Javni internet postaje pregovaranje o podacima za obuku

Crawleri, rezervacije, licence i podrijetlo mijenjaju staru pretpostavku da je javna stranica jednostavno tu da se preuzme. Korisno pitanje više nije je li...

Javni internet postaje pregovaranje o podacima za obuku

Stranica je javna. Korištenje nije dogovoreno.

Dugo je vremena javni web funkcionirao na grubom, ali funkcionalnom društvenom dogovoru. Izdavač bi objavio stranicu. Tražilice bi je pronašle, indeksirale dovoljno sadržaja da vrate čitatelje, i osoba bi stigla na izvornu stranicu. Bilo je rasprava o indeksiranju, isječcima i oglašavanju, ali put je bio prepoznatljiv. Stranica je bila i jedinica objave i mjesto gdje se čitatelj susreće s izdavačem.

Obuka modela opće namjene mijenja oblik tog dogovora. Puzavac i dalje može početi s javnom adresom, ali odredište više nije nužno rezultat pretraživanja. Materijal se može kopirati, raščlaniti, filtrirati, pohraniti, kombinirati s drugim materijalom i koristiti u procesu obuke čiji rezultat nije poveznica natrag na stranicu. Kasnije može pomoći u odgovaranju na pitanje bez da čitatelj posjeti izvorno djelo. Činjenica da je stranica vidljiva jest relevantna. Nije cijeli odgovor.

Zato javni internet postaje pregovaranje o podacima za obuku. Ne jedno pregovaranje u jednoj prostoriji, i ne drama u kojoj jedna strana otkriva da druga postoji. Riječ je o distribuiranom pregovaranju koje se vodi kroz zakone, licence, tehničke signale, ugovore, standarde, evidencije i, gdje je potrebno, ljude koji razgovaraju jedni s drugima. Nositelj prava može zadržati pravo na rudarenje. Pružatelj modela može prepoznati zadržavanje prava i odlučiti ne prikupljati. Strane se mogu dogovoriti o licenci. Organizacija može dovoljno dobro dokumentirati put da kasnije pitanje bude odgovorivo. Ili mogu ostaviti put nejasnim i otkriti da je nejasnoća skupa nakon što je materijal otputovao.

Ništa od ovoga ne čini svaku javnu stranicu nedostupnom za svaku računalnu upotrebu. Europski okvir autorskog prava sadrži iznimke za rudarenje teksta i podataka, a uvjeti su važni. Isto tako, robots datoteka ne postaje univerzalni instrument autorskog prava, niti licenca jednostavan potvrdni okvir. Korisna promjena je skromnija: podatke za obuku treba tretirati kao odnos s uvjetima, poviješću i granicama. To je bolji opis onoga što su već bili. Novo je to što taj odnos postaje sve teže ignorirati.

Rad Europske komisije oko Akta o umjetnoj inteligenciji daje toj promjeni administrativni oblik. Pružatelji modela umjetne inteligencije opće namjene imaju obveze u pogledu politike autorskog prava i sažetka sadržaja za obuku. Kodeks prakse za GPAI predstavlja dobrovoljni put za pružatelje koji ga odluče slijediti, uključujući obveze koje se odnose na zadržavanje prava i robots.txt. Komisija je također provela konzultacije o protokolima za izražavanje zadržavanja prava. To nisu zamjena za zakon o autorskom pravu, niti izjava da svaki tehnički signal ima isti pravni učinak. Oni su dokaz da je put od upute nositelja prava do sustava prikupljanja pružatelja modela sada zaseban problem politike.

Priča ne treba izmišljenog izdavača, dramatičnog puzavca ni fiktivno sudsko ročište. Vidljiva je na običnim mjestima gdje izvor mijenja vlasnika. Netko odlučuje pripada li URL u zbirku. Netko odlučuje što znači zadržavanje prava. Netko odlučuje je li licenca dovoljno specifična za obuku, dohvat, evaluaciju ili redistribuciju. Netko odlučuje koja verzija politike vrijedi kada se izvor promijeni. Odluke mogu biti tihe. I dalje su odluke.

Puzavac više nije samo posjetitelj

Preglednici, puzavci tražilica, arhivski alati, usluge pristupačnosti, akademski istraživači, sustavi za praćenje i cjevovodi za obuku modela mogu svi zatražiti istu stranicu. S poslužitelja izdavača u početku mogu izgledati slično: stigne zahtjev, pošalje se odgovor, zapiše se redak u zapisniku. No njihove su svrhe, obrasci kopiranja i daljnje posljedice različiti. Tretirati svaki automatizirani zahtjev kao identičan zgodno je za infrastrukturu, a loše za upravljanje.

