Licenze di Wikipedia per aziende AI
La discussione sulle licenze dei dati per le aziende AI riguarda sempre più anche le organizzazioni senza scopo di lucro come Wikipedia. Jimmy Wales, co-fondatore di Wikipedia, punta a più contratti di licenza con le aziende AI, simili al contratto esistente con Google. Questa è una reazione ai crescenti costi di server e archiviazione, causati dallo scraping dei bot AI. La domanda centrale è come trovare un giusto equilibrio tra dati aperti e AI, senza mettere a repentaglio il principio delle fonti di conoscenza libere.
Fonte: Rappresentazione personale
Wikipedia e licenze AI
Wikipedia, gestito dalla Wikimedia Foundation senza scopo di lucro, si finanzia principalmente tramite donazioni. I contenuti sono disponibili sotto Creative-Commons-Lizenz CC BY-SA 3.0 e la GNU Free Documentation License, che permettono anche l'uso commerciale rispettando le condizioni di licenza. Questa apertura rende Wikipedia attraente per le aziende di intelligenza artificiale, poiché gli articoli sono revisionati editorialmente, versionati, corredati di fonti e strutturati: una base ideale per grafi di conoscenza e dati di addestramento.
I bot AI scansionano secondo Wales "l'intero sito", , il che porta a un aumento sproporzionato di cache, RAM e larghezza di banda. I donatori di Wikipedia desiderano sostenere l'istruzione libera, non sovvenzionare i costi infrastrutturali di aziende AI multimiliardarie.
Il primo grande accordo di licenza è quello tra la Wikimedia Foundation e Google per il servizio „Wikimedia Enterprise“. Questo servizio API commerciale, lanciato nel 2021, si rivolge a grandi utenti come motori di ricerca e società di AI. Mentre gli utenti normali possono continuare a usare Wikipedia gratuitamente, le aziende che necessitano di milioni di richieste, mirror in tempo reale e feed di dati personalizzati ottengono accessi stabili e contrattuali a pagamento. Google paga per questo servizio , mentre Internet Archive come non-profit ottiene l'accesso completo gratuito.
Questo approccio sposta la creazione di valore: invece dello scraping gratuito, esiste ora un prodotto su misura per applicazioni ad alta intensità di dati. Parallelamente, le aziende AI negoziano pacchetti di licenza con le case editrici. OpenAI ha stipulato contratti con editori come Axel Springer e Financial Times. Reddit ha dichiarato nella sua IPO di aver incassato circa 203 milioni di dollari tramite licenze dati, , tra cui un accordo annuale con Google per circa 60 milioni di dollari. Wikipedia si trova quindi di fronte alla domanda sul perché dovrebbe continuare a fornire infrastrutture gratuite per i modelli AI, quando altre piattaforme vendono i propri dati.
Fonte: wikimediafoundation.org
La Wikimedia Foundation sta sviluppando una strategia AI che mette al centro le persone.
Aspetti legali
La situazione legale per l'addestramento di modelli linguistici di grandi dimensioni è una zona grigia globale. . Nell'UE, la Direttiva sul diritto d'autore per il mercato unico digitale (Direttiva DSM) consente il text e data mining, a condizione che i titolari dei diritti non escludano esplicitamente le loro opere. L'imminente EU AI Act inasprisce i requisiti per l'IA "General Purpose": i fornitori devono pubblicare un riassunto dettagliato dei loro dati di addestramento e rispettare i diritti d'autore e i segnali di opt-out. Ciò serve alla trasparenza, in modo che i titolari dei diritti possano tracciare l'uso dei loro contenuti e, se necessario, negoziare o fare causa.
Negli Stati Uniti domina il dibattito su „Fair Use“. . Le aziende AI sostengono che l'addestramento su opere protette da copyright sia un uso trasformativo, poiché non vengono diffuse copie 1:1, ma vengono appresi schemi statistici. Tuttavia, i tribunali non accettano sempre questa argomentazione. Un tribunale di Monaco ha stabilito che l'addestramento di ChatGPT su testi di canzoni protetti viola il diritto d'autore tedesco e ha condannato OpenAI al risarcimento dei danni a favore della GEMA. La licenza dei dati di addestramento LLM dipende da esenzioni, meccanismi di opt-out, obblighi di trasparenza e procedimenti giudiziari, spingendo piattaforme come Wikipedia verso modelli di licenza prevedibili.
Fonte: digitalzentrum-berlin.de
L'AI Act dell'UE crea un quadro giuridico per l'uso dell'intelligenza artificiale e influisce sui modelli di licenza.
