A internet pública está a tornar-se uma negociação de dados de treino

Rastreadores, reservas, licenças e proveniência estão a mudar o antigo pressuposto de que uma página pública está simplesmente ali para ser recolhida. A...

A internet pública está a tornar-se uma negociação de dados de treino

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.

Um leitor normal abre um artigo e pode voltar noutro dia. Um crawler de pesquisa cria um índice destinado a reencaminhar o leitor. Um pipeline de treino pode criar uma cópia que é retida, transformada e agregada com muitas outras obras antes de existir qualquer modelo. Um sistema de recuperação pode criar um substituto comercial mais direto para uma visita. Um conjunto de avaliação pode preservar excertos para testar um sistema. Os rótulos não são classificações morais. São descrições de utilizações que exigem perguntas diferentes.

A primeira pergunta é geralmente o acesso. O coletor chegou ao material por uma via lícita? A segunda é a base jurídica para os atos que o sistema pretende realizar. A terceira é se o titular de direitos manifestou uma reserva onde a regra aplicável o permite. A quarta é se uma licença ou contrato separado fornece permissão, condições ou limites. Uma quinta pergunta, que muitas vezes chega tarde demais, é operacional: pode a organização demonstrar o que viu e por que razão avançou?

A Diretiva (UE) 2019/790 não trata a mineração de texto e dados como uma permissão única e ilimitada. O artigo 3.º prevê uma exceção obrigatória para organizações de investigação e instituições de património cultural que façam reproduções e extrações para investigação científica, desde que tenham acesso lícito. O artigo 4.º aborda a mineração de texto e dados para outros fins, também quando existe acesso lícito, salvo se o titular de direitos tiver reservado os direitos relevantes de forma adequada. Para conteúdos online disponibilizados publicamente, a Diretiva afirma que a reserva pode ser expressa por meios legíveis por máquina, incluindo metadados e termos e condições.

Essa distinção não é uma curiosidade menor de redação. Significa que uma página pública não tem um rótulo genérico chamado utilizável. O agente, a finalidade, a via de acesso, a reserva do titular de direitos e os atos específicos são todos relevantes. Um sistema de recolha sensato precisa, portanto, de mais vocabulário do que permitir e bloquear. Deve ser capaz de registar candidato, acesso observado, reserva detetada, licença exigida, licença concedida, finalidade limitada, por resolver, recusado e retirado. Isto não é burocracia por si só. É a gramática mínima necessária quando uma fonte pode estar perfeitamente visível e, ainda assim, não estar disponível para a utilização proposta.

O estudo de 2025 do Instituto da Propriedade Intelectual da União Europeia sobre IA generativa e direitos de autor descreve este panorama como um em que as reservas de direitos e o licenciamento se desenvolvem em paralelo com soluções técnicas. A sua conclusão não é que tenha surgido um mecanismo de mercado acabado. É quase o oposto: nenhuma solução única serve todos os titulares de direitos, todos os fornecedores de modelos ou todos os tipos de material. É precisamente por isso que um sistema honesto tem de preservar distinções em vez de as apagar em nome da escala.

A escala é muitas vezes apresentada como desculpa para a imprecisão. Um fornecedor de modelos pode dizer que não consegue negociar página a página. Uma pequena editora pode dizer que não consegue inspecionar todos os pedidos automatizados. Ambas as afirmações podem ser verdadeiras. Não eliminam a necessidade de uma interface exequível entre as duas. Explicam por que razão os sinais legíveis por máquina, as licenças normalizadas, os registos de famílias de fontes e os acordos coletivos são interessantes. A resposta a um problema grande não é necessariamente uma reunião grande. Pode ser uma forma fiável de declarar um limite e uma forma fiável de o receber.

Uma rota de fonte não é um túnel para um modelo. É uma série de decisões que devem permanecer visíveis após a recolha.

