Den publika internet blir en förhandling om träningsdata

Crawlare, reservationer, licenser och proveniens förändrar det gamla antagandet att en offentlig sida bara finns där för att tas. Den relevanta frågan är...

Den publika internet blir en förhandling om träningsdata

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.

En vanlig läsare öppnar en artikel och kanske återvänder en annan dag. En sökcrawler skapar ett index som är tänkt att leda en läsare tillbaka. En träningspipeline kan göra en kopia som behålls, transformeras och aggregeras med många andra verk innan någon modell existerar. Ett hämtningssystem kan skapa en mer direkt kommersiell ersättning för ett besök. En utvärderingsuppsättning kan bevara utdrag för att testa ett system. Etiketterna är inte moraliska rangordningar. De är beskrivningar av användningar som kräver olika frågor.

Den första frågan är vanligtvis åtkomst. Nådde samlaren materialet via en laglig väg? Den andra är den rättsliga grunden för de handlingar som systemet vill utföra. Den tredje är om rättighetsinnehavaren har uttryckt en reservation där tillämplig regel tillåter en sådan. Den fjärde är om ett separat licensavtal eller kontrakt ger tillstånd, villkor eller begränsningar. En femte fråga, som ofta kommer för sent, är operativ: kan organisationen visa vad den såg och varför den gick vidare?

Direktiv (EU) 2019/790 behandlar inte text- och datautvinning som ett enda, obegränsat tillstånd. Artikel 3 ger ett tvingande undantag för forskningsorganisationer och kulturarvsinstitutioner som gör reproduktioner och utdrag för vetenskaplig forskning, förutsatt att de har laglig åtkomst. Artikel 4 rör text- och datautvinning för andra ändamål, återigen där det finns laglig åtkomst, om inte rättighetsinnehavaren har reserverat de relevanta rättigheterna på lämpligt sätt. För onlineinnehåll som görs offentligt tillgängligt säger direktivet att reservationen får uttryckas genom maskinläsbara medel, inklusive metadata och användarvillkor.

Den distinktionen är inte en mindre formuleringsteknisk kuriositet. Den innebär att en offentlig sida inte bär en enda generisk etikett som kallas användbar. Aktören, ändamålet, åtkomstvägen, rättighetsinnehavarens reservation och de särskilda handlingarna spelar alla roll. Ett vettigt insamlingssystem behöver därför mer ordförråd än tillåt och blockera. Det bör kunna registrera kandidat, åtkomst observerad, reservation upptäckt, licens krävs, licens beviljad, ändamål begränsat, oavgjort, avböjd och återdragen. Detta är inte byråkrati för dess egen skull. Det är den minimigrammatik som behövs när en källa kan vara fullt synlig och ändå inte tillgänglig för den avsedda användningen.

Europeiska unionens immaterialrättsmyndighets studie från 2025 om generativ AI och upphovsrätt beskriver detta landskap som ett där rättighetsreservationer och licensiering utvecklas parallellt med tekniska lösningar. Dess slutsats är inte att en färdig marknadsmekanism har uppstått. Den är nästan det motsatta: ingen enskild lösning passar varje rättighetsinnehavare, varje modellleverantör eller varje typ av material. Det är just därför ett ärligt system måste bevara distinktioner snarare än att sudda ut dem i skalans namn.

Skala framhålls ofta som en ursäkt för inexakthet. En modellleverantör kan säga att den inte kan förhandla sida för sida. En liten utgivare kan säga att den inte kan granska varje automatiserad begäran. Båda påståendena kan vara sanna. De undanröjer inte behovet av ett fungerande gränssnitt mellan de två. De förklarar varför maskinläsbara signaler, standardlicenser, källfamiljsposter och kollektiva arrangemang är intressanta. Svaret på ett stort problem är inte nödvändigtvis ett stort möte. Det kan vara ett tillförlitligt sätt att ange en gräns och ett tillförlitligt sätt att ta emot den.

En källväg är inte en tunnel till en modell. Det är en serie beslut som bör förbli synliga efter insamlingen.

