extended — il token di opt-out specifico di Google per l'addestramento di modelli generativi come Gemini, separato dal Googlebot dedicato all'indicizzazione
- CCBot — il crawler di Common Crawl, la cui raccolta dati alimenta indirettamente molti dataset di addestramento di LLM
- PerplexityBot — il crawler di Perplexity
Tabella comparativa completa
Dati aggiornati a settembre 2026. "Non elencato" significa che quello User-Agent non compare per nome nel robots.txt del sito: il trattamento effettivo dipende dalla regola generica in cui ricade.
| Servizio | GPTBot | ClaudeBot | Google-Extended | CCBot | PerplexityBot | Termini menzionano l'AI training? |
|---|---|---|---|---|---|---|
| Imgur | Non elencato → permesso dalla regola * |
Non elencato → permesso | Non elencato → permesso | Non elencato → permesso | Non elencato → permesso | Sì — vieta esplicitamente a terzi di raccogliere/usare i contenuti della piattaforma per il machine learning |
| ImgBB | Permesso (robots.txt vuoto) | Permesso | Permesso | Permesso | Permesso | Non menzionato |
| Postimages | Permesso (robots.txt vuoto) | Permesso | Permesso | Permesso | Permesso | Non menzionato |
| Catbox | Bloccato (per nome) | Bloccato (per nome) | Bloccato (per nome) | Bloccato (per nome) | Non elencato → permesso dalla regola * |
Non menzionato |
| Flickr | Bloccato (non nella lista consentita, ricade in User-agent: * / Disallow: /) |
Bloccato (stesso motivo; ma Claude-User e Claude-SearchBot, non di training, sono esplicitamente permessi) |
Bloccato (idem) | Bloccato (idem) | Permesso (esplicitamente nella lista consentita) | Non menzionato |
| Google Foto | Non elencato; percorsi legati a condivisione/album completamente bloccati per * |
Idem | Idem | Idem | Idem | I termini generali di Google vietano di "addestrare modelli di machine learning con i contenuti del servizio", ma non c'è una precisazione specifica per Foto |
| Album condivisi iCloud | Non elencato; /sharedalbum/, /photos/ completamente bloccati per * (Googlebot ha eccezione su tutto il sito) |
Idem | Idem | Idem | Idem | Non menzionato; la pagina privacy di Apple Intelligence dichiara separatamente che "i contenuti privati non vengono usati per addestrare modelli fondazionali senza consenso" |
| lpic.cc | Permesso (Allow: /, blocca solo /admin/ e /api/) |
Permesso | Permesso | Permesso | Permesso | Non menzionato; l'ambito della licenza è limitato a "archiviazione, elaborazione (es. compressione/conversione formato), trasmissione", non una licenza generica per "qualsiasi scopo" |
Il robots.txt è solo un accordo di cortesia — va detto chiaramente
Tutta la tabella sopra descrive "cosa dicono le regole", non "se il crawler le rispetta davvero". Il robots.txt non ha alcuna forza tecnica vincolante: un sito può scrivere Disallow: / per uno specifico UA, ma se quel crawler lo rispetti o meno dipende interamente dall'autodisciplina di chi lo gestisce. In questa verifica ho controllato solo il testo delle regole, senza verificare separatamente se queste 5 aziende AI rispettino davvero i propri robots.txt dichiarati — servirebbe un'analisi del traffico reale, non la sola lettura delle regole. Questo punto è importante per la sezione su lpic.cc più avanti.
Analisi servizio per servizio: perché la logica cambia
Catbox: la lista di blocco più completa, ma con PerplexityBot fuori
Il robots.txt di Catbox usa l'approccio più diretto: prima una regola generale per tutti gli UA (blocca solo poche pagine funzionali come /contact.php, /user/), poi un blocco per nome di ClaudeBot, Claude-User, Claude-SearchBot, GPTBot, Google-Extended, CCBot, Meta-ExternalAgent, FacebookBot, Bytespider, Applebot-Extended — dieci UA di training o aggregazione, bloccati con Disallow: / su tutto il sito.
Ma in questa lista non c'è PerplexityBot. Non essendo nominato, ricade nella regola generale, quindi (a parte quei pochi percorsi funzionali) tutto il sito gli è aperto. Non so se sia una lista non aggiornata o una scelta deliberata (Perplexity si presenta come assistente di recupero in tempo reale, non come crawler di training) — è la parte che questa verifica non è riuscita a chiarire, e non intendo indovinare. Quello che è certo: anche il servizio più meticoloso della lista, Catbox, ha una lacuna concreta e verificabile.
