A nyilvános internet tárgyalási tereppé válik a tanítóadatokért

A crawler, a foglalások, a licencek és a származás megváltoztatják azt a régi feltételezést, hogy egy nyilvános oldal egyszerűen csak elvehető. A hasznos...

A nyilvános internet tárgyalási tereppé válik a tanítóadatokért

The page is public. The use is not settled.

For a long time, the public web ran on a blunt but workable social bargain. A publisher made a page available. Search engines found it, indexed enough of it to send readers back, and a person arrived at the original page. There were arguments about indexing, snippets and advertising, but the route was recognisable. A page was both the unit of publication and the place where the reader met the publisher.

Training a general-purpose model changes the shape of that bargain. A crawler may still begin with a public address, but the destination is no longer necessarily a search result. The material may be copied, parsed, filtered, stored, combined with other material and used in a training process whose output is not a link back to the page. It may later help answer a question without a reader visiting the original work. The fact that a page is visible is relevant. It is not the whole answer.

This is why the public internet is becoming a training-data negotiation. Not a single negotiation held in one room, and not a drama in which one side discovers that the other exists. It is a distributed negotiation conducted through law, licences, technical signals, contracts, standards, records and, where necessary, people speaking to each other. A rightsholder can reserve a mining use. A model provider can identify a reservation and decide not to collect. The parties can agree a licence. An organisation can document the path well enough that a later question is answerable. Or they can leave the path vague and discover that vagueness is expensive once the material has travelled.

None of this makes every public page unavailable for every computational use. The European copyright framework contains text and data mining exceptions, and the conditions matter. Neither does it make a robots file into a universal copyright instrument, or a licence into a simple tick box. The useful change is more modest: training data has to be treated as a relationship with terms, history and boundaries. That is a better description of what it already was. The new part is that the relationship is becoming harder to ignore.

The European Commission's work around the AI Act gives the change an administrative shape. Providers of general-purpose AI models have copyright-policy and training-content-summary obligations. The GPAI Code of Practice presents a voluntary route for providers that choose to follow it, including commitments concerning rights reservations and robots.txt. The Commission has also consulted on protocols for expressing reservations. These are not substitutes for copyright law, nor a declaration that every technical signal has the same legal effect. They are evidence that the journey from a rightsholder's instruction to a model provider's collection system is now a policy problem in its own right.

The story does not need an invented publisher, a dramatic crawler or a fictitious court hearing. It is visible in the ordinary points where a source changes hands. Someone decides whether a URL belongs in a collection. Someone decides what a reservation means. Someone decides whether a licence is sufficiently specific for training, retrieval, evaluation or redistribution. Someone decides which version of a policy applies when a source changes. The decisions can be quiet. They are still decisions.

A crawler is no longer only a visitor

Browsers, search crawlers, archival tools, accessibility services, academic researchers, monitoring systems and model-training pipelines can all request the same page. From the publisher's server, they may initially look similar: a request arrives, a response is sent, a log line is written. But their purposes, copying patterns and downstream consequences are different. Treating every automated request as identical is convenient for infrastructure and poor for governance.

Egy átlagos olvasó megnyit egy cikket, és lehet, hogy máskor visszatér. Egy keresőrobot indexet készít, amelynek célja, hogy visszavezesse az olvasót. Egy tanító adatcső olyan másolatot készíthet, amelyet megőriz, átalakít és sok más művel egyesít, még mielőtt bármilyen modell létrejönne. Egy visszakereső rendszer közvetlenebb kereskedelmi helyettesítőt hozhat létre egy látogatás helyett. Egy kiértékelő készlet megőrizhet részleteket egy rendszer teszteléséhez. Ezek a címkék nem erkölcsi rangsorok. Olyan felhasználási módok leírásai, amelyek különböző kérdéseket vetnek fel.

Az első kérdés általában a hozzáférés. A gyűjtő jogszerű úton jutott-e az anyaghoz? A második a jogalap azokra a műveletekre, amelyeket a rendszer végre kíván hajtani. A harmadik az, hogy a jogosult kifejezte-e fenntartását ott, ahol az alkalmazandó szabály lehetővé teszi. A negyedik az, hogy külön engedély vagy szerződés biztosít-e felhatalmazást, feltételeket vagy korlátokat. Egy ötödik kérdés, amely gyakran túl későn merül fel, működési jellegű: tudja-e a szervezet megmutatni, hogy mit látott, és miért járt el úgy, ahogy?

