Nelson Chu, grundlægger og administrerende direktør for ARCOS Labs – Interviewserie

Nelson Chu, grundlægger og administrerende direktør for ARCOS Labs, er en erfaren iværksætter og teknologiekspert med en baggrund inden for finansiel infrastruktur, investering og digitale platforme. Før han grundlagde ARCOS Labs, tilbragte han otte år som grundlægger og administrerende direktør for Percent, hvor han byggede en teknologiplatform designet til at modernisere private kreditmarkeder, og han fungerer nu som bestyrelsesformand. Tidligere i sin karriere var Chu medstifter af MySupport, en online platform der forbinder ældre og personer med handicap med støttepersonale, som senere blev opkøbt af RISE Services, og han grundlagde det strategiske rådgivningsfirma Lumenary. Han har også været rådgiver og investor i virksomheder som BlockFi og Recharge Capital, mens han startede sin karriere i finanssektoren med stillinger hos BlackRock, Bank of America og Merrill Lynch.

ARCOS Labs, forkortelse for Applied Research in Creative Output Synthesis, udvikler infrastruktur designet til at hjælpe AI med at operere ansvarligt, efterhånden som generative modeller i stigende grad interagerer med ophavsretligt beskyttede værker, karakterer og menneskelige ligheder. Virksomheden fokuserer på retsmedicinsk IP‑intelligens og rettighedsstyring, med teknologi beregnet til at identificere og måle, hvordan kreative aktiver reproduceres af AI, spore deres brug og understøtte licens‑ og håndhævelsesrammer. Dens flagskibsplatform, VN, er designet til at give skabere, studier, talentbureauer og rettighedshavere større synlighed og kontrol over, hvordan AI‑systemer bruger deres intellektuelle ejendom, mens ARCOS også står bag Lightbar, et crowdsourcet initiativ til undersøgelse af AI‑træningsmodeller. Virksomheden gik offentligt frem fra stealth i august 2026 med et bredere mål om at opbygge den tillids‑ og rettighedsinfrastruktur, der er nødvendig for, at skabere og AI‑systemer kan sameksistere i stor skala.

Du tilbragte otte år med at bygge Percent omkring den infrastruktur, der var nødvendig for at bringe effektivitet og gennemsigtighed til et fragmenteret private kreditmarked. Hvilke erfaringer fra opbygningen af den type finansiel infrastruktur anvender du nu i ARCOS Labs, mens du tackler det meget forskellige problem med intellektuel ejendoms‑ og rettighedsstyring i den generative AI‑alder?

Mange af dem overføres direkte. Da vi startede Percent, var private kredit fragmenteret og uigennemsigtigt. Hver aftale blev beskrevet forskelligt, så intet kunne sammenlignes eller prissættes med sikkerhed. Den første lektie er, at standardisering skal komme før markedet. Vi brugte år på den uslæbte infrastruktur, der gjorde det muligt at beskrive og verificere en aftale på samme måde hver gang, og de effektive transaktioner kom først derefter. IP i den generative AI‑alder har det samme problem. Der findes ingen standardregistrering af, hvad en aktiv er, og hvem der ejer den, for ikke at nævne hvordan modellerne bruger den. Indtil sådan en registrering findes, forbliver alt nedstrøms ad hoc, hvad enten det er håndhævelse eller licensering.

Den anden lektie er, at tillid bygges på verifikation. Investorer i private kredit stolede aldrig på udstederens ord om, hvordan en aftale præsterede. De ønskede data, de selv kunne tjekke. Rettighedshavere er i dag i samme position over for AI‑virksomheder. Garantier om sikkerhedsforanstaltninger har meget lille vægt. Beviser, der kan reproduceres uafhængigt, er det, der ændrer samtalen.

Den tredje lektie handler om incitamenter. Ethvert fragmenteret “kyg‑og‑æg”‑marked fungerer kun, når begge sider er overbeviste om, at løsningen gavner dem. Med Percent så vi forsøg på at løse problemet kun for den ene side, og det holdt aldrig. I IP‑ og rettighedsstyring er incitamenterne i øjeblikket alvorligt skævvredne. Modelvirksomheder vil vokse, levere værdifulde værktøjer til deres kunder og nogle gange skabe krænkende indhold som en markedsføringstaktik – Sora og ByteDance er nylige eksempler. Rettighedshavere forsøger derimod at følge med i ændringer, de ikke engang kan forudse, samtidig med at de skal forblive relevante i en æra, hvor indholdsproduktion er blevet dramatisk lettere. Den infrastruktur, der vinder i et sådant marked, er den, som begge sider kan stole på, hvilket typisk betyder den, der ikke selv deltager i transaktionen.