Diagrammet är en konceptuell väg, inte en juridisk beslutsmotor. Ett grönaktigt kort innebär inte att en användning är laglig. Det visar de bevis och bedömningar som ett team bör kunna granska. Den blygsamma distinktionen är värdefull. Det mesta av den undvikbara förvirringen börjar när ett operativt faktum misstas för en juridisk slutsats, eller när en juridisk slutsats inte kan spåras tillbaka till de operativa fakta.

Reservationer behöver ett språk som maskiner kan bära

En opt-out beskrivs ofta som en knapp: rättighetshavaren säger nej, crawler stoppar. Det faktiska arbetet är mindre filmiskt. En reservation måste uttryckas någonstans, hittas av en insamlare, kopplas till det relevanta verket eller tjänsten, tolkas i rätt sammanhang och behållas som bevis. Den kan finnas i metadata, i användarvillkor, i en publicerad policy eller i ett protokoll som en insamlare förstår. Den kan gälla en webbplats, en katalog, ett flöde, en databas eller en definierad grupp av verk. Den kan ändras över tid.

Direktivets hänvisning till maskinläsbarhet är betydelsefull eftersom en reservation som inte kan hittas vid insamlingspunkten inte tillförlitligt kan ändra ett insamlingsbeslut. Men maskinläsbar betyder inte ofelbar, självförklarande eller juridiskt fullständig. En parser kan hitta en direktiv med ett okänt värde. En rättighetshavare kan publicera en policy som hänvisar till en licenskontakt snarare än ett rakt avslag. En källa kan vara tillgänglig genom en prenumeration med egna villkor. Ett system kan se ingen igenkännbar signal alls. Frånvaro av en signal är en observation, inte ett generellt tillstånd.

Det finns en ganska holländsk lärdom i detta. En skylt som säger att bron är stängd förbättras inte av att en leveransförare hävdar att deras karta inte tolkade skylten. Inte heller är varje stängd bro ett förbud mot att beträda provinsen. Frågan är om skylten är läsbar för den relevanta vägen, om vägen har ett vettigt alternativ och om någon har dokumenterat vad som hände. Poängen är inte att förvandla webben till ett kanalnät. Det är att hindra en gräns från att försvinna för att den var obekväm att modellera.

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.

God proveniens kräver tid. En sida kan ändras. En utgivare kan revidera villkoren. En källa kan tas bort, flyttas bakom en prenumeration, säljas, korrigeras eller ersättas. En licens kan löpa ut. Ett protokoll för avanmälan kan uppdateras. En modellleverantör kan upptäcka ett fel i ett tidigare insamlingsbeslut. Registret ska inte skriva över det tidigare tillståndet med det nuvarande. Det ska bevara den tidigare observationen, identifiera den senare ändringen och dokumentera vad organisationen gjorde härnäst.

Detta är särskilt viktigt när borttagning eller återkallelse diskuteras. Att ta bort en sida från en livekö för crawlers är inte samma sak som att ta bort den från varje mellanlagring, härledd datamängd, finjusteringskörning, utvärderingsuppsättning, hämtningsindex och publicerad modell. Det ärliga svaret är inte att lova omedelbar radering från varje teknisk artefakt. Det är att definiera vägarna, begränsningarna och granskningspunkterna innan man lovar dem. En rättighetsinnehavare förtjänar en kontaktpunkt som kan förklara processen. En modellleverantör behöver ett sätt att identifiera vilka artefakter som berörs. Båda behöver ett register som skiljer en mottagen begäran från en löst begäran.

Artikel 53 i AI-förordningen ger proveniens en granne inom den offentliga politiken. Den kräver att leverantörer av allmänna AI-modeller inför en policy för att följa unionens upphovsrättslagstiftning och offentliggör en tillräckligt detaljerad sammanfattning av det innehåll som används för träning. Den offentliga sammanfattningen behöver inte exponera varje post i en datamängd, och förordningen innehåller gränser för konfidentialitet och företagshemligheter. Men riktningen är tydlig: en modellleverantör bör kunna beskriva träningsinnehåll på ett sätt som är mer informativt än lita på oss, samtidigt som mer fullständig dokumentation behålls för de relevanta myndigheterna och nedströmsleverantörerna.