A (EU) 2019/790 irányelv nem tekinti a szöveg- és adatbányászatot egyetlen, korlátlan felhatalmazásnak. A 3. cikk kötelező kivételt biztosít a kutatási szervezetek és a kulturális örökségvédelmi intézmények számára, amelyek tudományos kutatás céljából másolatokat és kivonatokat készítenek, feltéve, hogy jogszerű hozzáférésük van. A 4. cikk a szöveg- és adatbányászat egyéb célú felhasználásával foglalkozik, szintén jogszerű hozzáférés esetén, kivéve, ha a jogosult a vonatkozó jogokat megfelelő módon fenntartotta. Az online nyilvánosan hozzáférhető tartalmak esetében az irányelv kimondja, hogy a fenntartás kifejezhető géppel olvasható módon is, beleértve a metaadatokat és a felhasználási feltételeket.

Ez a megkülönböztetés nem csupán apró szerkesztési érdekesség. Azt jelenti, hogy egy nyilvános oldal nem visel egyetlen általános, használható címkét. A szereplő, a cél, a hozzáférési út, a jogosult fenntartása és az egyes műveletek mind számítanak. Egy jól működő gyűjtőrendszernek ezért több kifejezésre van szüksége, mint az engedélyez és a tilt. Képesnek kell lennie rögzíteni a jelölt, a megfigyelt hozzáférés, az észlelt fenntartás, a szükséges engedély, a megadott engedély, a korlátozott cél, a megoldatlan, az elutasított és a visszavont állapotokat. Ez nem öncélú bürokrácia. Ez a minimális nyelvtan, amelyre akkor van szükség, ha egy forrás tökéletesen látható, mégis nem áll rendelkezésre a tervezett felhasználásra.

Az Európai Unió Szellemi Tulajdoni Hivatalának 2025-ös, a generatív mesterséges intelligenciáról és a szerzői jogról szóló tanulmánya úgy írja le ezt a helyzetet, hogy a jogfenntartások és az engedélyezés a technikai megoldásokkal párhuzamosan fejlődik. Következtetése nem az, hogy kész piaci mechanizmus jelent volna meg. Ez majdnem az ellenkezője: egyetlen megoldás sem illik minden jogosulthoz, minden modellszolgáltatóhoz vagy minden anyagtípushoz. Pontosan ezért kell egy becsületes rendszernek megőriznie a megkülönböztetéseket, nem pedig eltörölnie azokat a méret nevében.

A méretet gyakran kínálják fel a pontatlanság mentségeként. Egy modellszolgáltató mondhatja, hogy nem tud oldalanként tárgyalni. Egy kis kiadó mondhatja, hogy nem tud minden automatikus kérést ellenőrizni. Mindkét állítás igaz lehet. Ezek nem szüntetik meg a működő interfész szükségességét a két fél között. Megmagyarázzák, miért érdekesek a géppel olvasható jelek, a szabványos engedélyek, a forráscsalád-nyilvántartások és a kollektív megállapodások. A válasz egy nagy problémára nem feltétlenül egy nagy megbeszélés. Lehet egy megbízható módja annak, hogy kijelöljünk egy határt, és egy megbízható módja annak, hogy fogadjuk azt.

A source route is not a tunnel to a model. It is a series of decisions that should remain visible after collection.

The diagram is a conceptual route, not a legal decision engine. A green-looking card does not establish that a use is lawful. It shows the evidence and judgement that a team should be able to inspect. That modest distinction is valuable. Most avoidable confusion begins when an operational fact is mistaken for a legal conclusion, or when a legal conclusion cannot be traced back to the operational facts.

Reservations need a language that machines can carry

An opt-out is often described as a button: the rightsholder says no, the crawler stops. The actual work is less cinematic. A reservation has to be expressed somewhere, found by a collector, associated with the relevant work or service, interpreted in the right context and retained as evidence. It may be in metadata, in terms and conditions, in a published policy or in a protocol that a collector understands. It may apply to a website, a catalogue, a feed, a database or a defined group of works. It may change over time.

The Directive's reference to machine-readable means matters because a reservation that cannot be found at the point of collection cannot reliably change a collection decision. But machine-readable does not mean infallible, self-explanatory or legally complete. A parser may find a directive with an unfamiliar value. A rightsholder may publish a policy that points to a licensing contact rather than an outright refusal. A source may be available through a subscription with its own terms. A system may see no recognisable signal at all. Absence of a signal is an observation, not a blanket permission slip.

