Ratovi podataka

Zamisli da tri godine hraniš stroj. Ne birano, ne pažljivo — sve. Svaki tekst na koji naletiš, svaku sliku, svaki komad koda koji je ikad netko gurnuo na GitHub (ono veliko internetsko skladište gdje programeri drže i dijele svoj kod), svaki isječak glasa, svaku knjigu koju je netko digitalizirao za posudbu u knjižnici pa je slučajno završila na torrentu (kanalu kojim se filmovi, glazba i knjige razmjenjuju mimo ičije dozvole). Ne pitaš vlasnika. Ne pitaš ni sebe, zapravo — samo grabiš, jer alat za grabljenje je jeftin, a podatak je jedina valuta koja modelu daje snagu. Tako je to izgledalo 2023., 2024. Interno se to zove trening. Izvana, sve više ljudi ima drugu riječ za to.

I onda, negdje na prijelazu iz 2023. u 2024., stižu računi. Prvo tiho, kao pismo odvjetnika koje čekaš da ne stigne. Pa sve glasnije — New York Times protiv OpenAI-a i Microsofta, sa snimkama ekrana na kojima ChatGPT citira njihove članke riječ po riječ, kao učenik koji je pretjerao s prepisivanjem pa zaboravio promijeniti i zareze. Getty Images protiv Stability AI-a, jer njihov vodeni žig — onaj sivi, prozirni, poluproziran pečat kojim fotografske agencije obilježavaju svoje slike da se zna čije su — počeo se pojavljivati na slikama koje je taj model generirao od nule, kao potpis lopova koji je zaboravio skinuti rukavice. Chabon, Grisham, gomila pisaca. Glazbenici. Glumci koji su, dok su bili na štrajku (K7, sjećaš se pogl. 7?), otkrili da im studiji žele licencirati lice i glas za treniranje modela — dovijeka, za paušal koji bi jedva platio kavu.

Sudovi u Americi, u Europi, u Kini — svi su se odjednom našli u istoj poroti, samo što svaka zemlja ima svoje zakone, svoje rokove i svoje strpljenje (a ono kinesko i ono američko baš i nisu istog kalibra). I dok se čeka presuda koja bi mogla stići za godinu dana ili za deset, industrija koja je na tim istim, neplaćenim temeljima već sagradila vrijednost od nekoliko trilijuna dolara — nastavlja graditi dalje, kao da se ništa ne događa. Stati i pričekati verdikt nije opcija kad ti konkurencija dahće za vratom; tko stane prvi, taj prvi i propadne.

Ono što slijedi jest suđenje. Ne metaforički — u ovom poglavlju sjedaš u porotu, čuješ optužbu, čuješ obranu, i na kraju ćeš morati sam presuditi, jer sudovi to još nisu učinili s dovoljnom sigurnošću da to napravimo za tebe.

Dame i gospodo porotnici, pogledajte ovo. Ovo je model. Nasmiješen, koristan, uvijek spreman napisati ti pismo, kod, esej o Kantu ili sliku mačke koja pilotira svemirski brod. Djeluje pristojno. Djeluje kao da je odrastao u nekoj knjižnici, pročitao sve, i sad velikodušno dijeli znanje. Optužba tvrdi da je istina malo drukčija: ovo je stroj koji je pojeo cijeli internet, bez pitanja, bez računa, i sad ga naplaćuje po pretplati.