Običan čitatelj otvori jedan članak i možda mu se vrati drugi dan. Pretraživački indeks stvara se s namjerom da čitatelja vrati natrag. Cjevovod za treniranje može napraviti kopiju koja se zadržava, mijenja i spaja s mnogim drugim djelima prije nego što uopće nastane neki model. Sustav za dohvat može stvoriti izravniju komercijalnu zamjenu za posjet. Evaluacijski skup može čuvati ulomke za testiranje sustava. Oznake nisu moralne ljestvice. One su opisi upotreba koje zahtijevaju različita pitanja.

Prvo je pitanje obično pristup. Je li sakupljač do sadržaja došao zakonitim putem? Drugo je pravna osnova za radnje koje sustav želi izvršiti. Treće je je li nositelj prava izrazio zadržavanje prava tamo gdje primjenjivo pravilo to dopušta. Četvrto je pruža li zasebna licencija ili ugovor dopuštenje, uvjete ili ograničenja. Peto pitanje, koje često stigne prekasno, operativno je: može li organizacija pokazati što je vidjela i zašto je postupila kako jest?

Direktiva (EU) 2019/790 ne tretira rudarenje teksta i podataka kao jedinstveno, neograničeno dopuštenje. Članak 3. predviđa obveznu iznimku za istraživačke organizacije i ustanove kulturne baštine koje izrađuju reprodukcije i izvlačenja za znanstveno istraživanje, pod uvjetom da imaju zakonit pristup. Članak 4. odnosi se na rudarenje teksta i podataka u druge svrhe, također uz zakonit pristup, osim ako je nositelj prava na odgovarajući način zadržao relevantna prava. Za internetski sadržaj koji je javno dostupan, Direktiva kaže da se zadržavanje prava može izraziti strojno čitljivim sredstvima, uključujući metapodatke te uvjete i odredbe.

Ta razlika nije manja redakcijska zanimljivost. Ona znači da javna stranica ne nosi jednu generičku oznaku koja se zove upotrebljivo. Akter, svrha, put pristupa, zadržavanje prava nositelja i konkretne radnje, sve to je važno. Razuman sustav za prikupljanje stoga treba bogatiji vokabular od dopusti i blokiraj. Trebao bi moći zabilježiti kandidat, uočen pristup, zabilježeno zadržavanje prava, potrebna licencija, odobrena licencija, ograničena svrha, neriješeno, odbijeno i povučeno. To nije birokracija radi birokracije. To je minimalna gramatika potrebna kada izvor može biti savršeno vidljiv, a opet nedostupan za predloženu upotrebu.

Studija Ureda Europske unije za intelektualno vlasništvo iz 2025. o generativnoj umjetnoj inteligenciji i autorskom pravu opisuje to područje kao ono u kojem se zadržavanja prava i licenciranje razvijaju usporedno s tehničkim rješenjima. Njezin zaključak nije da se pojavio gotov tržišni mehanizam. Gotovo je suprotno: nijedno pojedinačno rješenje ne odgovara svakom nositelju prava, svakom pružatelju modela ni svakoj vrsti materijala. Upravo zato pošten sustav mora čuvati razlike umjesto da ih briše u ime razmjera.

Razmjer se često nudi kao isprika za nepreciznost. Pružatelj modela može reći da ne može pregovarati stranicu po stranicu. Mali izdavač može reći da ne može pregledati svaki automatizirani zahtjev. Obje tvrdnje mogu biti istinite. One ne uklanjaju potrebu za funkcionalnim sučeljem između njih. One objašnjavaju zašto su strojno čitljivi signali, standardne licencije, evidencije o izvornim obiteljima sadržaja i kolektivni aranžmani zanimljivi. Odgovor na velik problem nije nužno velik sastanak. Možda je to pouzdan način da se izrazi granica i pouzdan način da se ona primi.

Put do izvora nije tunel do modela. To je niz odluka koje bi trebale ostati vidljive i nakon prikupljanja.

Dijagram je konceptualni put, a ne pravni stroj za odlučivanje. Kartica koja izgleda zeleno ne dokazuje da je uporaba zakonita. On pokazuje dokaze i prosudbe koje bi tim trebao moći provjeriti. Ta skromna razlika je vrijedna. Većina izbjegive zabune počinje kada se operativna činjenica zamijeni s pravnim zaključkom ili kada se pravni zaključak ne može pratiti unatrag do operativnih činjenica.