There is a fairly Dutch lesson in this. A sign that says the bridge is closed is not improved by a delivery driver claiming that their map did not parse the sign. Nor is every closed bridge a prohibition on entering the province. The question is whether the sign is legible to the relevant route, whether the route has a sensible alternative, and whether somebody has recorded what happened. The point is not to turn the web into a canal network. It is to keep a boundary from disappearing because it was inconvenient to model.

The Commission's consultation on protocols for reserving rights from text and data mining makes this implementation gap explicit. It refers to the GPAI Code of Practice commitment for signatories to identify and comply with appropriate machine-readable protocols used by rightsholders, alongside a commitment to respect robots.txt and subsequent IETF versions of the standard. The consultation itself is not a final protocol. It is evidence that the parties need a clearer technical language for a legal choice that has to travel through automated systems.

Robots.txt has a useful, limited role in that conversation. It is a long-standing web convention for crawler behaviour. It can convey that a publisher does not want a particular automated agent or path crawled. The GPAI Code's treatment gives it practical importance for signatories' collection systems. But robots.txt is not a universal rights register, and a crawler instruction does not settle every question of copyright, contract or database right. Confusing the layers produces two bad outcomes. One side assumes that robots.txt is the whole legal answer. The other treats it as merely optional etiquette. Neither position creates a stable relationship.

A collection system should keep the signals separate. Technical crawl instruction: what did the robots file say at the time? Rights reservation: what machine-readable or published statement did the source provide? Access condition: was the route open, authenticated, subscribed or supplied under an agreement? Licence: which rights were granted for which purpose and period? Internal policy: what did the organisation decide to do where the picture remained uncertain? The fields may be connected, but they are not interchangeable.

This separation also makes error handling more humane. A collector can report that it saw a signal it cannot interpret, rather than quietly treating the signal as irrelevant. A rightsholder can discover that its preferred marker is not supported and choose another channel. A provider can improve a parser without rewriting history. A later reviewer can see whether a source was admitted because a licence existed, because an exception was assessed, or because a policy decision was made under stated uncertainty. The alternative is one opaque field that says collected.

Licensing is not the opposite of innovation

There is a persistent habit of describing licences as friction and models as progress. It is a misleading contrast. A licence can be a restriction, but it can also be an interface: a way to say which material is available, for what use, at what price, with what attribution, reporting, exclusion or renewal condition. The quality of that interface determines whether smaller rightsholders and smaller model providers can take part at all.

The Federation of European Publishers has argued that rightsholders need transparency about data used to train AI and where it was harvested, while also recognising that publishers may use AI in their own work. That is a sector position, not neutral proof of the right legal answer in every case. It nevertheless states a practical point that model providers should take seriously: a publisher can be both a user of AI and a rightsholder whose material needs terms. The choice is not between literature and technology, or between creators and engineering. The choice is whether the exchange has a legible basis.

The Publishers Association's 2026 account of the UK publishing and AI licensing market provides a more specific view. It describes existing text and data mining licences, later AI-training licences and growing retrieval-augmented-generation licensing, and it reports work towards a collective licence with opt-in for rightsholders. The United Kingdom is outside the EU legal order, so this is not evidence of what the DSM Directive requires. It is useful evidence of a nearby European rights market attempting to make training and retrieval permissions more practical than a private negotiation between a handful of very large organisations.

Collective arrangements are worth watching because the web is not made only by companies with a legal department and an account manager. A small specialist publisher, a learned society, a regional newspaper, a photographer's archive or an independent author may have valuable material and very little capacity to negotiate bespoke terms with every potential model provider. A standard opt-in, a collective licence or a trusted intermediary cannot resolve every valuation question. It can make the first conversation possible.

Model providers also have a reason to prefer clarity. A negotiated route can supply material with an identified provenance, a defined scope and an accountable contact. It may cost money. So does cleaning a dataset, investigating a disputed source, defending a position that has no records, or replacing a source late in development. A licence does not guarantee that the material is suitable, accurate or representative. It makes a different contribution: it turns permission from an assumption into an expressed condition.

Compensation is not a magic word either. There is no single fair tariff for every work and every use. Training, retrieval, evaluation, internal analysis, model improvement and publication can create different commercial relationships. A licence might be per work, per collection, per volume, per period, per deployment, per user, per model family or negotiated on another basis. It may include an attribution duty, a reporting duty, a right to audit, a withdrawal mechanism or no continuing access at all. A useful system does not pretend these terms are universally simple. It makes them legible enough to apply.

The important shift is from a culture of extraction to a culture of terms. That does not mean every dataset becomes a procurement exercise. It means that when a rightsholder chooses to reserve, license or offer material under conditions, the model provider has an operational way to receive that choice. When a provider wants to use high-quality, current, specialised material, it has a route to ask rather than merely a route to copy. There is considerable room between indiscriminate crawling and a world in which only the largest firms can negotiate.