Kako se to zapravo dogodilo? Ne romantično, ne u laboratoriju s bljeskom svjetla — nego dosadno, industrijski, kako se rade sve velike krađe: automatizirano. Botovi su prošli kroz internet i pokupili sve što nije bilo eksplicitno zabranjeno u datoteci robots.txt — maloj tekstualnoj datoteci koju vlasnik stranice postavi da botovima poruči što smiju, a što ne smiju skidati i indeksirati. Cijela je stvar, doduše, na principu poštenja: robots.txt ne zaključava ništa, samo lijepo zamoli, a poštuje ga samo onaj bot koji se odluči ponašati kulturno (a znamo tko se nije baš trudio biti kulturan). Knjige, cijele biblioteke skenirane i procurjele u torrentima (Books3 — ista mrlja se vraća, kao i ranije spomenuta afera s procurjelim knjigama). Novinski članci, blogovi, forumi, Wikipedija, Reddit, GitHub, DeviantArt, Getty Images. Sve što je imalo tekst ili piksele i bilo javno dostupno — i dosta toga što nije trebalo biti — završilo je u trening setu. Skala je toliko velika da ni same tvrtke ne znaju točno što je unutra. Kad ih pitaš, kažu „javno dostupni podaci s interneta”. To je istina na način na koji je „uzeo sam stvari iz susjedovog dvorišta” istina — tehnički se stvari nalaze tamo gdje ih uzimaš, ali to ne znači da su tvoje.

I onda se javljaju kreatori. Ne apstraktno „industrija” — konkretni ljudi. Pisci koji su cijeli život pisali romane sad gledaju kako model piše u njihovom stilu na upit „napiši mi priču kao [ime autora]”. Ilustratori koji su desetljeće razvijali prepoznatljiv potez kista sad gledaju kako Midjourney — AI alat koji iz teksta generira slike, upišeš rečenicu, dobiješ sliku — taj potez reproducira za sitne novce po slici. Programeri čiji je kod na GitHubu javan, da, ali objavljen pod licencom koja traži navođenje autora, sad se izbljuje kroz Copilot (Microsoftov AI koji piše i dovršava programski kod, treniran upravo na tim repozitorijima) bez ni jednog spomena imena — istu priču s izostankom navođenja autora smo već vidjeli, samo u drugom ruhu. Svi kažu istu rečenicu, samo drugim riječima: „moj rad je unutra, nitko me nije pitao, nitko mi nije platio.”

Optužba ne ostaje na osjećaju nepravde — ima i dokaze, opipljive, digitalne, teško pobitne. Pokazalo se da modeli, ako ih dovoljno vrtiš i pitaš na pravi način, ne 'generiraju' nego — reproduciraju. Doslovno. Odlomak po odlomak iz New York Timesa, riječ po riječ, uključujući i tipfelere iz originala. Getty Images vodeni žig pojavljuje se izobličen ali prepoznatljiv na slikama koje je generirao AI model koji tvrdi da 'ne kopira, nego uči'. To je ono što stručno zovemo memorizacijom, i to je najveći poklon koji je optužba ikad dobila — jer 'učenje obrazaca' teško objašnjava zašto stroj zna točan raspored piksela u tuđem vodenom žigu.

Tko onda tuži? Kratki popis, dug bi ispunio cijelu presudu: New York Times protiv OpenAI-a i Microsofta, s odštetom za milijune članaka korištenih bez licence. Getty Images protiv Stability AI, s onim vodenim žigom kao glavnim dokaznim predmetom. Skupine autora — od poznatih romanopisaca do anonimnih blogera — u kolektivnim tužbama (kad se veliki broj oštećenih udruži i tuži zajedno, jer je jeftinije i jače nego svaki sam za sebe) protiv gotovo svake velike AI kompanije. Glazbenici, jer glasovni modeli sad mogu pjevati u tuđem glasu bez tuđeg pristanka. A onda i platforme koje ni same nisu nevine — Reddit i X naplaćuju firmama pristup podacima svojih korisnika, tvojim postovima, tvojim komentarima, dok ti od toga ne vidiš ni centa. Svi tuže sve. Optužba je opsežna, i svaka stranica dosjea ima isti potpis: netko je nešto stvorio, netko drugi je to uzeo bez pitanja, i sad postoji stroj koji radi bolje jer je to uzeo.

To je optužnica, opsežna i dobro dokumentirana. Sad dolazi obrana — i mora se reći, nije ona jadna, kukavna, sastavljena od isprika u zadnji čas. Ima ozbiljne argumente, ozbiljne pravnike i jedan presedan koji bi mogao promijeniti cijeli tijek suđenja.

Sud daje riječ obrani. I obrana, treba priznati, ne dolazi praznih ruku — dolazi s odvjetnicima koji su, za razliku od tvog prosječnog tužitelja, plaćeni po satu koji traje koliko god treba.