Flickr: una "lista consentita" per ottenere l'effetto opposto di Catbox
L'approccio di Flickr è rovesciato: prima elenca una lunga lista di UA permessi (Googlebot, bingbot, ChatGPT-User, Claude-SearchBot, Claude-User, OAI-SearchBot, PerplexityBot, ecc.), permettendo l'accesso solo a questi (tolti alcuni percorsi), e chiude con un User-agent: * / Disallow: /.
In altre parole, ogni UA non esplicitamente invitato nella lista viene bloccato su tutto il sito. GPTBot, ClaudeBot, Google-Extended, CCBot non sono in quella lista, quindi ricadono tutti sotto quel Disallow: /. Il risultato è esattamente lo stesso di Catbox — "crawler di ricerca/recupero in tempo reale permessi, crawler di training su larga scala bloccati" — ma ottenuto con un'implementazione opposta: una lista nera contro una lista bianca.
Imgur: robots.txt aperto, termini di servizio chiusi a chiave
Il robots.txt di Imgur non tratta separatamente nessun UA legato all'AI, e la regola generale blocca solo pagine funzionali come account, download, logout — le pagine di foto e album sono aperte a tutti i crawler. Ma nei termini di servizio, le restrizioni per terze parti sono scritte senza ambiguità:
"...create derivative works based on our service...including for any purposes related to AI machine learning/use on AI platforms..." (parte dell'elenco delle azioni vietate)
e:
"...any use of our service...for any commercial purpose, including without limitation AI machine learning, use on AI platforms, etc., you must first obtain our express signed written consent..."
Questo divieto è rivolto a "terzi", non è un'autolimitazione — i termini non contengono nessun vincolo equivalente su come MediaLab.Ai, la società proprietaria di Imgur, possa usare i contenuti della propria piattaforma. Quindi, in modo più preciso: Imgur usa una regola tecnica (robots.txt) per lasciare entrare chiunque, ma una regola legale (ToS) per vietare che ciò che è stato raccolto venga usato per addestrare AI. È una strategia "prima ti lascio entrare, poi non puoi usarlo per questo", completamente diversa dal blocco tecnico diretto di Catbox e Flickr.
ImgBB, Postimages: nessuna regola, semplicemente
Ho verificato personalmente con curl il robots.txt di entrambi: la risposta HTTP restituisce Content-Length: 0 — non è un errore di scaricamento, il sito restituisce davvero un file vuoto. Nessuna regola Disallow, quindi tutti i crawler (compresi i 5 AI) hanno tecnicamente via libera. Anche i termini di servizio non menzionano l'addestramento AI, ma entrambe le piattaforme si concedono una licenza sui contenuti molto ampia (il testo originale di ImgBB recita "for any purpose, commercial, advertising, or otherwise"). Questa licenza ampia è concessa alla piattaforma stessa, non è una garanzia per le aziende AI, ma significa anche che, se in futuro la piattaforma decidesse di concedere in licenza i contenuti per l'addestramento AI, i termini attuali non glielo impedirebbero.
Google Foto, Album condivisi iCloud: forse la domanda stessa è mal posta
Nessuno dei due servizi ha regole specifiche per i crawler AI, ma le regole generali bloccano interamente percorsi come /photo/, /shared, /sharing (Google Foto) e /sharedalbum/, /photos/ (iCloud) per qualsiasi UA non esplicitamente autorizzato — e nessuno dei 5 crawler AI riceve un'eccezione.
Ma c'è una differenza strutturale rispetto agli altri 6 servizi: le pagine foto di Imgur, ImgBB, Postimages, Catbox, Flickr e lpic.cc sono progettate per essere pubblicamente sfogliabili (alcune finiscono persino nell'indice di ricerca; la pagina di lpic.cc ha noindex); gli album di Google Foto e iCloud invece funzionano di default con URL non indovinabili, senza alcuna lista pubblica o link interno al sito che punti a quelle pagine. Che il robots.txt blocchi o meno ha un impatto limitato su questa architettura "l'URL è la chiave": il crawler deve prima conoscere quell'URL per poter leggere il robots.txt e decidere se può accedervi. È una logica di protezione completamente diversa da quella dei primi 6 servizi, dove "la pagina è già pubblicamente indicizzabile, e il robots.txt cerca di limitarla" — ed è importante chiarirlo quando si mettono a confronto nella stessa tabella, altrimenti si rischia di leggerlo erroneamente come "anche Google e Apple usano la strategia di Catbox".