Un'introduzione compatta alle questioni fondamentali "Diritto d'autore e addestramento AI" è offerta da questa discussione accademica in lingua inglese.
Costi dello scraping AI
Per le piattaforme non-profit come Wikipedia, lo scraping AI comporta principalmente tre categorie di costi: infrastruttura aggiuntiva, misure tecniche di contrasto e impegno di governance. La necessità di server, larghezza di banda e risorse di caching aumenta, poiché i bot AI scandiscono grandi parti o dump completi del progetto in modo automatizzato. Le organizzazioni non-profit devono decidere come difendersi dallo scraping eccessivo. Oltre ai mezzi classici come robots.txt, la Wikimedia Foundation sta discutendo soluzioni specializzate come Cloudflare „AI Crawl Control“. . Inoltre, sono necessarie strutture di governance che decidano con quali aziende negoziare e quando l'accesso gratuito mina gli obiettivi della community.
Altre piattaforme reagiscono in modo diverso: Reddit punta su licenze dati a pagamento, ma è sotto osservazione della US-Federal Trade Commission per la vendita di dati degli utenti. Allo stesso tempo, Reddit fa causa ad Anthropic per scraping non conforme al contratto, al fine di proteggere il proprio modello di licenza. Per progetti come Wikipedia, il margine di manovra è minore. Possono offrire modelli enterprise a pagamento, ma devono spiegare alla propria community perché determinate forme di scraping AI, oltre una certa soglia, non vengano più considerate un uso legittimo, ma una trappola di costi.
Panoramiche sulla tensione tra cultura libera e sostenibilità offre Jimmy Wales in conferenze.
Modelli per un giusto equilibrio
La domanda centrale è quale sia un giusto equilibrio tra dati aperti e AI, che protegga l'innovazione e il bene comune. Un modello di accesso a più livelli è un approccio ovvio: persone e piccoli progetti utilizzano i contenuti liberamente rispettando la licenza CC. Grandi attori commerciali, in particolare operatori di sistemi AI, stipulano contratti di licenza con condizioni chiare su ambito, obblighi di attribuzione, diritti di cancellazione e responsabilità, come fanno Wikimedia Enterprise o gli accordi dei grandi editori con OpenAI.
Fonte: user-added
Due meduse luminose, una blu, una verde, su sfondo nero con linee a griglia e parentesi.
Un secondo elemento è la segnalazione tecnica: i titolari dei diritti devono poter indicare in modo leggibile dalle macchine se i loro contenuti possono essere utilizzati per l'addestramento AI, e i crawler delle aziende AI devono rispettare questi segnali. Un terzo elemento sono i modelli di remunerazione standardizzati: invece di accordi individuali, società di gestione collettiva o contratti quadro di settore potrebbero riscuotere e ridistribuire le royalty per categorie di utilizzo definite, analogamente alla gestione dei diritti musicali.
YouTube consente ai creator di accettare esplicitamente che i loro video possano essere utilizzati per l'addestramento di sistemi AI di aziende esterne; questa impostazione è disattivata per impostazione predefinita. Ciò suggerisce un futuro in cui i contenuti aperti non saranno più considerati automaticamente depositi di materie prime gratuiti per le aziende AI, ma in cui i diritti di utilizzo, le remunerazioni e le possibilità di opt-out saranno negoziati in modo trasparente - anche per progetti non-profit come Wikipedia.
Le basi delle licenze Creative Commons sono spiegate in questo video esplicativo in lingua tedesca. Un'introduzione compatta alla prospettiva europea sulla regolamentazione AI e sul diritto d'autore offre questa conferenza.
Conclusione e prospettive
Wikipedia è sinonimo dell'idea di conoscenza libera, ma "liberamente accessibile" non significa "sfruttabile gratuitamente per qualsiasi modello di business". La decisione di Jimmy Wales e della Wikimedia Foundation di puntare a più accordi di licenza con le aziende AI è un tentativo di preservare i principi di Wikipedia in un mondo guidato dall'AI. I contenuti aperti devono rimanere aperti, ma chi li utilizza commercialmente su scala industriale dovrebbe contribuire equamente al finanziamento dell'infrastruttura.
Il successo di questo approccio dipenderà da come tribunali, autorità di regolamentazione e pubblico risponderanno alla questione di un giusto equilibrio tra dati aperti ed AI. Si tratta di non scaricare più i veri costi dello scraping AI su volontari e donatori.