O diagrama é uma rota conceptual, não um motor de decisão jurídica. Um cartão de aspeto favorável não estabelece que um uso seja lícito. Mostra as provas e o juízo que uma equipa deve poder inspecionar. Essa distinção modesta tem valor. Grande parte da confusão evitável começa quando um facto operacional é confundido com uma conclusão jurídica, ou quando uma conclusão jurídica não pode ser rastreada até aos factos operacionais.

As reservas precisam de uma linguagem que as máquinas possam transportar

Uma exclusão é muitas vezes descrita como um botão: o titular de direitos diz que não, o rastreador para. O trabalho real é menos cinematográfico. Uma reserva tem de ser expressa em algum lugar, encontrada por um coletor, associada à obra ou serviço relevante, interpretada no contexto certo e retida como prova. Pode estar em metadados, em termos e condições, numa política publicada ou num protocolo que um coletor compreenda. Pode aplicar-se a um site, a um catálogo, a um feed, a uma base de dados ou a um grupo definido de obras. Pode mudar ao longo do tempo.

A referência da Diretiva a legível por máquina é importante porque uma reserva que não possa ser encontrada no ponto de recolha não pode alterar de forma fiável uma decisão de recolha. Mas legível por máquina não significa infalível, autoexplicativo ou juridicamente completo. Um analisador pode encontrar uma diretiva com um valor desconhecido. Um titular de direitos pode publicar uma política que aponte para um contacto de licenciamento em vez de uma recusa total. Uma fonte pode estar disponível através de uma subscrição com os seus próprios termos. Um sistema pode não ver nenhum sinal reconhecível. A ausência de sinal é uma observação, não uma autorização genérica.

Há aqui uma lição bastante holandesa. Uma placa que diz que a ponte está fechada não é melhorada por um motorista de entregas que afirma que o seu mapa não interpretou a placa. Nem toda a ponte fechada é uma proibição de entrar na província. A questão é se a placa é legível para a rota relevante, se a rota tem uma alternativa sensata e se alguém registou o que aconteceu. O objetivo não é transformar a web numa rede de canais. É impedir que um limite desapareça porque era inconveniente modelá-lo.

A consulta da Comissão sobre protocolos para reserva de direitos relativamente à extração de texto e dados torna explícita esta lacuna de implementação. Remete para o compromisso do Código de Práticas da GPAI de os signatários identificarem e cumprirem os protocolos legíveis por máquina adequados utilizados pelos titulares de direitos, juntamente com o compromisso de respeitarem o robots.txt e as versões subsequentes da norma da IETF. A consulta em si não é um protocolo final. É prova de que as partes precisam de uma linguagem técnica mais clara para uma escolha legal que tem de percorrer sistemas automatizados.

O robots.txt tem um papel útil e limitado nessa conversa. É uma convenção web de longa data para o comportamento dos crawlers. Pode transmitir que um editor não pretende que um determinado agente automatizado ou caminho seja rastreado. O tratamento dado pelo Código da GPAI confere-lhe importância prática para os sistemas de recolha dos signatários. Mas o robots.txt não é um registo universal de direitos, e uma instrução de crawler não resolve todas as questões de direitos de autor, contratuais ou de direitos sobre bases de dados. Confundir os níveis produz dois resultados negativos. Um lado assume que o robots.txt é toda a resposta legal. O outro trata-o como mera etiqueta opcional. Nenhuma das posições cria uma relação estável.

Um sistema de recolha deve manter os sinais separados. Instrução técnica de rastreio: o que dizia o ficheiro robots no momento? Reserva de direitos: que declaração legível por máquina ou publicada foi fornecida pela fonte? Condição de acesso: a via estava aberta, autenticada, subscrita ou fornecida ao abrigo de um acordo? Licença: que direitos foram concedidos para que finalidade e período? Política interna: o que decidiu a organização fazer quando o panorama permanecia incerto? Os campos podem estar ligados, mas não são intercambiáveis.