Argument broj jedan, onaj koji AI firme ponavljaju kao mantru, glasi: učenje nije kopiranje. Kad model proguta milijun knjiga, ne sprema ih na disk kao ZIP arhivu — uči obrasce, statističke veze, kako riječi i ideje sjedaju jedna pored druge. Isto, kažu, radi i tvoj mozak kad pročitaš pet romana istog žanra pa onda sam pišeš u tom stilu bez da citiraš ijednu stranicu. Nitko te ne tuži zato što si, pročitavši cijelog Kinga, počeo pisati kratke rečenice za efekt. Zašto bi se model tretirao drukčije samo zato što je brži čitač i nikad ne spava?

Argument broj dva su presedani, a najjači u rukavu je slučaj Google Books. Prije nego što odemo dalje, vrijedi objasniti taj famozni „fair use” (na hrvatski se najčešće prevodi kao „poštena upotreba”) — to je doktrina američkog zakona o autorskim pravima koja dopušta korištenje tuđeg djela bez dozvole autora, ako je svrha korištenja dovoljno „transformativna”: kritika, parodija, znanstvena analiza, ili novi alat koji radi nešto drugo od izvornog djela. Google je prije petnaestak godina skenirao milijune knjiga bez pitanja izdavača, izgradio ogromnu bazu i ponudio — pretraživanje isječaka, ne cijelih knjiga. Autori su tužili. Sudovi su, nakon godina parničenja, presudili da je to fair use, jer je svrha transformativna: novi alat za pretraživanje, ne zamjena za kupnju knjige. Nitko nije mogao pročitati cijeli roman kroz Google Books search. AI firme sad mašu tom presudom kao ulaznicom — vidite, kažu, i mi transformiramo sirovinu u nešto novo, model, ne kopiju.

Ali evo gdje treba stati i usporediti s nečim iz ranije ove knjige, jer paralela je previše dobra da se preskoči. Napster (K4) je distribuirao gole kopije pjesama — jedan na jedan, tvoj MP3 do mog MP3, bez transformacije, bez isječaka, bez ičega osim čiste replikacije. Sud je to prepoznao za pola sekunde i zatvorio firmu. AI trening je nešto drugo: ulaze milijuni djela, izlazi jedan model koji ne sadrži nijedno djelo u prepoznatljivom, kopirajućem obliku — u teoriji. Distribucija kopije i učenje obrasca zvuče slično laiku, ali pred sudom su dva različita svijeta. Napster je bio fotokopirni aparat. Model tvrdi da je učenik. Pitanje je samo je li taj učenik, u nekim trenucima, ipak fotokopirni aparat s dobrim manirima — a to nas vraća na onu šokantnu činjenicu koju ćemo posebno istaknuti: kad model uspije izbljunuti odlomak od riječi do riječi, ta obrana odjednom zvuči puno tanje.

Treći argument obrane nije pravni nego egzistencijalni, i zato je najopasniji za tužitelje: bez masovnih podataka nema modela. Nijednog. Ako bi svaki AI trening zahtijevao pojedinačni pristanak svakog autora, svakog fotografa, svakog programera čiji je kod ikad završio na GitHubu, transakcijski trošak bi bio veći od same vrijednosti proizvoda. Nema pregovaranja s deset milijuna nepoznatih ljudi istovremeno — logistika sama bi ubila industriju prije nego što bi počela. To nije opravdanje u moralnom smislu, nego upozorenje: presuda protiv fair usea ne znači »OpenAI plati malo više«, znači »generativni modeli u ovom obliku ne postoje«. Industrija vrijedna trilijune dolara visi o toj jednoj pravnoj definiciji, i svi to znaju, uključujući suce.