Rezervacije trebaju jezik koji strojevi mogu nositi

Odjava se često opisuje kao gumb: nositelj prava kaže ne, crawler se zaustavlja. Stvarni posao je manje filmski. Rezervacija se mora negdje izraziti, pronaći je sakupljač, povezati s relevantnim djelom ili uslugom, protumačiti u pravom kontekstu i zadržati kao dokaz. Može biti u metapodacima, u uvjetima korištenja, u objavljenoj politici ili u protokolu koji sakupljač razumije. Može se odnositi na web-mjesto, katalog, feed, bazu podataka ili definiranu skupinu djela. Može se mijenjati tijekom vremena.

Pozivanje Direktive na strojno čitljivo znači nešto jer rezervacija koja se ne može pronaći na mjestu prikupljanja ne može pouzdano promijeniti odluku o prikupljanju. Ali strojno čitljivo ne znači nepogrešivo, samorazumljivo ili pravno potpuno. Parser može pronaći direktivu s nepoznatom vrijednošću. Nositelj prava može objaviti politiku koja upućuje na kontakt za licenciranje umjesto na izravno odbijanje. Izvor može biti dostupan putem pretplate s vlastitim uvjetima. Sustav možda uopće ne vidi prepoznatljiv signal. Odsutnost signala je opažanje, a ne opća dozvola.

U tome postoji prilično nizozemska pouka. Znak koji kaže da je most zatvoren ne poboljšava vozač dostave koji tvrdi da njegova karta nije protumačila znak. Niti je svaki zatvoreni most zabrana ulaska u pokrajinu. Pitanje je je li znak čitljiv relevantnom putu, ima li put razumnu alternativu i je li netko zabilježio što se dogodilo. Poanta nije pretvoriti web u mrežu kanala. Poanta je spriječiti da granica nestane jer ju je bilo nezgodno modelirati.

Komisijino savjetovanje o protokolima za zadržavanje prava iz rudarenja teksta i podataka čini to provedbeno pitanje očitim. Ono se poziva na obvezu iz Kodeksa prakse za GPAI da potpisnici prepoznaju i poštuju odgovarajuće strojno čitljive protokole koje koriste nositelji prava, uz obvezu poštivanja robots.txt i kasnijih IETF inačica tog standarda. Samo savjetovanje nije konačni protokol. Ono je dokaz da strane trebaju jasniji tehnički jezik za pravni izbor koji mora putovati kroz automatizirane sustave.

Robots.txt ima korisnu, ali ograničenu ulogu u toj raspravi. Riječ je o dugogodišnjoj internetskoj konvenciji za ponašanje pauka. Njime se može prenijeti da izdavač ne želi da određeni automatizirani agent ili putanja budu indeksirani. Tretman u Kodeksu prakse za GPAI daje mu praktičnu važnost za sustave prikupljanja potpisnika. No robots.txt nije univerzalni registar prava, a uputa pauku ne rješava svako pitanje autorskog prava, ugovora ili prava na bazu podataka. Miješanje tih razina dovodi do dva loša ishoda. Jedna strana pretpostavlja da je robots.txt cijeli pravni odgovor. Druga ga tretira tek kao neobveznu uljudnost. Nijedno stajalište ne stvara stabilan odnos.

Sustav prikupljanja trebao bi držati signale odvojenima. Tehnička uputa za indeksiranje: što je robots datoteka govorila u tom trenutku? Zadržavanje prava: koju je strojno čitljivu ili objavljenu izjavu izvor pružio? Uvjet pristupa: je li put bio otvoren, autentificiran, pretplatnički ili isporučen prema sporazumu? Licencija: koja su prava odobrena za koju svrhu i na koje razdoblje? Interna politika: što je organizacija odlučila učiniti kada je slika ostala nejasna? Polja mogu biti povezana, ali nisu zamjenjiva.

Ta odvojenost također čini postupanje s pogreškama humanijim. Prikupljač može izvijestiti da je vidio signal koji ne može protumačiti, umjesto da ga tiho tretira kao nevažan. Nositelj prava može otkriti da njegova željena oznaka nije podržana i odabrati drugi kanal. Pružatelj može poboljšati raščlanjivač bez prepisivanja povijesti. Kasniji pregledavatelj može vidjeti je li izvor primljen jer je postojala licencija, jer je procijenjena iznimka ili jer je donesena odluka o politici u uvjetima navedene nesigurnosti. Alternativa je jedno neprozirno polje koje kaže prikupljeno.

Licenciranje nije suprotno inovaciji

Postoji uporna navika opisivati licencije kao trenje, a modele kao napredak. To je pogrešna usporedba. Licencija može biti ograničenje, ali može biti i sučelje: način da se kaže koji je materijal dostupan, za koju upotrebu, po kojoj cijeni, uz kakav uvjet atribucije, izvještavanja, isključenja ili obnove. Kvaliteta tog sučelja određuje mogu li manji nositelji prava i manji pružatelji modela uopće sudjelovati.