Esta separação também torna o tratamento de erros mais humano. Um coletor pode comunicar que viu um sinal que não consegue interpretar, em vez de tratar silenciosamente o sinal como irrelevante. Um titular de direitos pode descobrir que o seu marcador preferido não é suportado e escolher outro canal. Um fornecedor pode melhorar um analisador sem reescrever a história. Um revisor posterior pode ver se uma fonte foi admitida porque existia uma licença, porque uma exceção foi avaliada ou porque foi tomada uma decisão política sob incerteza declarada. A alternativa é um único campo opaco que diz recolhido.

O licenciamento não é o oposto da inovação

Há um hábito persistente de descrever as licenças como atrito e os modelos como progresso. É um contraste enganador. Uma licença pode ser uma restrição, mas também pode ser uma interface: uma forma de dizer qual o material disponível, para que utilização, a que preço, com que atribuição, comunicação, exclusão ou condição de renovação. A qualidade dessa interface determina se os titulares de direitos mais pequenos e os fornecedores de modelos mais pequenos podem sequer participar.

A Federação dos Editores Europeus argumentou que os titulares de direitos precisam de transparência sobre os dados utilizados para treinar a IA e onde foram recolhidos, reconhecendo também que os editores podem utilizar IA no seu próprio trabalho. Essa é uma posição setorial, não uma prova neutra da resposta legal correta em todos os casos. No entanto, afirma um ponto prático que os fornecedores de modelos devem levar a sério: um editor pode ser simultaneamente utilizador de IA e titular de direitos cujo material precisa de condições. A escolha não é entre literatura e tecnologia, nem entre criadores e engenharia. A escolha é se a troca tem uma base legível.

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.

Uma boa proveniência exige tempo. Uma página pode mudar. Um editor pode rever os termos. Uma fonte pode ser removida, passada para trás de uma subscrição, vendida, corrigida ou substituída. Uma licença pode expirar. Um protocolo de exclusão pode ser atualizado. Um fornecedor de modelos pode descobrir um defeito numa decisão de recolha anterior. O registo não deve substituir o estado anterior pelo atual. Deve preservar a observação anterior, identificar a alteração posterior e registar o que a organização fez a seguir.

Isto é especialmente importante quando se discute a remoção ou retirada. Remover uma página de uma fila de rastreio ativa não é o mesmo que removê-la de todos os armazenamentos intermédios, conjuntos de dados derivados, execuções de afinação, conjuntos de avaliação, índices de recuperação e modelos publicados. A resposta honesta não é prometer a eliminação instantânea de todos os artefactos técnicos. É definir as vias, os limites e os pontos de revisão antes de os prometer. Um titular de direitos merece um ponto de contacto que possa explicar o processo. Um fornecedor de modelos precisa de uma forma de identificar quais os artefactos afetados. Ambos precisam de um registo que distinga um pedido recebido de um pedido resolvido.

O artigo 53.º do Regulamento IA dá à proveniência um vizinho de política pública. Exige que os fornecedores de modelos de IA de uso geral estabeleçam uma política para cumprir o direito de autor da União e disponibilizem publicamente um resumo suficientemente detalhado do conteúdo utilizado para o treino. O resumo público não precisa de expor todos os itens de um conjunto de dados, e o regulamento inclui limites de confidencialidade e de segredo comercial. Mas a direção é clara: um fornecedor de modelos deve ser capaz de descrever o conteúdo de treino de uma forma mais informativa do que confie em nós, mantendo ao mesmo tempo documentação mais completa para as autoridades relevantes e fornecedores a jusante.

Essa divisão de públicos é sensata. Um leitor público precisa de compreender as categorias de fontes, as escolhas de recolha e curadoria, as limitações relevantes e as vias de contacto. Um titular de direitos com uma questão concreta pode precisar de um processo que lide com um pedido mais específico. Um regulador pode precisar de documentação que não possa ser razoavelmente publicada numa página pública. O erro é tratar essas camadas como desculpas para não dizer nada, ou tratar um resumo público como prova de que todas as decisões ao nível da fonte foram resolvidas. A transparência é uma arquitetura de informação, não um comunicado de imprensa.