Den større buge er også velkendt. Private kredit blev en mainstream aktivklasse, så snart infrastrukturen til at måle den fandtes, og jeg tror, at IP er i begyndelsen af den samme overgang.

Hvad overbeviste dig om, at beskyttelse af kreativt arbejde mod generativ AI krævede et nyt teknisk infrastrukturlag, snarere end primært bedre ophavsretslovgivning, indholdsmoderationspolitikker eller vandmærkning?

Fundamentalt er modellerne en teknologisk løsning, så hvis du vil beskytte kreativitet mod modellerne, kræves en teknisk løsning. Ophavsretslovgivningen forbliver vag – det ses i sager som Cox, Anthropic og også i det, der foregår i Tyskland med GEMA. Begrebet “fair use” er stadig et åbent spørgsmål og er endnu ikke afgjort, og domstolene vil, som de bør, tage lang tid om at træffe afgørelse. Indholdsmoderation bygger på, at modellerne modererer sig selv, hvilket stiller enorme krav til dem og er næsten umuligt ud fra vores observationer. Vandmærkning er en lovende idé, men den afhænger også af, at folk selv policerer, og kan let fjernes. Med alt dette i tankerne vidste vi, at den eneste reelle vej var at gøre det selv og levere et teknologisk svar på dette meget reelle og betydningsfulde problem.

VN er designet til at måle, hvor tæt AI‑genereret indhold ligner beskyttede karakterer, kreative værker og menneskelige ligheder. På et teknisk niveau, hvordan bestemmer systemet, hvornår et output er gået fra blot at være lignende til noget, der bør bekymre en rettighedshaver?

Vi overlader i sidste ende beslutningen til brugeren. Vores rolle er at fastslå, hvor statistisk lignende output er, sikre at vi fanger hver pose og mulighed, og derefter sammenligne det med den beskyttede karakter, det kreative værk eller den menneskelige lighed. Nogle brugere har en tærskel, under hvilken de ikke kan offentliggøre arbejdet. Større virksomheder er typisk strengere, fordi alt produceret indhold skal være deres eget. Prosumer‑brugere, som eksperimenterer for sjov, kan acceptere en højere tærskel og tillade flere variationer.

Når vi udfører retsmedicinsk test for et studie, et talentbureau eller en lignende kunde, leverer vi eksponeringsanalyse:

• Hvilke modeller genererer indholdet mest præcist
• Hvilke modeller kan producere det overhovedet
• Hvilke modeller kunne placere det i problematiske situationer

I sidste ende er vores opgave at udføre analysen og levere resultaterne, men hvordan kunden bruger dem, er fuldstændig op til dem.

Din test af Seedance 2.5 viste meget stærkere beskyttelsesforanstaltninger omkring genkendelige karakterer end omkring mindre fremtrædende intellektuel ejendom. Hvad fortæller den forskel os om, hvordan AI‑virksomheder i øjeblikket bygger deres ophavsretsbeskyttelse, og hvorfor er “long‑tail” IP særligt vanskelig at beskytte?

Hver AI‑virksomhed er forskellig, og hver har varierende grad af fokus på dette problem. Da Seedance 2.0 blev udgivet tidligere i år, indså ByteDance hurtigt problemet, de selv havde skabt på grund af den negative respons, og begyndte at forbedre deres sikkerhedsforanstaltninger. Nogle velkendte, populære modeller virker ligeglade, enten ved valg eller ved fejl, men at respektere intellektuel ejendom vil aldrig blive betragtet som en fejl – de er blot endnu ikke nået den konklusion.

Beskyttelse af “long‑tail” er vanskelig på grund af, hvordan teknologien fungerer:

Kontrol på prompt‑niveau: Undersøg input‑prompten for krænkende indhold, så modellen kan beslutte, om den skal fortsætte. Desværre findes der mange måder at omgå dette på, selv når prompten undersøges. De kan formulere den lidt anderledes, beskrive karakteren uden at navngive den, bruge stavefejl. Prompter kan let omgå detektorer, og modeller kan også hallucinerende producere output, der afviger fra brugerens prompt og kan indeholde en krænkende karakter.

Kontrol på output‑analyse: Scan hvert output mod en database med kendte karakterer. Genkendelige karakterer udløser højere følsomhed, mens “long‑tail” karakterer kan gå ubemærket hen, fordi de måske kun findes på DVD, og databasen har dem ikke – så omfattende kontrol er uundgåeligt udfordrende.