Savez europskih izdavača tvrdi da nositelji prava trebaju transparentnost o podacima korištenim za obuku umjetne inteligencije i o tome gdje su prikupljeni, istodobno priznajući da izdavači mogu koristiti umjetnu inteligenciju u vlastitom radu. To je stajalište sektora, a ne neutralan dokaz ispravnog pravnog odgovora u svakom slučaju. Ipak, ono iznosi praktičnu poantu koju pružatelji modela trebaju shvatiti ozbiljno: izdavač može biti i korisnik umjetne inteligencije i nositelj prava čiji materijal treba uvjete. Izbor nije između književnosti i tehnologije, ni između kreatora i inženjerstva. Izbor je ima li razmjena čitljivu osnovu.

Izdanje Publishers Associationa iz 2026. o tržištu licenciranja za umjetnu inteligenciju u Ujedinjenom Kraljevstvu pruža precizniji prikaz. Opisuje postojeće licence za rudarenje teksta i podataka, kasnije licence za treniranje umjetne inteligencije te sve raširenije licenciranje za generativno proširenje pretraživanja, a izvještava i o radu na kolektivnoj licenci s mogućnošću pristanka nositelja prava. Ujedinjeno Kraljevstvo izvan je pravnog poretka EU-a, pa to nije dokaz onoga što Direktiva o DSM-u zahtijeva. Riječ je o korisnom dokazu da obližnje europsko tržište prava pokušava učiniti dopuštenja za treniranje i pretraživanje praktičnijima od privatnih pregovora između tek nekoliko vrlo velikih organizacija.

Kolektivne aranžmane vrijedi pratiti jer web ne stvaraju samo tvrtke s pravnim odjelom i voditeljem računa. Mali specijalizirani izdavač, znanstveno društvo, regionalne novine, arhiv fotografa ili neovisni autor mogu imati vrijedan materijal, a vrlo malo kapaciteta za pregovaranje o posebnim uvjetima sa svakim potencijalnim pružateljem modela. Standardni pristanak, kolektivna licenca ili pouzdani posrednik ne mogu riješiti svako pitanje vrednovanja. No mogu omogućiti prvi razgovor.

Pružatelji modela također imaju razloga preferirati jasnoću. Pregovarački put može osigurati materijal s utvrđenim podrijetlom, definiranim opsegom i odgovornom osobom za kontakt. Može stajati novca. Ali stajati novca može i čišćenje skupa podataka, istraživanje spornog izvora, obrana stajališta bez ikakve dokumentacije ili zamjena izvora u kasnoj fazi razvoja. Licenca ne jamči da je materijal prikladan, točan ili reprezentativan. Ona daje drugačiji doprinos: pretvara dopuštenje iz pretpostavke u izričiti uvjet.

Naknada također nije čarobna riječ. Ne postoji jedinstvena poštena tarifa za svako djelo i svaku upotrebu. Treniranje, pretraživanje, vrednovanje, interna analiza, poboljšanje modela i objavljivanje mogu stvoriti različite komercijalne odnose. Licenca može biti po djelu, po zbirci, po svesku, po razdoblju, po implementaciji, po korisniku, po obitelji modela ili se o njoj može pregovarati na drugoj osnovi. Može uključivati obvezu navođenja izvora, obvezu izvještavanja, pravo na reviziju, mehanizam povlačenja ili uopće ne mora uključivati trajni pristup. Koristan sustav ne pretvara se da su ti uvjeti univerzalno jednostavni. Čini ih dovoljno čitljivima za primjenu.

Važan pomak jest s kulture preuzimanja na kulturu uvjeta. To ne znači da svaki skup podataka postaje vježba nabave. Znači da kada nositelj prava odluči zadržati, licencirati ili ponuditi materijal pod uvjetima, pružatelj modela ima operativni način da prihvati tu odluku. Kada pružatelj želi koristiti visokokvalitetan, aktualan, specijaliziran materijal, ima put da pita, a ne samo put da kopira. Postoji znatan prostor između neselektivnog prikupljanja i svijeta u kojem samo najveće tvrtke mogu pregovarati.

Podrijetlo je potvrda, ne dopuštenje

Podrijetlo se ponekad prodaje kao lijek za nesigurnost oko autorskih prava. Nije. Zapis o podrijetlu može pokazati odakle materijal dolazi i što je netko u određenom trenutku vjerovao. Ne može učiniti dostupnim djelo koje nije dostupno. Hash može utvrditi da su dvije datoteke identične, a da ne objasni je li bilo koja od njih zakonito kopirana. Besprijekorno vođena knjiga može s impresivnom preciznošću dokumentirati lošu odluku.