A proveniência não fabrica permissão. Mantém as provas, o âmbito e a alteração posterior ligados ao trabalho que deles precisa.

Há aqui uma disciplina útil para engenheiros. Faça o registo transportar a incerteza. Se o estado de uma fonte não estiver resolvido, registe como não resolvido. Se uma licença cobrir a recolha mas não o treino, não a designe genericamente como licenciada. Se uma política mudou após a recolha, não dê a entender que a decisão anterior foi tomada ao abrigo da política posterior. Um conjunto de dados não se torna mais fiável pela confiança das suas etiquetas. Torna-se mais governável quando as etiquetas preservam o que é conhecido, desconhecido e condicional.

A negociação tem de incluir a saída

Grande parte do debate centra-se na admissão: pode o rastreador recolher esta fonte hoje? Mas uma relação com dados de treino também precisa de uma saída. Uma licença chega ao seu termo. Um titular de direitos altera uma reserva. Um editor encontra um erro num registo de atribuição. Um fornecedor altera o seu plano de desenvolvimento de modelos. Uma fonte torna-se inadequada porque a sua proveniência não pode ser reconstruída. Chega uma reclamação. São acontecimentos normais do ciclo de vida, não prova de que alguém se portou mal.

A questão importante é se o sistema sabe o que fazer quando ocorrem. Uma política de fontes deve identificar quem recebe uma notificação, quem decide o seu âmbito, quem pode suspender novos usos, quem pode rastrear os conjuntos de dados afetados, quem comunica com o titular de direitos e o que a organização pode e não pode realisticamente alterar num artefacto publicado. O fluxo de trabalho deve ser suficientemente específico para ser testado. Dizer que as preocupações são levadas a sério é uma frase educada. Não é um processo.

Os debates europeus sobre a governação de modelos têm o hábito de voltar à documentação, porque é na documentação que um sistema declara a sua própria memória. O mesmo se aplica aqui. Uma via de tratamento de reclamações precisa de um identificador. Uma revisão precisa de uma decisão registada. Um pedido de remoção precisa de um limite claro. Uma alteração de fonte precisa de um histórico de versões. Uma versão de modelo precisa de estar ligada aos registos relevantes de treino e curadoria. Sem isto, até uma organização sincera acaba por depender da memória, e a memória não escala particularmente bem depois de algumas mudanças de pessoal e três migrações de armazenamento.

Há também uma razão comercial para construir a saída cedo. Um fornecedor que consiga isolar uma família de fontes e compreender os seus usos a jusante tem mais opções quando os termos mudam. Pode parar a recolha futura, remover a família de um conjunto de dados planeado, substituir material licenciado, suspender uma versão ou explicar por que razão um remédio solicitado alcança um artefacto mas não outro. Um fornecedor sem essas ligações é forçado a declarações genéricas porque não consegue dar uma resposta precisa. Declarações genéricas raramente satisfazem qualquer das partes.

Os titulares de direitos também têm responsabilidades nesta relação, embora não sejam idênticas às dos fornecedores. Uma reserva publicada de forma clara, estável e legível por máquina é mais fácil de respeitar do que um limite embutido num parágrafo que nenhum sistema de recolha consegue identificar. Um contacto de licenciamento que possa explicar a via disponível reduz o custo de um acordo legal. Um aviso de alteração que preserve o histórico impede que um coletor razoável seja julgado com base em informação que não estava disponível na altura. O ónus não deve ser transferido inteiramente para os editores, especialmente os mais pequenos. É simplesmente verdade que uma interface funciona melhor quando ambas as extremidades conseguem comunicar.

O trabalho atual da Comissão sobre protocolos de reserva não é, portanto, um debate obscuro de normas. Diz respeito a saber se a web consegue expressar uma escolha à escala a que os modelos recolhem material. Boas normas não resolverão a avaliação, não tornarão todas as questões jurídicas fáceis nem eliminarão a má-fé. Podem reduzir uma classe de ambiguidade evitável. É uma ambição modesta, e na web as ambições modestas são normalmente as que sobrevivem ao contacto com a realidade.