Provenance is the receipt, not the permission

Provenance is sometimes sold as a cure for copyright uncertainty. It is not. A source record can show where material came from and what somebody believed at a given time. It cannot make an unavailable work available. A hash can establish that two files are identical without explaining whether either was lawfully copied. A beautifully maintained ledger can document a bad decision with impressive precision.

That limitation is exactly why provenance is useful. It separates evidence from wishful thinking. If a model provider stores the source URL, the source identity, the collection time, the observed terms, the reservation evidence, the access route, the decision owner, the applicable licence or exception assessment, the dataset version and the downstream purpose, a reviewer can ask a meaningful question. If the provider stores only an extracted text fragment and a date, the reviewer is left with archaeology.

A jó származási nyilvántartáshoz idő kell. Egy oldal megváltozhat. Egy kiadó módosíthatja a feltételeket. Egy forrás eltávolítható, előfizetés mögé kerülhet, eladható, javítható vagy lecserélhető. Egy licenc lejárhat. Egy leiratkozási protokoll frissülhet. Egy modellszolgáltató hibát fedezhet fel egy korábbi gyűjtési döntésben. A nyilvántartásnak nem szabad felülírnia a korábbi állapotot a jelenlegivel. Meg kell őriznie a korábbi megfigyelést, azonosítania kell a későbbi változást, és rögzítenie kell, mit tett ezután a szervezet.

Ez különösen fontos, amikor eltávolításról vagy visszavonásról van szó. Egy oldal eltávolítása az élő feltérképezési sorból nem ugyanaz, mint eltávolítani minden köztes tárolóból, származtatott adathalmazból, finomhangolási futtatásból, kiértékelési készletből, keresési indexből és kiadott modellből. A becsületes válasz nem az, hogy azonnali törlést ígérünk minden technikai artefaktumból. Hanem az, hogy meghatározzuk az útvonalakat, korlátokat és felülvizsgálati pontokat, mielőtt ígérnénk őket. A jogtulajdonosnak olyan kapcsolattartási pontra van szüksége, amely el tudja magyarázni a folyamatot. A modellszolgáltatónak módot kell találnia annak azonosítására, hogy mely artefaktumokat érinti a kérelem. Mindkettőnek olyan nyilvántartásra van szüksége, amely megkülönbözteti a beérkezett kérelmet a megoldott kérelemtől.

Az AI-törvény 53. cikke a származási nyilvántartás mellé egy közpolitikai szempontot is állít. Előírja az általános célú AI-modellek szolgáltatóinak, hogy politikát dolgozzanak ki az uniós szerzői jogi jogszabályoknak való megfelelésre, és tegyék nyilvánosan hozzáférhetővé a képzéshez használt tartalom kellően részletes összefoglalóját. A nyilvános összefoglalónak nem kell felfednie az adathalmaz minden elemét, és a törvény tartalmaz bizalmas adatokra és üzleti titkokra vonatkozó korlátokat. De az irány egyértelmű: a modellszolgáltatónak képesnek kell lennie úgy leírni a képzési tartalmat, hogy az informatívabb legyen, mint a „bízzon bennünk”, miközben a teljesebb dokumentációt a hatáskörrel rendelkező hatóságok és a downstream szolgáltatók számára tartja fenn.

A közönségek ilyen szétválasztása ésszerű. A nyilvános olvasónak meg kell értenie a forráskategóriákat, a gyűjtési és gondozási döntéseket, a releváns korlátokat és a kapcsolatfelvételi útvonalakat. A konkrét kérdéssel rendelkező jogtulajdonosnak olyan folyamatra lehet szüksége, amely képes kezelni a részletesebb megkeresést. A szabályozónak olyan dokumentációra lehet szüksége, amelyet nem lehet ésszerűen nyilvános oldalon közzétenni. A hiba az, ha ezeket a rétegeket kifogásként használjuk arra, hogy semmit ne mondjunk, vagy ha a nyilvános összefoglalót annak bizonyítékaként kezeljük, hogy minden forrásszintű döntést rendeztek. Az átláthatóság információs architektúra, nem sajtóközlemény.

Provenance does not manufacture permission. It keeps the evidence, scope and later change connected to the work that needs them.