Den uppdelningen av målgrupper är förnuftig. En offentlig läsare behöver förstå källkategorier, insamlings- och kureringsval, relevanta begränsningar och kontaktvägar. En rättighetsinnehavare med en konkret fråga kan behöva en process som kan hantera en mer specifik förfrågan. En tillsynsmyndighet kan behöva dokumentation som inte rimligen kan publiceras på en offentlig sida. Misstaget är att behandla dessa lager som ursäkter för att inte säga något, eller att behandla en offentlig sammanfattning som bevis på att varje beslut på källnivå har avgjorts. Transparens är en informationsarkitektur, inte ett pressmeddelande.

Proveniens skapar inte tillstånd. Den håller bevisen, omfattningen och den senare ändringen kopplade till det verk som behöver dem.

Det finns en nyttig disciplin här för ingenjörer. Låt registret bära osäkerheten. Om en källas status är oavgjord, registrera oavgjord. Om en licens täcker inhämtning men inte träning, kalla den inte allmänt licensierad. Om en policy ändrades efter insamlingen, antyd inte att det tidigare beslutet fattades under den senare policyn. En datamängd blir inte mer tillförlitlig av att dess etiketter är självsäkra. Den blir mer styrbar när dess etiketter bevarar vad som är känt, okänt och villkorat.

Förhandlingen måste inkludera utgången

Stora delar av debatten fokuserar på inträde: får crawler samla in den här källan idag? Men en relation med träningsdata behöver också en utgång. En licens når sitt slutdatum. En rättighetshavare ändrar en reservation. En utgivare hittar ett fel i en attributionspost. En leverantör ändrar sin plan för modellutveckling. En källa blir olämplig eftersom dess härkomst inte kan rekonstrueras. Ett klagomål anländer. Detta är vanliga livscykelhändelser, inte bevis på att någon har agerat illa.

Den viktiga frågan är om systemet vet vad det ska göra när de inträffar. En källpolicy bör identifiera vem som tar emot ett meddelande, vem som beslutar om dess omfattning, vem som kan pausa ny användning, vem som kan spåra berörda datamängder, vem som kommunicerar med rättighetshavaren, och vad organisationen realistiskt kan och inte kan ändra i en publicerad artefakt. Arbetsflödet måste vara tillräckligt specifikt för att kunna testas. Att säga att farhågor tas på allvar är en artig mening. Det är inte en process.

Europeiska diskussioner om modellstyrning har en vana att återvända till dokumentation, eftersom dokumentation är där ett system deklarerar sitt eget minne. Detsamma gäller här. En klagomålshanteringsväg behöver en identifierare. En granskning behöver ett registrerat beslut. En begäran om borttagning behöver en tydlig gräns. En källändring behöver versionshistorik. En modellrelease behöver kopplas till relevanta tränings- och kureringsposter. Utan detta förlitar sig även en uppriktig organisation så småningom på minnet, och minnet skalar inte särskilt väl efter några personalbyten och tre lagringsmigreringar.

Det finns också en kommersiell anledning att bygga utgången tidigt. En leverantör som kan isolera en källfamilj och förstå dess nedströmsanvändning har fler alternativ när villkoren ändras. Den kan stoppa framtida insamling, ta bort familjen från en planerad datamängd, ersätta med licensierat material, pausa en release, eller förklara varför en begärd åtgärd når en artefakt men inte en annan. En leverantör utan dessa länkar tvingas till breda uttalanden eftersom den inte kan ge ett precist svar. Breda uttalanden tillfredsställer sällan någondera parten.

Rättighetshavare har också ansvar i denna relation, även om de inte är identiska med leverantörernas ansvar. En reservation som publiceras i en tydlig, stabil, maskinläsbar form är lättare att respektera än en gräns inbäddad i ett stycke som inget insamlingssystem kan identifiera. En licenskontakt som kan förklara den tillgängliga vägen sänker kostnaden för ett lagligt avtal. Ett ändringsmeddelande som bevarar historik förhindrar att en rimlig samlare bedöms utifrån information som inte var tillgänglig vid tidpunkten. Bördan bör inte överföras helt till utgivare, särskilt inte mindre sådana. Det är helt enkelt sant att ett gränssnitt fungerar bättre när båda ändar kan tala.