I treba biti fer prema obrani, koliko god otrovno zvučalo hvaliti stranu koja je opljačkala pola interneta — argument o učenju nije prazan trik odvjetnika. Ljudi doista slobodno uče iz autorskih djela cijeli život: svaki pisac je pojeo tuđe knjige bez plaćanja licence za »stil«, svaki programer je učio iz tuđeg koda na Stack Overflowu bez potpisivanja ugovora. Da učenje iz autorskog djela zahtijeva naknadu, cijela civilizacija znanja bi stala. Obrana se ne oslanja samo na pravnu gimnastiku — oslanja se na nešto što svi mi, iskreno, prakticiramo svaki dan.

Sud je čuo optužbu, čuo je i obranu. Sad je red na svjedoke — a u ovoj sudnici svjedoci nisu tu da kažu istinu, nego da kažu koliko su platili ili koliko su naplatili. Prozivamo ih po redu.

Prvi svjedok: kreator. Slikar, pisac, glazbenik, programer. Njegov rad je ušao u trening skup — bez pitanja, kao što smo utvrdili — a stroj koji je na tome učio potom je izašao na tržište i ponudio se kao njegova jeftinija zamjena. Ilustrator koji je deset godina radio na svom stilu sad gleda generator slika koji taj stil imitira za peticu po promptu — i taj generator je, vrlo moguće, učio baš na njegovim slikama. To nije samo krađa. To je krađa koja te onda otpušta s posla. Dvostruki udarac: prvo ti uzmu materijal, pa te onda materijalom koji su uzeli istisnu iz posla. Glazbenici su u istoj poziciji, programeri isto — Copilot je učio na GitHubu, a GitHub je pun koda koji su pisali baš oni developeri koji sad koriste Copilot da budu brži. Ironija toliko gusta da se može rezati nožem, i vratit ćemo se na to u presudi.

Treći svjedok je nešto novo, nešto što je tek stiglo na klupu za svjedoke — tržište čistih podataka. Kad su tužbe počele padati na sudske stolove, neke su firme shvatile da je jeftinije platiti unaprijed nego se braniti unatrag. Niču agencije koje licenciraju sadržaj legalno: fotografske banke prodaju svoje arhive AI firmama uz ugovor i naknadu, izdavačke kuće pregovaraju s OpenAI-em — »New York Times« je istovremeno tužio jedne, a neki drugi mediji potpisali ugovore s drugima, ista industrija, dva sasvim različita odgovora na isto pitanje. Rađa se čitav novi posao: kustos podataka, čovjek čiji je zadatak da ti dokaže da je tvoj skup podataka čist, licenciran, provjeren, bez otisaka prstiju s tuđe imovine. Prije pet godina taj posao nije postojao. Danas neke od tih firmi vrijede solidan novac.

A onda dolazi četvrti svjedok, i on je najčudniji od svih, jer pola vremena svjedoči protiv samog sebe. Zove se sintetski podaci. Ideja je zgodna na papiru: ako pravih, čistih, licenciranih podataka ima premalo — a uvijek ih ima premalo — zašto ne pustiti jedan model da generira gomilu novog teksta, slika, koda, i na tome trenirati sljedeći model? Nema kršenja autorskih prava kad izvor nije čovjek. Zvuči kao rješenje. Samo što je to, u praksi, zmija koja jede svoj vlastiti rep.

Pa tko onda gubi, a tko dobiva u ovoj priči? Kreator gubi dvostruko. Platforma dobiva, i to bez da je ikad stvorila ono što prodaje. Kustos čistih podataka dobiva novu industriju iz zraka, nastalu od panike. A sam AI sustav, ako pretjera s vlastitom hranom, na kraju možda gubi i on — polako, u tišini, jedna generacija modela za drugom, sve dok jednog dana ne primijetimo da su odgovori postali čudno prazni, kao soba iz koje je netko odnio sve knjige i ostavio samo sažetke sažetaka.