Van itt egy hasznos fegyelem a mérnökök számára. A nyilvántartásnak hordoznia kell a bizonytalanságot. Ha egy forrás státusza rendezetlen, azt kell rögzíteni, hogy rendezetlen. Ha egy licenc a letöltést fedezi, de a tanítást nem, nem szabad tág értelemben licenceltnek nevezni. Ha egy szabályzat a gyűjtés után változott, nem szabad azt sugallni, hogy a korábbi döntés az új szabályzat alapján született. Egy adatkészlet nem lesz megbízhatóbb a címkéinek magabiztosságától. Akkor válik jobban kormányozhatóvá, ha a címkéi megőrzik, ami ismert, ami ismeretlen, és ami feltételes.

A tárgyalásnak tartalmaznia kell a kilépést

A vita nagy része a beengedésre összpontosul: begyűjtheti-e ma a feltérképező robot ezt a forrást? De a tanítási adatokhoz fűződő kapcsolatnak kilépésre is szüksége van. Egy licenc eléri a lejárati dátumát. Egy jogtulajdonos módosít egy fenntartást. Egy kiadó hibát talál egy hozzárendelési nyilvántartásban. Egy szolgáltató megváltoztatja a modellfejlesztési tervét. Egy forrás alkalmatlanná válik, mert a származása nem rekonstruálható. Panasz érkezik. Ezek hétköznapi életciklus-események, nem pedig annak bizonyítékai, hogy valaki rosszul járt el.

A fontos kérdés az, hogy a rendszer tudja-e, mit kell tennie, amikor ezek bekövetkeznek. Egy forrásszabályzatnak meg kell határoznia, hogy ki kap értesítést, ki dönt a hatóköréről, ki függesztheti fel az új felhasználást, ki tudja nyomon követni az érintett adatkészleteket, ki kommunikál a jogtulajdonossal, és hogy a szervezet mit tud és mit nem tud reálisan megváltoztatni egy kiadott artefaktumban. A munkafolyamatnak elég konkrétnak kell lennie ahhoz, hogy tesztelhető legyen. Az, hogy a problémákat komolyan veszik, udvarias mondat. Nem folyamat.

Az európai modelkormányzási vitáknak szokásuk visszatérni a dokumentációhoz, mert a dokumentáció az a hely, ahol egy rendszer kinyilvánítja a saját emlékezetét. Itt is ugyanez a helyzet. A panaszkezelési útvonalnak azonosítóra van szüksége. A felülvizsgálatnak rögzített döntésre van szüksége. Az eltávolítási kérelemnek egyértelmű határvonalra van szüksége. A forrásváltozásnak verziótörténetre van szüksége. A modellkiadást össze kell kötni a releváns tanítási és kurálási nyilvántartásokkal. Enélkül még egy őszinte szervezet is előbb-utóbb az emlékezetére hagyatkozik, az emlékezet pedig nem skálázódik valami jól néhány személyzeti változás és három tárolómigráció után.

A kilépés korai kiépítésére kereskedelmi ok is van. Az a szolgáltató, amelyik el tud különíteni egy forráscsaládot, és megérti annak downstream felhasználásait, több lehetőséggel rendelkezik, ha a feltételek változnak. Leállíthatja a jövőbeli gyűjtést, kiveheti a családot egy tervezett adatkészletből, licencelt anyaggal helyettesítheti, felfüggeszthet egy kiadást, vagy megmagyarázhatja, miért ér el egy kért jogorvoslat az egyik artefaktumhoz, de a másikhoz nem. Az a szolgáltató, amelyik nem rendelkezik ezekkel a kapcsolatokkal, kénytelen tág kijelentéseket tenni, mert nem tud pontos választ adni. A tág kijelentések ritkán elégítik ki bármelyik felet.

A jogtulajdonosoknak is vannak felelősségeik ebben a kapcsolatban, bár ezek nem azonosak a szolgáltatók felelősségeivel. Egy olyan fenntartás, amelyet világos, stabil, géppel olvasható formában tesznek közzé, könnyebben tiszteletben tartható, mint egy olyan határvonal, amely egy olyan bekezdésbe van ágyazva, amelyet egyetlen gyűjtőrendszer sem tud azonosítani. Egy olyan licenckapcsolattartó, aki el tudja magyarázni az elérhető utat, csökkenti a jogszerű megállapodás költségét. Egy olyan változásértesítés, amely megőrzi az előzményeket, megakadályozza, hogy egy ésszerű gyűjtőt olyan információk alapján ítéljenek meg, amelyek akkoriban nem álltak rendelkezésre. A terhet nem szabad teljesen a kiadókra hárítani, különösen a kisebbekre. Egyszerűen igaz, hogy egy felület jobban működik, ha mindkét vég tud beszélni.