Upravo je to ograničenje razlog zašto je podrijetlo korisno. Ono odvaja dokaze od željnog mišljenja. Ako pružatelj modela pohranjuje URL izvora, identitet izvora, vrijeme prikupljanja, uočene uvjete, dokaze o zadržavanju prava, put pristupa, vlasnika odluke, procjenu primjenjive licence ili iznimke, verziju skupa podataka i namjenu nizvodne upotrebe, recenzent može postaviti smisleno pitanje. Ako pružatelj pohranjuje samo izdvojeni ulomak teksta i datum, recenzentu ostaje arheologija.

Dobra provjera podrijetla zahtijeva vrijeme. Stranica se može promijeniti. Izdavač može revidirati uvjete. Izvor se može ukloniti, premjestiti iza pretplate, prodati, ispraviti ili zamijeniti. Licencija može isteći. Protokol za odjavu može se ažurirati. Pružatelj modela može otkriti nedostatak u ranijoj odluci o prikupljanju. Zapis ne bi trebao zamijeniti ranije stanje trenutačnim. Trebao bi sačuvati ranije opažanje, identificirati kasniju promjenu i zabilježiti što je organizacija potom učinila.

To je posebno važno kada se raspravlja o uklanjanju ili povlačenju. Uklanjanje stranice iz aktivnog reda čekanja za indeksiranje nije isto što i uklanjanje iz svake posredne pohrane, izvedenog skupa podataka, pokretanja finog podešavanja, skupa za evaluaciju, indeksa za pretraživanje i objavljenog modela. Iskren odgovor nije obećanje trenutačnog brisanja iz svakog tehničkog artefakta. To je definiranje putova, ograničenja i točaka pregleda prije nego što se ona obećaju. Nositelj prava zaslužuje kontaktnu točku koja može objasniti postupak. Pružatelj modela treba način da identificira na koje artefakte utječe promjena. Oboje trebaju zapis koji razlikuje zaprimljeni zahtjev od riješenog zahtjeva.

Članak 53. Akta o umjetnoj inteligenciji daje provjeri podrijetla susjeda iz područja javne politike. Od pružatelja modela umjetne inteligencije opće namjene zahtijeva da uspostave politiku usklađenosti s pravom Unije o autorskom pravu te da javno objave dovoljno detaljan sažetak sadržaja korištenog za obuku. Javni sažetak ne mora otkriti svaku stavku u skupu podataka, a Akt uključuje granice povjerljivosti i poslovne tajne. No smjer je jasan: pružatelj modela trebao bi moći opisati sadržaj za obuku na način koji je informativniji od fraze vjerujte nam, zadržavajući pritom opsežniju dokumentaciju za nadležna tijela i nizvodne pružatelje.

Ta podjela publike je razumna. Javni čitatelj treba razumjeti kategorije izvora, odluke o prikupljanju i odabiru, relevantna ograničenja i kontaktne putove. Nositelj prava s konkretnim pitanjem može trebati postupak koji može obraditi specifičniji upit. Regulator može trebati dokumentaciju koju nije razumno objaviti na javnoj stranici. Pogreška je tretirati te razine kao izgovor za šutnju ili tretirati javni sažetak kao dokaz da je svaka odluka na razini izvora riješena. Transparentnost je informacijska arhitektura, a ne priopćenje za medije.

Provjera podrijetla ne stvara dopuštenje. Ona održava povezanost dokaza, opsega i kasnijih promjena s djelom kojem su potrebni.

Ovdje postoji korisna disciplina za inženjere. Neka zapis nosi nesigurnost. Ako je status izvora neriješen, zabilježite neriješeno. Ako licenca pokriva prikupljanje, ali ne i treniranje, nemojte je nazivati široko licenciranom. Ako se politika promijenila nakon prikupljanja, nemojte implicirati da je ranija odluka donesena prema kasnijoj politici. Skup podataka ne postaje pouzdaniji zbog samouvjerenosti svojih oznaka. Postaje upravljiviji kada njegove oznake čuvaju ono što je poznato, nepoznato i uvjetno.

Pregovori moraju uključivati i izlaz

Velik dio rasprave usredotočen je na prijam: smije li paukom prikupljati ovaj izvor danas? Ali odnos s podacima za treniranje također treba izlaz. Licenca doseže svoj krajnji datum. Nositelj prava mijenja zadržano pravo. Izdavač pronalazi pogrešku u zapisu o pripisivanju. Davatelj mijenja svoj plan razvoja modela. Izvor postaje neprikladan jer se njegovo podrijetlo ne može rekonstruirati. Stigne pritužba. To su uobičajeni događaji u životnom ciklusu, a ne dokaz da se netko loše ponašao.