Cosa c'entra la nuova mossa di Cloudflare con questi servizi di hosting
Il 15 settembre 2026 Cloudflare ha pubblicato sul proprio blog "Have it both ways: stay discoverable in search while disallowing AI training", classificando ufficialmente l'attività dei crawler in tre categorie: Search (costruzione di indici di ricerca), Training (addestramento o fine-tuning di modelli), Agent (comportamento di agenti su richiesta in tempo reale dell'utente, ad esempio una ricerca eseguita per conto dell'utente). L'articolo dichiara che da quella data ogni nuovo dominio collegato a Cloudflare adotterà i nuovi valori predefiniti: i siti con pubblicità di default "permettono la ricerca, bloccano il training, bloccano gli agent sulle pagine pubblicitarie"; i siti senza pubblicità permettono di default tutte e tre le categorie. È il seguito della Content Signals Policy lanciata da Cloudflare a settembre 2025 (l'estensione del robots.txt con i tre segnali search / ai-input / ai-train).
Non ho verificato, né intendo far finta di averlo fatto, se questi 8 servizi di hosting immagini siano clienti Cloudflare — questo articolo non lo accerta, quindi non significa che abbiano adottato i nuovi valori predefiniti di Cloudflare. La coincidenza degna di nota è che la struttura attuale del robots.txt di Flickr corrisponde esattamente alla logica che Cloudflare vuole promuovere (crawler di ricerca/agent permessi, crawler di training bloccati), ma Flickr ci arriva mantenendo manualmente la propria lista di UA, senza alcuna relazione con questo nuovo default automatizzato di Cloudflare.
La politica attuale di lpic.cc, detta onestamente
Il robots.txt di lpic.cc oggi è così (verificato a settembre 2026):
User-Agent: *
Allow: /
Disallow: /admin/
Disallow: /api/
Sitemap: https://lpic.cc/sitemap-index.xml
Nessuna regola dedicata per GPTBot, ClaudeBot, Google-Extended, CCBot o PerplexityBot: al livello del robots.txt, equivale a permettere tutto. Sul fronte dei termini di servizio, l'ambito della licenza recita "concedi al servizio il diritto di archiviare, elaborare (ad esempio comprimere o convertire il formato) e trasmettere i contenuti caricati" — un ambito molto più ristretto della licenza generica "per qualsiasi scopo" di Imgur, ImgBB e Postimages, ma i termini non contengono comunque le parole "AI" o "machine learning": né una promessa, né un divieto.
Mettendo insieme questi due elementi, la lettura onesta è: al momento, robots.txt e termini di lpic.cc non bloccano in alcun modo i crawler di training AI, e su questo punto è nello stesso gruppo di Imgur, ImgBB, Postimages, Google Foto e iCloud, senza distinguersi in meglio (il CDN davanti al sito ha una propria gestione dei crawler, che non rientra nella verifica di questo articolo — non me ne faccio garante, né ne rivendico alcun effetto protettivo). Non diremo che "caricare su lpic.cc espone meno al training AI", perché nessuna regola sostiene questa affermazione, e anche aggiungendo una regola come Disallow: GPTBot, come già detto sopra, resterebbe comunque un accordo di cortesia mai misurato per verificarne il rispetto reale da parte di chi lo riceve. Se adottare un blocco esplicito come Catbox o Flickr è una decisione di prodotto separata, diversa dal descrivere onestamente la situazione attuale in questo articolo.
Quale servizio scegliere in base alle tue priorità
| Cosa ti interessa | Servizio da guardare | Perché |
|---|---|---|
| Che l'hosting blocchi attivamente, a livello tecnico, i crawler di training noti | Catbox | Il robots.txt blocca per nome 4 crawler target su 5, l'unico caso verificato in questo articolo |
| Vuoi condividere pubblicamente ed essere indicizzato, ma non vuoi essere scansionato dai crawler di training | Flickr | L'approccio a lista bianca ottiene esattamente l'effetto "ricercabile ma non addestrabile", ma è la sua modalità operativa esistente, non un impegno pubblico ufficiale sul tema AI |
| Vuoi solo caricare foto gratis, senza preoccuparti particolarmente del tema AI | ImgBB / Postimages | Nessuna restrizione nel robots.txt, il più immediato da usare, ma i termini concedono una licenza sui contenuti molto ampia, quasi un consenso di default a "qualsiasi uso" |
| Vuoi che l'ambito di licenza della piattaforma stessa sia il più ristretto possibile | lpic.cc | Il testo dei termini è il più circoscritto di questo confronto, ma senza alcun blocco tecnico specifico contro i crawler AI |
| Vuoi che le foto non siano mai pubblicamente esposte né indicizzate fin dall'inizio | Album condivisi Google Foto / iCloud | Si affidano a URL non indovinabili invece che al robots.txt, una logica architetturale diversa dagli altri 6 servizi |
Domande frequenti
D: Se un robots.txt scrive Disallow, l'azienda AI è sicuramente obbligata a non scansionare?