A Bizottság jelenlegi munkája a fenntartási protokollokról tehát nem homályos szabványvita. Arról szól, hogy a web képes-e kifejezni egy választást abban a léptékben, ahogyan a modellek anyagot gyűjtenek. A jó szabványok nem rendezik az értékelést, nem teszik könnyűvé minden jogi kérdést, és nem szüntetik meg a rosszhiszeműséget. Csökkenthetik az elkerülhető kétértelműség egy osztályát. Ez szerény ambíció, és a weben általában a szerény ambíciók azok, amelyek túlélik a valósággal való érintkezést.

Mit kell tudnia mondani egy felelős gyűjtőnek

A responsible collector does not need to make legal advice appear in every log line. It does need to make several practical statements true. It should be able to say what purpose a collection served. It should be able to identify the source and version it considered. It should be able to show the access route and the signals it observed. It should be able to identify the rule, licence or unresolved question that governed the decision. It should be able to connect an admitted source to the dataset or system that received it. It should be able to explain how it handles changes and concerns.

Those statements suggest a design rather than a checklist. Begin with a source contract. The contract names the source family, the intended use, accepted access methods, technical limits, known rights signals, required evidence and an owner. It is not a contract in the legal sense unless the parties have made it one. It is an operational contract inside the organisation: a record of what the collection system may do and why.

Then keep decision points close to the actions that matter. Do not fetch first and look for restrictions after the material has been copied through several queues. Do not permit a dataset to move from research evaluation to commercial model training merely because the bytes fit both tasks. Do not transform a licence field into a generic true value because the actual scope is inconvenient. And do not treat a request to stop as a support ticket with no relationship to the source record.

Where a collector cannot understand a signal, it should say so. Where a human review is needed, the system should make the pause visible. Where a licence is available, the commercial and technical routes should meet: the agreement must be represented in a form that changes what the collector can do. A PDF in a legal folder does not prevent a pipeline from doing the wrong thing at three in the morning. The pipeline needs an enforceable state.

At Dweve, the small part of this argument that is directly ours is visible in the training-content material in our Trust Centre. The published record says that its source-family catalogue is not a blanket permission claim and that item, version, licence, attribution, purpose, withdrawal and evidence decisions are controlled in a Spindle ledger. That is a description of our stated process, not a claim that a record resolves copyright questions by itself. Winnow's role in that picture is source intelligence and repeatable, inspectable source processes. The broader point is not about our products. It is that collection becomes more responsible when the source route is treated as evidence rather than as background noise.

This is the kind of product work that rarely appears in a model demo. Nobody applauds a field called observed-terms-version. But those fields decide whether a team can answer a reasonable question without conducting an internal excavation. The future of model governance will include plenty of impressive mathematics. It will also include rather more careful records than the industry once thought fashionable.

The work is governance, not a crawler setting

It is tempting to make this a technical dispute. Put the right instruction in a file, update the user agent, turn a parser on, turn a parser off. Those things matter, but they are only the visible edge of a governance problem. A crawler does what the organisation has decided it may do. If the organisation has no clear purpose boundary, no licence register, no source owner, no review route and no dataset lineage, technical obedience will be inconsistent even when every individual engineer is trying to be careful.

Kezdd a céllal, mert a cél megváltoztatja a kérdést. Egy modellszolgáltató, amely szűk, nyilvánosságra hozott kutatási kísérlethez gyűjt anyagot, nem feltétlenül van ugyanabban a helyzetben, mint az, amelyik kereskedelmi, általános célú modellhez gyűjt anyagot. Egy szolgáltatónak, amely visszakeresésre kér licencet, más megállapodásra lehet szüksége, mint annak, amelyik modellt kíván tanítani. Egy közérdekű archívumnak más felhatalmazása és jogi útja lehet, mint egy válaszmotort építő termékcsapatnak. Ezeket a megkülönböztetéseket nem szabad a kötelezettségek elhomályosítására használni. Ezek az okai annak, hogy egyetlen univerzális státuszmező nem tudja az igazat mondani.

Ezután tedd láthatóvá a felelősséget. Valakinek birtokolnia kell a forráspolitikát. Valakinek birtokolnia kell a technikai gyűjtőt. Valakinek birtokolnia kell a licencfeltételeket és a forráscsalád befogadásáról szóló döntést. Valakinek birtokolnia kell a jogtulajdonosi megkeresésekre adott választ. Ugyanannak a személynek nem kell minden szerepet betöltenie, és egy kis csapat kombinálhatja is azokat. Az a fontos, hogy a felelősség felfedezhető legyen, mielőtt egy kérdés vitává válna. Egy általános postafiók nem egészen tulajdonos. Ez egy hely, ahol a felelősség esetleg megtalálható, vagy esetleg nem.