Važno je pitanje zna li sustav što učiniti kada se oni dogode. Politika izvora trebala bi odrediti tko prima obavijest, tko odlučuje o njezinu opsegu, tko može pauzirati novu uporabu, tko može pratiti zahvaćene skupove podataka, tko komunicira s nositeljem prava te što organizacija realno može, a što ne može promijeniti u objavljenom artefaktu. Tijek rada mora biti dovoljno precizan da se može testirati. Reći da se zabrinutosti shvaćaju ozbiljno pristojna je rečenica. To nije postupak.

Europske rasprave o upravljanju modelima imaju običaj vraćati se dokumentaciji jer je dokumentacija mjesto gdje sustav objavljuje vlastito pamćenje. Isto vrijedi i ovdje. Put za rješavanje pritužbi treba identifikator. Pregled treba zabilježenu odluku. Zahtjev za uklanjanje treba jasnu granicu. Promjena izvora treba povijest verzija. Objava modela treba biti povezana s relevantnim zapisima o treniranju i odabiru podataka. Bez toga, čak i iskrena organizacija na kraju ovisi o sjećanju, a sjećanje se ne skalira osobito dobro nakon nekoliko promjena osoblja i tri migracije pohrane.

Postoji i komercijalni razlog za izgradnju izlaza rano. Davatelj koji može izolirati obitelj izvora i razumjeti njezinu daljnju uporabu ima više mogućnosti kada se uvjeti promijene. Može zaustaviti buduće prikupljanje, ukloniti obitelj iz planiranog skupa podataka, zamijeniti licencirani materijal, pauzirati objavu ili objasniti zašto zatraženo rješenje doseže jedan artefakt, ali ne i drugi. Davatelj bez tih veza prisiljen je na široke izjave jer ne može dati precizan odgovor. Široke izjave rijetko zadovoljavaju bilo koju stranu.

Nositelji prava također imaju odgovornosti u ovom odnosu, iako one nisu istovjetne odgovornostima davatelja. Zadržano pravo objavljeno u jasnom, stabilnom i strojno čitljivom obliku lakše je poštivati nego granica ugrađena u odlomak koji nijedan sustav za prikupljanje ne može prepoznati. Kontakt za licenciranje koji može objasniti dostupni put smanjuje trošak zakonitog sporazuma. Obavijest o promjeni koja čuva povijest sprječava da se razuman prikupljač procjenjuje prema informacijama koje u to vrijeme nisu bile dostupne. Teret ne bi trebao biti u potpunosti prebačen na izdavače, osobito manje. Jednostavno je istina da sučelje funkcionira bolje kada oba kraja mogu govoriti.

Trenutačni rad Komisije na protokolima zadržanih prava stoga nije opskurna rasprava o standardima. Riječ je o tome može li web izraziti izbor u razmjeru u kojem modeli prikupljaju materijal. Dobri standardi neće riješiti vrednovanje, olakšati svako pravno pitanje niti ukloniti zlu namjeru. Mogu smanjiti klasu izbježive dvosmislenosti. To je skromna ambicija, a na webu skromne ambicije obično prežive dodir sa stvarnošću.

Što bi odgovoran prikupljač trebao moći reći

Odgovoran sakupljač ne mora u svaki redak dnevnika unositi pravno mišljenje. Mora, međutim, osigurati da nekoliko praktičnih tvrdnji bude istinito. Mora moći reći kojoj je svrsi zbirka služila. Mora moći identificirati izvor i verziju koju je razmatrao. Mora moći prikazati put pristupa i signale koje je uočio. Mora moći identificirati pravilo, licenciju ili neriješeno pitanje koje je upravljalo odlukom. Mora moći povezati prihvaćeni izvor sa skupom podataka ili sustavom koji ga je primio. Mora moći objasniti kako postupa s promjenama i nedoumicama.

Te tvrdnje upućuju na dizajn, a ne na kontrolni popis. Počnite s ugovorom o izvoru. Ugovor imenuje obitelj izvora, namjeravanu upotrebu, prihvaćene metode pristupa, tehnička ograničenja, poznate signale prava, potrebne dokaze i vlasnika. To nije ugovor u pravnom smislu osim ako ga stranke tako ne odrede. To je operativni ugovor unutar organizacije: zapis o tome što sustav za prikupljanje smije činiti i zašto.

Zatim držite točke odlučivanja blizu radnji koje su važne. Nemojte najprije dohvaćati, a ograničenja tražiti nakon što je materijal kopiran kroz nekoliko redova čekanja. Nemojte dopustiti da se skup podataka premjesti iz istraživačke procjene u komercijalno treniranje modela samo zato što bajtovi odgovaraju objema zadaćama. Nemojte pretvoriti polje licence u generičku istinitu vrijednost jer je stvarni opseg nezgodan. I nemojte tretirati zahtjev za prestanak kao zahtjev za podršku bez ikakve veze sa zapisom o izvoru.