Hastighed spiller også ind. For billedgenereringsmodeller er det relativt hurtigt at tjekke et enkelt billede. Videogenerering kræver derimod scanning af mange frames, hvilket kan bremse output betydeligt og påvirke brugeroplevelsen.

At balancere disse bekymringer er delikat, men nogle modeller har gjort en indsats for at løse det. I sidste ende afhænger det af, om en model er villig og interesseret i at respektere intellektuel ejendom.

En model kan afvise en direkte anmodning om at generere en ophavsretligt beskyttet karakter, men stadig reproducere den karakter, når den får en tilstrækkeligt detaljeret beskrivelse. Hvordan bør AI‑sikkerhedstest udvikle sig ud over simple afvisningsrater på prompten for at identificere denne form for indirekte reproduktion?

Dette er et klart problem. Når en model kan reproducere en karakter ud fra en detaljeret eller endda meget simpel beskrivelse, indikerer det, at karakteren er dybt indlejret i træningsdataene. Det rejser et helt separat spørgsmål om, hvordan dataene blev indsamlet, og det er i øjeblikket under retlig behandling.

Sikkerhedstest skal gå ud over at undersøge prompts og udvikle sig til at analysere de faktiske output. Modellerne genererer billeder gennem diffusion, hvor de gradvist konstruerer en vision af resultatet. På grund af denne proces og den måde, de er trænet på, kan de utilsigtet reproducere ophavsretligt beskyttede karakterer, både i forgrunden og i baggrunden, og nogle gange uden prompt. Den eneste pålidelige måde at fange dette på er at teste modellen direkte og måle, hvad den faktisk producerer.

Detektion af ligheder rejser uundgåeligt spørgsmål om falske positiver. Hvordan skelner du mellem legitim kreativ påvirkning, tilfældig lighed og en reproduktion, der er statistisk signifikant nok til, at et studie eller en rettighedshaver bør undersøge?

Dette arbejde vil kræve løbende forfinelse. Den mest præcise visuelle lighed, som et menneske let kan genkende, bør danne udgangspunktet, og det er, hvad der kan gøres godt i dag. Når du kommer ind på syntetiske kreationer eller stilspørgsmål, bliver det meget sværere at bevise og meget sværere at håndhæve.

Tag Superman som eksempel. Hvis en model skaber en generisk Superman med Christopher Reeves øjne, Henry Cavills hage, en anden skuespillers kindben osv., skaber de en Superman, der er ekstremt vanskelig at spore tilbage til oprindelsen.

To ting holder falske positiver i skak. Den første er, at vi aldrig baserer os på et enkelt lighedstal isoleret. Resultaterne benchmarkes, så generisk lighed kan adskilles fra reel reproduktion, og hver test er reproducerbar: de samme input under de samme betingelser giver de samme tal. Den anden er, at analysen kortlægger de juridiske spørgsmål, en rettighedshaver faktisk skal besvare. For karakterer og kreative værker er spørgsmålet “substantiel lighed”. For mærker og ligheder er det “sandsynlighed for forveksling”, dvs. om en almindelig seer ville blive vildledt til at tro, at outputtet er det ægte. Vores opgave er at sætte et forsvarligt, gentageligt tal bag disse spørgsmål. Om noget når niveauet for en undersøgelse, er altid rettighedshaverens afgørelse.

Generative modeller ændrer sig hurtigt og kan opføre sig meget anderledes efter en opdatering. Hvordan kan rettighedshavere løbende evaluere hundredvis af modeller og potentielt tusinder af beskyttede aktiver uden, at overvågningsprocessen bliver uforholdsmæssigt dyr eller teknisk uhåndterlig?

Det er næsten umuligt, og det er grunden til, at IP‑ejere falder bagud og knap kan følge med de nyeste modeller fra USA og Asien.

Realistisk set har de brug for nogen i deres kreds, der kan holde tempoet og kæmpe på deres vegne. Det er derfor, vi startede. Vi så, at disse studier har brug for en teknologivirksomhed, der kan matche hastigheden af disse genererende modeller, og ingen anden trådte frem for at gøre det.

Den anden del af svaret er registrering. En model kan opføre sig meget anderledes efter en opdatering, så en score, der ikke er bundet til et tidspunkt, er værdiløs. Hvert resultat, vi producerer, registrerer hvilken model der blev testet, hvornår den blev testet, hvilket beskyttet aktiv den blev testet imod, og hvilke tal der blev opnået. Det gør overvågning fra et umuligt altid‑på‑problem til et håndterbart én: når en model opdateres, tester du igen og sammenligner med registreringen i stedet for at starte forfra.