Kommissionens nuvarande arbete med reservationsprotokoll är därför inte en obskyr standarddebatt. Det handlar om huruvida webben kan uttrycka ett val i den skala som modeller samlar in material. Bra standarder kommer inte att lösa värdering, göra varje juridisk fråga enkel eller eliminera ond tro. De kan minska en klass av undvikbar otydlighet. Det är en blygsam ambition, och på webben är det vanligtvis de blygsamma ambitionerna som överlever kontakt med verkligheten.

Vad en ansvarsfull samlare bör kunna säga

En ansvarsfull samlare behöver inte få juridisk rådgivning att framgå i varje loggrad. Den behöver däremot göra flera praktiska påståenden sanna. Den bör kunna säga vilket syfte en insamling tjänade. Den bör kunna identifiera källan och den version som övervägdes. Den bör kunna visa åtkomstvägen och de signaler som observerades. Den bör kunna identifiera den regel, licens eller olösta fråga som styrde beslutet. Den bör kunna koppla en godkänd källa till den datamängd eller det system som tog emot den. Den bör kunna förklara hur den hanterar förändringar och farhågor.

Dessa påståenden antyder en design snarare än en checklista. Börja med ett källkontrakt. Kontraktet namnger källfamiljen, den avsedda användningen, accepterade åtkomstmetoder, tekniska begränsningar, kända rättighetssignaler, krav på bevisning och en ägare. Det är inte ett kontrakt i juridisk mening om inte parterna har gjort det till ett. Det är ett operativt kontrakt inom organisationen: en registrering av vad insamlingssystemet får göra och varför.

Håll sedan beslutspunkterna nära de åtgärder som betyder något. Hämta inte först och leta efter begränsningar efter att materialet har kopierats genom flera köer. Tillåt inte att en datamängd flyttas från forskningsutvärdering till kommersiell modellträning bara för att bytena passar båda uppgifterna. Omvandla inte ett licensfält till ett generiskt sant värde för att den faktiska omfattningen är obekväm. Och behandla inte en begäran om att sluta som en supportärende utan koppling till källposten.

Där en samlare inte kan förstå en signal bör den säga det. Där en mänsklig granskning behövs bör systemet göra pausen synlig. Där en licens finns tillgänglig bör de kommersiella och tekniska vägarna mötas: avtalet måste representeras i en form som ändrar vad samlaren kan göra. En PDF i en juridisk mapp hindrar inte en pipeline från att göra fel saker klockan tre på natten. Pipelinen behöver ett verkställbart tillstånd.

På Dweve är den lilla delen av detta argument som direkt är vår synlig i materialet om träningsinnehåll i vår Trust Centre. Den publicerade posten säger att dess katalog över källfamiljer inte är ett generellt tillståndsanspråk och att beslut om artikel, version, licens, tillskrivning, syfte, återkallelse och bevisning styrs i en Spindle-ledger. Det är en beskrivning av vår angivna process, inte ett påstående om att en post löser upphovsrättsfrågor av sig själv. Winnows roll i den bilden är källintelligens och repeterbara, inspekterbara källprocesser. Den bredare poängen handlar inte om våra produkter. Den är att insamling blir mer ansvarsfull när källvägen behandlas som bevis snarare än som bakgrundsbrus.

Detta är den typ av produktarbete som sällan syns i en modelldemo. Ingen applåderar ett fält som heter observed-terms-version. Men dessa fält avgör om ett team kan svara på en rimlig fråga utan att genomföra en intern utgrävning. Modellstyrningens framtid kommer att innehålla gott om imponerande matematik. Den kommer också att innehålla betydligt mer noggranna register än vad branschen en gång trodde var modernt.

Arbetet är styrning, inte en crawlerinställning

Det är frestande att göra detta till en teknisk tvist. Lägg rätt instruktion i en fil, uppdatera user agent, slå på en parser, slå av en parser. Dessa saker spelar roll, men de är bara den synliga kanten av ett styrningsproblem. En crawler gör vad organisationen har beslutat att den får göra. Om organisationen saknar en tydlig syftesgräns, ett licensregister, en källägare, en granskningsväg och en datamängdslinje, kommer teknisk lydnad att vara inkonsekvent även när varje enskild ingenjör försöker vara noggrann.