Sud se povlači na vijećanje, a dok se vrata zatvaraju, u predsoblju se već formira nešto poput sudske prakse — kaotične, nedovršene, ali stvarne. 2024. i 2025. donose prve presude i prve nagodbe, i naravno da ne idu u jednom smjeru, jer stvarnost rijetko poštuje uredne priče. Neke tužbe padaju — sudovi kažu da tužitelj nije dokazao konkretnu štetu, ili da je korištenje ipak dovoljno transformativno da prođe test fer korištenja. Neke uspijevaju, ili bolje rečeno, nikad ne dođu do presude jer tuženi odluči da je jeftinije platiti nego riskirati precedent koji bi mogao srušiti cijeli poslovni model. I onda, negdje između poraza i pobjede, niče treća opcija koja će vjerojatno na kraju pojesti obje: licenciranje. Izdavačke kuće, agencije fotografija, glazbeni labeli — počinju prodavati pristup svojim arhivama AI firmama, umjesto da se svađaju oko toga je li riječ o krađi ili o učenju. Novac uvijek pronađe put kroz pravnu maglu.

Ali dok se pojedinačne bitke rješavaju, jedno pitanje odlučuje o ishodu cijelog rata unaprijed, i to je pitanje koje zvuči kao sitna proceduralna razlika, a zapravo je razlika između dvije potpuno različite ekonomije. Opt-out ili opt-in? Ako je opt-out, pravilo glasi: smiješ trenirati na svemu, osim ako se vlasnik prava eksplicitno pobuni i traži da ga izbaciš. Teret je na kreatoru — mora znati da postojiš, mora znati da te koristi, mora popuniti formular, mora se nadati da ćeš poštovati zahtjev, otprilike kao kad moraš sam prijaviti da ti je netko ukrao bicikl, umjesto da policija sama primijeti da nešto nedostaje. Ako je opt-in, pravilo se okreće: smiješ trenirati samo na onome za što si dobio dopuštenje unaprijed. Teret je na tebi, AI firmi, i to je teret koji bi, ruku na srce, mogao zaustaviti pola industrije prije nego što uopće krene, jer tko će pitati milijardu autora foruma s 2009. godine za dopuštenje.

A onda dolazi geografija, koja u ovoj priči nije samo boja na karti nego stvarna razlika u pravilima igre. Europska unija, dosljedna svojoj reputaciji regulatorne strogosti (AI Act, obrađen ranije u ovoj knjizi), kreće prema modelu koji je bliži opt-in logici — transparentnost o podacima za trening, obveza objave sažetka korištenog materijala, prava kreatora ugrađena u zakon, ne u dobru volju. Sjedinjene Države, vjerne svojoj reputaciji »neka tržište odluči«, kližu bliže opt-outu, uz hrpu sudskih presedana koji se tek slažu kao kockice domina — jedna presuda ovdje utječe na deset tužbi tamo. Kina ima svoj potpuno zaseban sustav vrijednosti gdje se državni interes i brzina razvoja stavljaju iznad pojedinačnih prava kreatora, gotovo bez rasprave. Rezultat: fragmentacija. Model treniran u Kaliforniji možda je legalan u Kaliforniji i nezakonit u Frankfurtu. Firme sad plaćaju pravnike da im crtaju kartu svijeta bojama »sigurno«, »rizično« i »ne diraj«.

Dok se zakoni sporo mrve kroz parlamente, tehnologija, kao i uvijek, pokušava riješiti problem brže i praktičnije — ili barem stvoriti privid da ga rješava. Rađaju se standardi poput »data provenance«, digitalnog traga koji bi trebao pokazati odakle je neki podatak došao i je li imao dopuštenje za korištenje — teoretski lijepo, praktično teško provedivo na skalama od trilijuna tokena. Watermarking — nevidljivi vodeni žig ugrađen u generirani sadržaj koji kaže »ovo je proizveo AI« — ima plemenitu ideju i katastrofalnu izvedbu, jer svaki watermark koji je danas nevidljiv, sutra je izbrisan jednim screenshotom. I standardi tipa »ne treniraj na meni« — meta-tagovi na web stranicama koji govore botovima da preskoče stranicu, nasljednici starog robots.txt-a, samo ovaj put s pravnim, a ne samo tehničkim ambicijama. Problem je isti kao i sa svakim standardom koji ovisi o dobroj volji: poštuju ga oni koji bi te poštovali i bez standarda, a ignoriraju ga upravo oni od kojih se htio zaštititi.