Detektion løser kun en del af problemet. Når et system identificerer, at en AI‑model kan reproducere en beskyttet karakter eller lighed, hvad bør ske derefter, og hvilke tekniske mekanismer kunne på sigt give skabere mulighed for at angive, om deres IP kan blokeres, licenseres eller bruges under bestemte betingelser?

Der er både juridiske og tekniske dimensioner. Juridisk set beslutter IP‑ejeren, hvordan de vil gå videre. De kan bruge de beviser, vi leverer, som grundlag for en retssag eller som forhandlingskort over for modeludviklere. Valget ligger hos dem.

Teknisk set bør en rettighedshaver kunne give samtykke til, og tilmelde sig, specifikke modeller, der måtte generere deres produkt eller IP. De bør kunne kontrollere outputtet og forhindre et “free‑for‑all”. I stedet for at blive tvunget ind i restriktive sikkerhedsforanstaltninger, bør de kunne tjene penge på hver generering på foruddefinerede vilkår. Dette afspejler praksis i andre brancher, så det bør også gælde her.

Kan den samme infrastruktur, der bruges til at opdage uautoriseret AI‑brug, i sidste ende muliggøre et legitimt licensmarked, hvor AI‑systemer programmatiskt kan bestemme, hvem der ejer et aktiv, hvilke tilladelser der er tilgængelige, og hvordan kompensation skal flyde tilbage til rettighedshaveren?

Hvis infrastrukturen kan afgøre, om et AI‑genereret output ligner en IP, så bør den også kunne løse licenseringen. Den kan fortælle, hvad IP‑en i outputtet er, hvem rettighedshaveren er, om de skal krediteres, og i sidste ende lade kompensation flyde gennem den. Teknologien er grundlæggende den samme. Det er en troværdighedsmotor, der producerer verificerbare, reproducerbare statistiske beviser på den ene eller den anden måde. Hvis et output krydser tærsklen, hvor en seer rimeligt kan forveksle det med det ægte, har rettighedshaveren ret til kompensation.

Den ene betingelse er, at den, der driver dette lag, skal forblive neutral. Den må ikke selv generere indhold, og den må ikke tage parti i en individuel aftale. Dens opgave er at give begge sider den samme pålidelige registrering og lade dem handle direkte. Denne neutralitet er grunden til, at rettighedshavere ville være villige til at registrere deres kataloger hos den i første omgang.

Efterhånden som AI‑genereret video nærmer sig den kvalitet og konsistens, der kræves til professionel produktion, hvordan tror du forholdet mellem AI‑virksomheder og Hollywood til sidst vil se ud? Forventer du, at rettighedsstyring bliver et eksternt verifikationslag omkring modeller, eller noget der i sidste ende skal indlejres direkte i modellerne?

Det er en interessant verden, vi træder ind i, da AI‑virksomheder har gjort indholdsproduktion langt billigere end nogensinde før. Som følge heraf kan vi forvente en eksplosion af indhold – noget godt, noget dårligt, noget med smag, noget uden. Hollywood har traditionelt set sig selv som en smagsdommer, der skaber værker, folk elsker og forelsker sig i. AI tilbyder nu det mest kraftfulde værktøj nogensinde for historiefortællere.

På den anden del af spørgsmålet er det ærlige svar, at begge dele vil ske i rækkefølge. Håndhævelseskontroller vil sandsynligvis flytte ind i modellerne over tid, fordi det er der, de er billigst og hurtigst at køre. Men reference‑laget, dvs. registreringen af, hvad der findes, hvem der ejer det, og på hvilke vilkår det kan bruges, skal forblive uafhængigt, og det samme gælder verifikationen. En modelvirksomhed kan ikke være den, der graderer sine egne output, og rettighedshavere vil ikke overlade deres kataloger til en virksomhed, hvis forretningsmodel er at generere afledte værker af dem. Det svarer til finansmarkeder, hvor virksomheder håndterer compliance internt, men stadig svarer over for eksterne revisorer.

Rettighedsstyring vil ske, når Hollywood og AI‑virksomheder kommer sammen for at beslutte, hvordan de vil sameksistere. I sidste ende er deres mål det samme: at skabe nyt indhold, som folk elsker. Det skal blot gøres på den rigtige måde.

Tak for det fantastiske interview, læsere der ønsker at lære mere bør besøge ARCOS Labs.