O que um coletor responsável deve ser capaz de dizer

Um coletor responsável não precisa de fazer o parecer jurídico aparecer em todas as linhas de registo. Precisa de tornar verdadeiras várias afirmações práticas. Deve conseguir dizer que finalidade serviu uma recolha. Deve conseguir identificar a fonte e a versão que considerou. Deve conseguir mostrar a via de acesso e os sinais que observou. Deve conseguir identificar a regra, a licença ou a questão em aberto que orientou a decisão. Deve conseguir ligar uma fonte admitida ao conjunto de dados ou ao sistema que a recebeu. Deve conseguir explicar como trata alterações e preocupações.

Estas afirmações sugerem um desenho, não uma lista de verificação. Comece por um contrato de fonte. O contrato nomeia a família de fontes, a utilização prevista, os métodos de acesso aceites, os limites técnicos, os sinais de direitos conhecidos, as provas exigidas e um responsável. Não é um contrato no sentido jurídico, a menos que as partes o tenham tornado tal. É um contrato operacional dentro da organização: um registo do que o sistema de recolha pode fazer e porquê.

Depois, mantenha os pontos de decisão próximos das ações que interessam. Não procure primeiro e só depois verifique restrições, depois de o material ter passado por várias filas de espera. Não permita que um conjunto de dados passe da avaliação para investigação para a formação de modelos comerciais apenas porque os bytes servem para ambas as tarefas. Não transforme um campo de licença num valor genérico verdadeiro porque o âmbito real é inconveniente. E não trate um pedido de cessação como um bilhete de apoio sem relação com o registo da fonte.

Quando um coletor não consegue compreender um sinal, deve dizê-lo. Quando é necessária uma revisão humana, o sistema deve tornar visível a pausa. Quando existe uma licença, as vias comercial e técnica devem encontrar-se: o acordo deve estar representado numa forma que altere o que o coletor pode fazer. Um PDF numa pasta jurídica não impede um pipeline de fazer o que não deve às três da manhã. O pipeline precisa de um estado executável.

Na Dweve, a pequena parte deste argumento que é diretamente nossa está visível no material sobre conteúdo de formação no nosso Centro de Confiança. O registo publicado afirma que o catálogo de famílias de fontes não é uma declaração genérica de permissão e que as decisões sobre item, versão, licença, atribuição, finalidade, retirada e provas são controladas num registo Spindle. Isso é uma descrição do nosso processo declarado, não uma afirmação de que um registo resolve por si só questões de direitos de autor. O papel da Winnow nesse quadro é a inteligência de fontes e processos de fonte repetíveis e inspecionáveis. O ponto mais amplo não é sobre os nossos produtos. É que a recolha se torna mais responsável quando a via da fonte é tratada como prova e não como ruído de fundo.

Este é o tipo de trabalho de produto que raramente aparece numa demonstração de modelo. Ninguém aplaude um campo chamado observed-terms-version. Mas esses campos decidem se uma equipa consegue responder a uma pergunta razoável sem fazer uma escavação interna. O futuro da governação de modelos incluirá muita matemática impressionante. Incluirá também registos consideravelmente mais cuidadosos do que a indústria outrora achou elegante.

O trabalho é governação, não uma definição de crawler

É tentador transformar isto numa disputa técnica. Coloque a instrução certa num ficheiro, atualize o agente de utilizador, ligue um analisador sintático, desligue um analisador sintático. Essas coisas importam, mas são apenas a ponta visível de um problema de governação. Um crawler faz o que a organização decidiu que ele pode fazer. Se a organização não tem um limite claro de finalidade, nenhum registo de licenças, nenhum responsável de fonte, nenhuma via de revisão e nenhuma linhagem de conjuntos de dados, a obediência técnica será inconsistente mesmo quando cada engenheiro individual está a tentar ser cuidadoso.