Az adatirányításnak is találkoznia kell a modellirányítással. Egy forrásdöntés, amely egy webgyűjtő eszközben marad, miközben a tanítás máshol zajlik, gyenge felépítésű. A tanítócsapatnak tudnia kell, mely forráscsoportok tartoznak a körbe. Az adatkészlet-építőnek meg kell őriznie a kizárásokat és feltételeket. A kiadási folyamatnak tudnia kell, hogy a forráspolitika lényegi változása felülvizsgálatot igényel-e. A nyilvános összefoglaló folyamatának védhető beszámolót kell adnia a tanítási tartalomkategóriákról. Senkinek sem kell a teljes történetet a fejében tartania. A rendszernek viszont szüksége van egy útvonalra, amelyen keresztül a történet visszakereshető.

Itt segít a politika és a kikényszerítés közötti gondos megkülönböztetés. A szerzői jogi politika azt mondja meg, mit szándékozik tenni a szervezet, és milyen szabványokat fog követni. A kikényszerítés azoknak a technikai és eljárási ellenőrzéseknek az összessége, amelyek megnehezítik az ezzel ellentétes cselekvést: belépési kapuk, forrásnyilvántartások, feltérképező konfiguráció, hozzáférés-ellenőrzések, szerződésellenőrzések, adatkészlet-manifesztumok, verziókezelés, felülvizsgálat és eszkaláció. A politika kikényszerítés nélkül törekvés. A kikényszerítés politika nélkül hatékony módja lehet olyan szabályok végrehajtásának, amelyeket senki sem gondolt át. Az AI-törvény szerzői jogi politikára való összpontosítása éppen azért értékes, mert megköveteli a szolgáltatótól, hogy összekapcsolja a jogi szándékot a működési gyakorlatával.

Nincs ok arra, hogy ez titkos belső ceremóniává váljon. Egy nyilvános politika kijelentheti a hatókört, a jogfenntartások kezelésének módját, az alkalmazott gyűjtési útvonalak fajtáit, a kapcsolatfelvételi útvonalat és bármely nyilvános beszámoló korlátait. Nem ígérhet bizonyosságot ott, ahol a jog vagy a bizonyíték még rendezetlen. Meg kell mondania, mit tesz, ha egy jelzés kétértelmű, mit tesz, ha egy jogtulajdonos felveszi vele a kapcsolatot, és mit tud felülvizsgálni, miután egy forrás már áthaladt a rendszeren. Egy visszafogott politika hitelesebb, mint egy nagyszabású. A munka nagy része a politika közzététele után történik, abban a dicsőségtelen kérdésben, hogy a nyilvántartás és a folyamat egyetértenek-e.

A beszerzés ugyanilyen figyelmet érdemel. Amikor egy szervezet modellt, adatszolgáltatást vagy visszakereső terméket vásárol, többet kell kérdeznie annál, mint hogy a szállítónak van-e szerzői jogi nyilatkozata a weboldalán. Milyen forráskategóriákat használtak? Hogyan kezelik a jogfenntartásokat? Milyen dokumentáció áll a továbbfelhasználó szolgáltatók rendelkezésére? El tudja-e magyarázni a szállító a nyilvános tanítási tartalomösszefoglalóját? Mi történik, ha egy tartalomforrást vitatnak, javítanak vagy visszavonnak? Melyik félnek kell vizsgálódnia? Ezek nem olyan kérdések, amelyeket egy ügyfél azért tesz fel, hogy szerzői jogi ügyvéddé váljon. Ezek hétköznapi kérdések a függőségről és a bizonyítékról.

A válaszok hiányosak lehetnek, főleg egy gyorsan változó területen. A hiányos válaszokat jelölni kell, meg kell adni hozzájuk felelőst, és utat kell mutatni a javításukra. A veszélyes válasz gyakran a gördülékeny: minden tartalom nyilvános, minden képzés tisztességes, minden nyilvántartás bizalmas, minden aggály kezelve. Mindegyik mondat elrejti azokat a különbségeket, amelyekre egy felelős tárgyalásnak szüksége van. A hasznosabb válasz megnevezi a kört, a szabályt, a bizonyítékot, a korlátot és a következő felülvizsgálati pontot.