No, non è una certezza. Il robots.txt è un accordo di cortesia, privo di forza tecnica vincolante. Questo articolo ha verificato solo "cosa dicono le regole", non ha misurato separatamente se queste 5 aziende AI rispettino davvero le regole che dichiarano di seguire.
D: Se i termini di servizio non menzionano affatto il training AI, le mie foto sono più al sicuro? No. La mancata menzione spesso significa solo che il tema non era una priorità quando i termini sono stati redatti, o che la piattaforma ha deliberatamente lasciato margine di manovra. Se confrontato con licenze ampie tipo "per qualsiasi scopo" di Imgur, ImgBB e Postimages, un termine poco chiaro può essere un rischio, non una garanzia.
D: lpic.cc ha un blocco specifico contro i crawler di training AI? Non a livello di robots.txt. Alla verifica di settembre 2026, il robots.txt permette tutti e 5 gli UA target (le impostazioni a livello CDN non rientrano nella verifica di questo articolo) — è una descrizione onesta della situazione attuale, non una promessa che non cambierà in futuro.
D: Questa classificazione in tre categorie di Cloudflare (Search / Training / Agent) è direttamente collegata a questi 8 servizi di hosting immagini? No, non direttamente. È un meccanismo a livello di piattaforma Cloudflare, applicato ai domini che vi sono collegati; questo articolo non ha verificato se questi 8 servizi siano clienti Cloudflare. L'effetto delle regole attuali di Flickr è semplicemente simile, una coincidenza, non un adeguamento progettato per questo annuncio di Cloudflare.
D: Perché PerplexityBot non è nella lista di blocco di Catbox? Non si conosce il motivo esatto, e questo articolo non ha trovato alcuna dichiarazione pubblica da parte di chi gestisce Catbox. Potrebbe essere una lista non aggiornata, oppure una scelta deliberata — Perplexity si presenta come assistente di recupero in tempo reale, diverso da un crawler puramente dedicato alla raccolta di dati di addestramento. Qui viene mostrata solo la discrepanza nelle regole, senza ipotizzare le motivazioni.
D: In Italia esiste una normativa specifica sullo scraping di dati per l'addestramento AI? Il GDPR regola il trattamento dei dati personali in generale, e il Garante per la protezione dei dati personali è già intervenuto più volte su casi di raccolta dati per addestramento AI senza base giuridica adeguata. Ma per il caso specifico di foto pubblicamente accessibili su un hosting immagini raccolte da un crawler AI, non esiste ancora una normativa italiana dedicata e distinta — resta tutto affidato ad accordi di cortesia come il robots.txt, finché non arriva una regola più specifica.
Fonti e date di verifica
Tutti i link seguenti sono contenuti originali ottenuti tramite fetch/curl diretto il 25/09/2026, non riassunti di terze parti:
- robots.txt Imgur:
https://imgur.com/robots.txt - Termini di servizio Imgur:
https://imgur.com/tos - robots.txt ImgBB:
https://imgbb.com/robots.txt(HTTP 200, Content-Length: 0) - Termini di servizio ImgBB:
https://imgbb.com/tos - robots.txt Postimages:
https://postimages.org/robots.txt(HTTP 200, Content-Length: 0) - Termini di servizio Postimages:
https://postimages.org/terms - robots.txt Catbox:
https://catbox.moe/robots.txt - Pagina termini/privacy Catbox:
https://catbox.moe/legal.php - robots.txt Flickr:
https://www.flickr.com/robots.txt - Termini di servizio Flickr:
https://www.flickr.com/help/terms - Informativa privacy Flickr:
https://www.flickr.com/help/privacy - robots.txt Google Foto:
https://photos.google.com/robots.txt - Termini di servizio Google:
https://policies.google.com/terms - Informativa privacy Google:
https://policies.google.com/privacy - robots.txt iCloud:
https://www.icloud.com/robots.txt - Termini di servizio iCloud:
https://www.apple.com/legal/internet-services/icloud/ - Pagina privacy Apple Intelligence:
https://www.apple.com/privacy/features/ - robots.txt lpic.cc:
https://lpic.cc/robots.txt - Termini di servizio lpic.cc: contenuto i18n della pagina interna
/terms(termsIntellectualDesc) - Blog ufficiale Cloudflare (classificazione in tre categorie, pubblicato il 15/09/2026):
https://blog.cloudflare.com/accountable-mixed-use-ai-crawlers/ - Content Signals Policy di Cloudflare (versione precedente alle tre categorie, pubblicata il 24/09/2025):
https://blog.cloudflare.com/content-signals-policy/