Tamo gdje sakupljač ne može razumjeti signal, treba to reći. Tamo gdje je potreban ljudski pregled, sustav bi trebao učiniti stanku vidljivom. Tamo gdje je licencija dostupna, komercijalni i tehnički putovi trebali bi se susresti: sporazum mora biti predstavljen u obliku koji mijenja ono što sakupljač smije činiti. PDF u pravnoj mapi ne sprječava cjevovod da učini pogrešnu stvar u tri ujutro. Cjevovod treba provedivo stanje.

U Dweveu je mali dio ove rasprave koji je izravno naš vidljiv u materijalu o sadržaju za treniranje u našem Trust Centru. Objavljeni zapis kaže da njegov katalog obitelji izvora nije tvrdnja o općem dopuštenju te da su odluke o stavci, verziji, licenciji, atribuciji, svrsi, povlačenju i dokazima kontrolirane u Spindle knjizi. To je opis našeg navedenog postupka, a ne tvrdnja da zapis sam po sebi rješava pitanja autorskih prava. Uloga Winnowa u toj slici jest izviđanje izvora te ponovljivi i provjerljivi postupci izvora. Šira poanta nije o našim proizvodima. Riječ je o tome da prikupljanje postaje odgovornije kada se put izvora tretira kao dokaz, a ne kao pozadinska buka.

Ovo je vrsta rada na proizvodu koja se rijetko pojavljuje u demonstraciji modela. Nitko ne plješće polju pod nazivom observed-terms-version. No ta polja odlučuju može li tim odgovoriti na razumno pitanje bez provođenja unutarnjeg iskopavanja. Budućnost upravljanja modelima uključivat će mnogo impresivne matematike. Uključivat će i znatno pažljivije zapise nego što je industrija nekoć smatrala modernim.

Posao je upravljanje, a ne postavka pauka

Primamljivo je ovo pretvoriti u tehnički spor. Stavite pravu uputu u datoteku, ažurirajte korisničkog agenta, uključite parser, isključite parser. Te stvari su važne, ali one su samo vidljivi rub problema upravljanja. Pauk čini ono što je organizacija odlučila da smije činiti. Ako organizacija nema jasnu granicu svrhe, registar licencija, vlasnika izvora, put pregleda i podrijetlo skupa podataka, tehnička će poslušnost biti nedosljedna čak i kada svaki pojedini inženjer pokušava biti pažljiv.

Krenite od svrhe jer svrha mijenja pitanje. Pružatelj modela koji prikuplja materijal za uski, objavljeni istraživački eksperiment nije nužno u istom položaju kao onaj koji prikuplja materijal za komercijalni model opće namjene. Pružatelj koji traži licenciju za dohvat možda treba drukčiji ugovor od onoga koji želi trenirati model. Arhiv od javnog interesa može imati drukčiji mandat i pravni put od proizvodnog tima koji gradi sustav za odgovore. Te razlike ne bi smjele služiti prikrivanju obveza. One su razlog zašto jedno univerzalno polje statusa ne može govoriti istinu.

Zatim učinite vlasništvo vidljivim. Netko bi trebao biti vlasnik politike izvora. Netko bi trebao biti vlasnik tehničkog sakupljača. Netko bi trebao biti vlasnik licencijskih uvjeta i odluke o prihvaćanju obitelji izvora. Netko bi trebao biti vlasnik odgovora na upit nositelja prava. Ista osoba ne mora imati sve uloge, a mali tim može ih kombinirati. Bitno je da je odgovornost vidljiva prije nego pitanje postane spor. Generički poštanski sandučić nije baš vlasnik. To je mjesto gdje se vlasništvo možda, a možda i ne, na kraju pronađe.

Upravljanje podacima također se mora povezati s upravljanjem modelom. Odluka o izvoru koja ostaje u alatu za web-zbirke dok se obuka odvija negdje drugdje slaba je po dizajnu. Tim za obuku mora znati koje su skupine izvora u opsegu. Graditelj skupa podataka mora očuvati isključenja i uvjete. Proces izdavanja mora znati zahtijeva li materijalna promjena politike izvora reviziju. Proces javnog sažetka mora imati obranjiv prikaz kategorija sadržaja za obuku. Nitko ne mora nositi cijelu povijest u glavi. Sustav treba put kojim se povijest može dohvatiti.