Comece pelo propósito, porque o propósito muda a pergunta. Um fornecedor de modelos que recolhe material para uma experiência de investigação restrita e divulgada não está necessariamente na mesma posição daquele que recolhe material para um modelo comercial de uso geral. Um fornecedor que procura uma licença para recuperação pode precisar de um acordo diferente daquele que procura treinar um modelo. Um arquivo de interesse público pode ter um mandato e um percurso legal diferentes dos de uma equipa de produto que constrói um motor de respostas. Estas distinções não devem ser usadas para ocultar obrigações. São a razão pela qual um único campo de estado universal não pode dizer a verdade.

Depois, torne a propriedade visível. Alguém deve ser responsável pela política de fontes. Alguém deve ser responsável pelo coletor técnico. Alguém deve ser responsável pelos termos da licença e pela decisão de admitir uma família de fontes. Alguém deve ser responsável pela resposta a uma consulta de um titular de direitos. A mesma pessoa não precisa de assumir todas as funções, e uma equipa pequena pode combiná-las. O que importa é que a responsabilidade seja localizável antes de uma pergunta se transformar numa disputa. Uma caixa de correio genérica não é bem um responsável. É um lugar onde a propriedade pode ou não vir a ser encontrada.

A governação de dados também precisa de encontrar a governação de modelos. Uma decisão sobre fontes que permanece numa ferramenta de recolha web enquanto o treino acontece noutro lugar é fraca por conceção. A equipa de treino precisa de saber quais os grupos de fontes que estão no âmbito. O construtor do conjunto de dados precisa de preservar exclusões e condições. O processo de lançamento precisa de saber se uma alteração material na política de fontes exige revisão. O processo de resumo público precisa de um relato defensável das categorias de conteúdo de treino. Nenhum indivíduo precisa de carregar toda a história na cabeça. O sistema precisa de um percurso através do qual a história possa ser recuperada.

É aqui que uma distinção cuidadosa entre política e aplicação ajuda. Uma política de direitos de autor diz o que a organização pretende fazer e quais as normas que seguirá. A aplicação é o conjunto de controlos técnicos e processuais que tornam uma ação contrária mais difícil: portões de admissão, registos de fontes, configuração do rastreador, controlos de acesso, verificações contratuais, manifestos de conjuntos de dados, versionamento, revisão e escalada. Uma política sem aplicação é aspiração. Aplicação sem política pode tornar-se uma forma eficiente de executar regras que ninguém pensou. O foco do Regulamento IA numa política de direitos de autor é valioso precisamente porque exige que um fornecedor ligue a intenção legal à sua prática operacional.

Não há razão para isto se tornar uma cerimónia interna secreta. Uma política pública pode declarar o âmbito, a abordagem às reservas de direitos, os tipos de percurso de recolha usados, o percurso de contacto e os limites de qualquer relato público. Não deve prometer certeza onde a lei ou as provas permanecem por resolver. Deve dizer o que faz quando um sinal é ambíguo, o que faz quando um titular de direitos o contacta e o que pode rever depois de uma fonte já ter passado por um sistema. Uma política contida é mais credível do que uma grandiosa. A maior parte do trabalho acontece depois de a política ser publicada, na questão pouco glamorosa de saber se o registo e o pipeline concordam.

O aprovisionamento merece a mesma atenção. Quando uma organização compra um modelo, um serviço de dados ou um produto de recuperação, deve perguntar mais do que se o fornecedor tem uma declaração de direitos de autor no seu site. Que categorias de fontes foram usadas? Como são tratadas as reservas de direitos? Que documentação está disponível para fornecedores a jusante? Pode o fornecedor explicar o seu resumo público de conteúdo de treino? O que acontece quando uma fonte de conteúdo é contestada, corrigida ou retirada? Qual das partes se espera que investigue? Estas não são perguntas que um cliente faz para se tornar advogado de direitos de autor. São perguntas comuns sobre dependência e provas.