A közhatóságoknak különösen okuk van feltenni ezeket a kérdéseket. A piacra a közbeszerzésen keresztül már jóval azelőtt hatást gyakorolhatnak, hogy egy bíróság vagy szabályozó hatóság minden nehéz kérdést eldöntene. A pályázati kiírás előírhatja, hogy a szolgáltató ismertesse a képzési adatokra, fenntartásokra, licencekre, származásra és panaszkezelésre vonatkozó megközelítését. Előírhatja a lényeges változások nyilvántartását. Megkülönböztetheti a politikai nyilatkozatot a végrehajtás bizonyítékától. Arányos feltételeket szabhat anélkül, hogy megkövetelné a vevőtől, hogy a szerzői jog minden európai kérdéséről teljes elmélettel rendelkezzen. A közbeszerzés nem helyettesíti a jogot. Ez az egyik hely, ahol a jog működési elvárássá válik.

Ez a tágabb tanulság. A tárgyalás nem csupán egy kiadó és egy bejárórobot között zajlik. Részt vesznek benne azok is, akik a gyűjtést konfigurálják, szabványokat alkotnak, modelleket szereznek be, licenceket kezelnek, adatkészleteket építenek, modell-dokumentációt tesznek közzé, panaszutakat működtetnek, és eldöntik, hogy egy modell forgalomba hozható-e. A képzési adatokra vonatkozó kapcsolat kevésbé kizsákmányoló jellegűvé válik, ha ezek az emberek ugyanazokat a bizonyítékokat látják, és ugyanazokkal a határokkal dolgoznak. Az alternatíva nem az egyszerűség. Hanem az egymástól független feltételezések láncolata, amely végül a lehető legrosszabb pillanatban találkozik egy jogosulttal.

A nyilvános nem jelenti azt, hogy nincs tulajdonosa

A nyilvános webnek nyilvánosnak kell maradnia. Ez azt jelenti, hogy továbbra is lehetségesnek kell maradnia az olvasásnak, a hivatkozásnak, a törvényes keretek közötti idézésnek, a kutatásnak, az indexelésnek, a bírálatnak, a megőrzésnek és az új szolgáltatások építésének. Egy olyan web, amely minden hétköznapi cselekedethez engedélyt kérő felugró ablakokból áll, semmilyen hasznos értelemben nem lenne nyitott. De a nyitottság nem ugyanaz, mint a tulajdonos hiánya, és a láthatóság nem a jogok minden célra kiterjedő átruházása.

A képzési adatok körül most kialakuló tárgyalások lehetőséget adnak arra, hogy ez a megkülönböztetés gyakorlativá váljon. A jogosultnak képesnek kell lennie arra, hogy egy felhasználást olyan formában tartson fenn, amelyet egy felelős gyűjtő fogadni tud. A modellszolgáltatónak képesnek kell lennie arra, hogy kiváló minőségű anyaghoz jusson olyan feltételekkel, amelyek végrehajthatók és ellenőrizhetők. A kis szervezeteket nem szabad kizárni csak azért, mert csak a legnagyobb szereplők engedhetik meg maguknak az egyedi megállapodásokat. A közhatóságoknak elegendő információt kell látniuk a modellképzés tartalmáról és a szerzői jogi politikáról ahhoz, hogy intelligens kérdéseket tegyenek fel. És amikor vita vagy változás történik, mindkét félnek olyan útra van szüksége, amely bizonyítékokkal kezdődik, nem pedig színházzal.

Mindig lesznek nehéz esetek. A jogot továbbra is értelmezni kell. Egyes jogi konfliktusokat nem fog megoldani egy szabvány, és egyes kereskedelmi tárgyalások egyenlőtlenek maradnak. A származási nyilvántartás nem teszi tisztességes sé a rossz üzletet. A technikai jelölés nem teszi értelmessé a jogot, ha a gyűjtő szándékosan figyelmen kívül hagyja. A cél nem a súrlódásmentes web. A súrlódásmentesség gyakran azt jelenti, hogy valaki másnak a költségét rejtették el.

A jobb cél az áttekinthető web. Olyan, amelyben egy automatizált kérés deklarált célt hordozhat, egy közzétett határ túlélheti a kapcsolatot egy gyűjtőrendszerrel, egy licenc működési szabállyá válhat, és egy modellszolgáltató elszámolhat azzal az útvonallal, amelyen keresztül az anyag a munkájába került. Ez kevésbé romantikus elképzelés, mint egy gép, amely mindent elolvas, amit valaha írtak. De nagyobb valószínűséggel hagy a kiadóknak, alkotóknak, kutatóknak és modellépítőknek egy olyan webet, amelyért érdemes tárgyalni.

Források