Dakle, gdje smo? Nigdje, još, ali s puno više papira nego prije dvije godine. Presedani se slažu polako, poput geoloških naslaga — nijedna sama po sebi ne odlučuje ništa, ali za deset godina neće se moći iskopati ni jedna nova tužba bez da se udari u petnaest starih.

Dobro. Porota je čula optužbu, čula obranu, čula svjedoke. Sad je vrijeme za presudu. Samo — ovaj put je nema. Ne od mene. Jer ovo nije poglavlje gdje ti kažem tko je u pravu, pa odeš kući zadovoljan. Ovo je poglavlje gdje ti dam sve papire i kažem: idi kući, razmisli, i za pet, deset godina ćemo znati je li presuda bila poštena.

Fundamentalno pitanje glasi ovako: je li cijela AI industrija — ta trilijunska, ona koja ti sad piše mailove, crta ti slike i dovršava rečenice — izgrađena na fair useu, ili je najveće, najsustavnije kršenje autorskih prava u povijesti čovječanstva, samo umotano u lijep chat sučelje? I evo što je iritantno kod ovoga: obje strane imaju ozbiljne pravnike. Ne one jeftine iz reklame na kabelskoj televiziji. Prave, skupe, s doktoratima, koji na fakultetima prava predaju baš to isto pitanje. Kad se pravnici s Harvarda i Stanforda ne slažu oko toga je li nešto krađa, to ti nije znak da je pitanje glupo. To ti je znak da je pitanje toliko veliko da još nema odgovora — samo strane.

I da budemo pošteni prema samima sebi — nismo samo mi, korisnici, žrtve u ovoj priči. Uzmi developera čiji je vlastiti kod, objavljen davno na nekom repozitoriju s dobrom namjerom da pomogne svijetu, sad nahranio Copilot. Taj isti developer otvori Copilot ujutro i koristi ga da napiše sljedeći komad koda. Žali se na alat jednom rukom, plaća pretplatu drugom. Nitko od nas nije čist u ovoj sudnici. Svi smo malo i optuženi i tužitelj.

Sjeća li se tko poglavlja o open source softveru? Ona rečenica o besplatnom radu za korporacije, gdje entuzijasti pišu kod noću i vikendima, a Google i Amazon ga pokupe i zarade milijarde? Ovo je ista nit, samo deblja. Prije je bio besplatan rad. Sad je besplatno — sve. Tvoj blog, tvoja fotka mačke, tvoj kod, tvoj glas na podcastu koji si snimio 2019. Isti mehanizam, samo umjesto jednog repozitorija — cijeli internet kao sirovina.

Ali — i ovo je važno, jer inače zvučim kao da samo padam u cinizam — postoji i put koji nije ni „zabranite sve” ni „uzmite sve besplatno”. Streaming je riješio problem glazbene piraterije ne zabranom, nego boljom uslugom uz poštenu naknadu. Napster su ugasile tužbe, još 2001. — ali piratериju kao masovnu praksu nisu ugasile tužbe, nego Spotify, godinama kasnije, time što je bio dovoljno dobar da ljudi pristanu plaćati. Isti se model već pojavljuje i ovdje: ugovori o licenciranju između AI firmi i izdavača, glazbenih kuća, agencija za stock-fotografije. Sporo, škripavo, ali — postoji. Pravi izlaz nikad nije bio „ukini tehnologiju”. Bio je „natjeraj je da plati za ono što koristi”.

Jedno je sigurno: temelj na kojem se sad grade sljedeća desetljeća umjetne inteligencije postavlja se upravo sada, u ovim tužbama, u ovim nagodbama, u ovim šutljivim licencnim ugovorima koje nitko ne komentira na naslovnicama. Ako je temelj krivo postavljen — ispravljat ćemo ga generacijama, kao što još ispravljamo posljedice Napstera na cijelu glazbenu industriju. A ako je postavljen pošteno? Onda je ovo poglavlje, iz neke buduće enciklopedije, samo zanimljiva bilješka o rastu jedne industrije. Koje će biti — presudit ćeš, htio ili ne, svaki put kad odabereš koji alat otvoriš.