As respostas podem estar incompletas, sobretudo num domínio em rápida evolução. As respostas incompletas devem ser identificadas como tal, com um responsável e um caminho para as melhorar. A resposta perigosa é muitas vezes a que parece fluida: todo o conteúdo é público, toda a formação é justa, todos os registos são confidenciais, todas as preocupações são tratadas. Cada frase esconde exatamente as distinções de que uma negociação responsável precisa. Uma resposta mais útil identifica o âmbito, a regra, as provas, a limitação e o próximo ponto de revisão.

As autoridades públicas têm uma razão especial para fazer estas perguntas. Podem influenciar o mercado através dos contratos públicos muito antes de um tribunal ou regulador resolver todas as questões difíceis. Um concurso pode exigir que um fornecedor descreva a sua abordagem aos dados de formação, reservas, licenças, proveniência e reclamações. Pode exigir um registo das alterações materiais. Pode distinguir uma declaração de política de provas de implementação. Pode estabelecer condições proporcionadas sem exigir que o comprador possua uma teoria completa de todas as questões de direitos de autor na Europa. A contratação pública não substitui a lei. É um dos lugares onde a lei se torna uma expectativa operacional.

Essa é a lição mais ampla. A negociação não se limita a um editor e a um rastreador. Envolve também as pessoas que configuram a recolha, criam normas, adquirem modelos, gerem licenças, constroem conjuntos de dados, publicam documentação de modelos, operam vias de reclamação e decidem se um modelo pode ser colocado no mercado. Uma relação de dados de formação torna-se menos extrativa quando essas pessoas conseguem ver as mesmas provas e trabalhar com os mesmos limites. A alternativa não é a simplicidade. É uma cadeia de pressupostos separados que acaba por encontrar um titular de direitos no pior momento possível.

Público não significa sem dono

A web pública deve continuar pública. Isso significa que deve continuar a ser possível ler, ligar, citar dentro da lei, investigar, indexar, criticar, preservar e criar novos serviços. Uma web feita de pop-ups de permissão para cada ato comum não seria aberta em qualquer sentido útil. Mas abertura não é o mesmo que ausência de dono, e visibilidade não é uma transferência de direitos para todos os fins.

As negociações que agora se formam em torno dos dados de formação são uma oportunidade para tornar essa distinção prática. Um titular de direitos deve poder reservar uma utilização numa forma que um coletor responsável possa receber. Um fornecedor de modelos deve poder obter material de alta qualidade através de termos que possam ser implementados e auditados. As pequenas organizações não devem ser excluídas só porque apenas as maiores partes podem pagar acordos à medida. As autoridades públicas devem poder ver o suficiente sobre o conteúdo de formação de modelos e a política de direitos de autor para fazer perguntas inteligentes. E quando ocorre um litígio ou uma alteração, ambos os lados devem ter uma via que comece com provas e não com teatro.

Continuarão a existir casos difíceis. A lei continuará a precisar de interpretação. Alguns conflitos de direitos não serão resolvidos por uma norma, e algumas negociações comerciais continuarão desiguais. Um registo de proveniência não tornará um mau negócio justo. Um marcador técnico não tornará um direito significativo se um coletor o ignorar deliberadamente. O objetivo não é uma web sem atritos. Sem atritos significa muitas vezes que o custo de outra pessoa foi escondido.

O melhor objetivo é uma web inspecionável. Uma em que um pedido automatizado possa transportar um propósito declarado, um limite publicado possa sobreviver ao contacto com um sistema de recolha, uma licença possa tornar-se uma regra operacional, e um fornecedor de modelos possa prestar contas do caminho que trouxe o material para o seu trabalho. É uma visão menos romântica do que uma máquina a ler tudo o que foi escrito. É também mais provável que deixe editores, criadores, investigadores e construtores de modelos com uma web que valha a pena negociar.

Fontes