Börja med syftet, eftersom syftet förändrar frågan. En modellleverantör som samlar in material för ett avgränsat, redovisat forskningsexperiment befinner sig inte nödvändigtvis i samma situation som en som samlar in material för en kommersiell allmänmodell. En leverantör som söker licens för återvinning kan behöva ett annat avtal än en som söker träna en modell. Ett allmännyttigt arkiv kan ha ett annat uppdrag och en annan juridisk väg än ett produktteam som bygger en svarsmotor. Dessa skillnader ska inte användas för att dölja skyldigheter. De är anledningen till att ett enda universellt statusfält inte kan berätta sanningen.

Gör sedan ägarskapet synligt. Någon bör äga källpolicyn. Någon bör äga den tekniska insamlaren. Någon bör äga licensvillkoren och beslutet att godta en källfamilj. Någon bör äga svaret på en förfrågan från en rättighetshavare. Samma person behöver inte ha alla roller, och ett litet team kan kombinera dem. Det viktiga är att ansvaret går att hitta innan en fråga blir en tvist. En generisk brevlåda är inte riktigt en ägare. Det är en plats där ägarskap kanske eller kanske inte så småningom hittas.

Dataförvaltning måste också möta modellförvaltning. Ett källbeslut som ligger kvar i ett webbinsamlingsverktyg medan träningen sker någon annanstans är svagt av konstruktion. Träningsteamet behöver veta vilka källgrupper som ingår. Datasetbyggaren behöver bevara undantag och villkor. Lanseringsprocessen behöver veta om en väsentlig förändring i källpolicyn kräver granskning. Processen för den offentliga sammanfattningen behöver en försvarbar redogörelse för kategorierna av träningsinnehåll. Ingen individ behöver bära hela historien i huvudet. Systemet behöver däremot en väg genom vilken historien kan hämtas.

Det är här en noggrann åtskillnad mellan policy och efterlevnad hjälper. En upphovsrättspolicy anger vad organisationen avser att göra och vilka standarder den kommer att följa. Efterlevnad är den uppsättning tekniska och processuella kontroller som gör en motsatt åtgärd svårare: åtkomstgrindar, källregister, crawlerkonfiguration, åtkomstkontroller, avtalskontroller, datasetmanifest, versionshantering, granskning och eskalering. En policy utan efterlevnad är en aspiration. Efterlevnad utan policy kan bli ett effektivt sätt att utföra regler som ingen har tänkt igenom. AI-förordningens fokus på en upphovsrättspolicy är värdefull just därför att den kräver att en leverantör kopplar samman den juridiska avsikten med sin operativa praktik.

Det finns ingen anledning att detta blir en hemlig intern ceremoni. En offentlig policy kan ange omfattningen, förhållningssättet till rättighetsreservationer, vilka typer av insamlingsvägar som används, kontaktvägen och gränserna för varje offentlig redogörelse. Den ska inte lova säkerhet där lagen eller bevisningen fortfarande är oklar. Den ska säga vad den gör när en signal är tvetydig, vad den gör när en rättighetshavare kontaktar den, och vad den kan granska efter att en källa redan har passerat genom ett system. En återhållsam policy är mer trovärdig än en storslagen. Det mesta av arbetet sker efter att policyn har publicerats, i den oglamorösa frågan om posten och pipelinen stämmer överens.

Upphandling förtjänar samma uppmärksamhet. När en organisation köper en modell, en datatjänst eller en återvinningsprodukt bör den fråga mer än om leverantören har ett upphovsrättsuttalande på sin webbplats. Vilka källkategorier användes? Hur hanteras rättighetsreservationer? Vilken dokumentation finns tillgänglig för nedströmsleverantörer? Kan leverantören förklara sin offentliga sammanfattning av träningsinnehåll? Vad händer när en innehållskälla bestrids, korrigeras eller dras tillbaka? Vilken part förväntas utreda? Detta är inte frågor som en kund ställer för att bli upphovsrättsjurist. Det är vanliga frågor om beroenden och bevisning.

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