Ovdje pomaže pažljiva razlika između politike i provedbe. Politika autorskih prava kaže što organizacija namjerava učiniti i koje će standarde slijediti. Provedba je skup tehničkih i proceduralnih kontrola koje otežavaju suprotno djelovanje: vrata za prihvaćanje, evidencije izvora, konfiguracija pauka, kontrole pristupa, provjere ugovora, manifesti skupova podataka, verzioniranje, revizija i eskalacija. Politika bez provedbe puka je želja. Provedba bez politike može postati učinkovit način izvršavanja pravila o kojima nitko nije razmislio. Fokus AI Akta na politiku autorskih prava vrijedan je upravo zato što zahtijeva od pružatelja da poveže pravnu namjeru sa svojom operativnom praksom.

Nema razloga da to postane tajna interna ceremonija. Javna politika može navesti opseg, pristup zadržanim pravima, vrste korištenih putova prikupljanja, put kontakta i granice svakog javnog izvješća. Ne bi smjela obećavati izvjesnost tamo gdje zakon ili dokazi nisu utvrđeni. Treba reći što čini kada je signal dvosmislen, što čini kada je nositelj prava kontaktira i što može revidirati nakon što je izvor već prošao kroz sustav. Suzdržana politika vjerodostojnija je od veličanstvene. Većina posla događa se nakon što je politika objavljena, u neuglednom pitanju slažu li se evidencija i cjevovod.

Nabava zaslužuje jednaku pozornost. Kada organizacija kupuje model, podatkovnu uslugu ili proizvod za dohvat, trebala bi pitati više od toga ima li dobavljač izjavu o autorskim pravima na svojoj web stranici. Koje su kategorije izvora korištene? Kako se postupa sa zadržanim pravima? Koja je dokumentacija dostupna daljnjim pružateljima? Može li dobavljač objasniti svoj javni sažetak sadržaja za obuku? Što se događa kada je izvor sadržaja osporen, ispravljen ili povučen? Koja strana treba provesti istragu? To nisu pitanja koja kupac postavlja da bi postao odvjetnik za autorska prava. To su obična pitanja o ovisnosti i dokazima.

The answers may be incomplete, especially in a fast-moving field. Incomplete answers should be labelled as such, with an owner and a route to improve them. The dangerous answer is often the smooth one: all content is public, all training is fair, all records are confidential, all concerns are handled. Each phrase hides the very distinctions that a responsible negotiation needs. A more useful answer names the scope, the rule, the evidence, the limitation and the next review point.

Public authorities have a particular reason to ask these questions. They can influence the market through procurement long before a court or regulator resolves every difficult issue. A tender can require a provider to describe its approach to training data, reservations, licences, provenance and complaints. It can require a record of material changes. It can distinguish a statement of policy from evidence of implementation. It can set proportionate conditions without insisting that the buyer possesses a complete theory of every copyright question in Europe. Procurement is not a substitute for law. It is one of the places where law becomes an operational expectation.

That is the wider lesson. The negotiation is not merely between a publisher and a crawler. It also involves the people who configure collection, create standards, procure models, manage licences, build datasets, publish model documentation, operate complaint routes and decide whether a model can be placed on the market. A training-data relationship becomes less extractive when those people can see the same evidence and work with the same boundaries. The alternative is not simplicity. It is a chain of separate assumptions that eventually meets a rightsholder at the worst possible moment.

Public does not mean ownerless

The public web should remain public. That means it should remain possible to read, link, quote within the law, research, index, criticise, preserve and build new services. A web made of permission pop-ups for every ordinary act would not be open in any useful sense. But openness is not the same thing as ownerlessness, and visibility is not an all-purpose transfer of rights.

The negotiations now forming around training data are an opportunity to make that distinction practical. A rightsholder should be able to reserve a use in a form a responsible collector can receive. A model provider should be able to obtain high-quality material through terms that can be implemented and audited. Small organisations should not be excluded because only the largest parties can afford bespoke agreements. Public authorities should be able to see enough about model-training content and copyright policy to ask intelligent questions. And when a dispute or change occurs, both sides should have a route that begins with evidence rather than theatre.

There will still be hard cases. The law will still need interpretation. Some rights conflicts will not be fixed by a standard, and some commercial negotiations will remain unequal. A provenance ledger will not make a poor bargain fair. A technical marker will not make a right meaningful if a collector deliberately ignores it. The aim is not a frictionless web. Frictionless often means that somebody else's cost has been hidden.

The better aim is an inspectable web. One in which an automated request can carry a declared purpose, a published boundary can survive contact with a collection system, a licence can become an operational rule, and a model provider can account for the route that brought material into its work. That is a less romantic vision than a machine reading everything ever written. It is also more likely to leave publishers, creators, researchers and model builders with a web worth negotiating over.

Sources