Τα πράγματα που προτιμούν οι πράκτορες AI είναι πιο πιθανό να κλέψουν έργα με πνευματικά δικαιώματα παρά να χρησιμοποιήσουν εναλλακτικές λύσεις ανοιχτού κώδικα

Η έρευνα έχει δείξει ότι οι πράκτορες AI συχνά επιλέγουν εικόνες με πνευματικά δικαιώματα όταν τους παρέχονται δωρεάν νομικές εναλλακτικές λύσεις – και ακόμη και οι σαφείς προειδοποιήσεις δεν αποτρέπουν κάθε παραβίαση.

Πολυάριθμες ακαδημαϊκές προσοχές έχουν δοθεί τα τελευταία δύο χρόνια στο εάν τα μοντέλα γεννητικών AI παράγουν έργα με βάση υλικό που προστατεύεται από πνευματικά δικαιώματα – μια σκηνή όπου το υλικό που προστατεύεται από πνευματικά δικαιώματα περιλαμβανόταν στη βάση δεδομένων εκπαίδευσης του μοντέλου, καθιστώντας το μοντέλο ικανό να ‘παράγει στυλ καλλιτέχνη’ ή ακόμη και να αναπαράγει ένα έργο που προστατεύεται από πνευματικά δικαιώματα ολοκληρωτικά.

Λιγότερο συχνά μελετημένη είναι η διάθεση των πράκτορες AI να επιλέξουν και να εκμεταλλευτούν έργα που προστατεύονται από πνευματικά δικαιώματα καθώς διασχίζουν αυτόνομα τις διαθέσιμες πηγές. Δηλαδή, αν σας ζητηθεί να βρείτε μια ωραία εικόνα για την ιστοσελίδα σας, ποιες είναι οι πιθανότητες ότι θα προτιμήσει ένα έργο που προστατεύεται από πνευματικά δικαιώματα από μια εναλλακτική λύση ανοιχτού κώδικα με ευέλικτη άδεια;

Σε αυτό το παράδειγμα από τη νέα έρευνα, ένας πράκτορας AI απέτυχε σε ένα τεστ συμμόρφωσης με πνευματικά δικαιώματα, προτιμώντας να κλέψει μια γνωστή εικόνα που προστατεύεται από πνευματικά δικαιώματα για τον χρήστη, αντί να επωφεληθεί από μια εύκολα διαθέσιμη, εξίσου υψηλής ποιότητας εικόνα ανοιχτού κώδικα. Πηγή

Σύμφωνα με μια νέα έρευνα μεταξύ του Ηνωμένου Βασιλείου, των Ηνωμένων Πολιτειών και του Ισραήλ, οι πιθανότητες είναι αρκετά υψηλές:

Μέσες ποσοστιαίες παραβιάσεις πνευματικών δικαιωμάτων για κλειστά μοντέλα AI, μοντέλα ανοιχτού κώδικα και ανθρώπους σε τέσσερις προτροπές χρήστη. Συγκεντρωμένα από τρία σενάρια δοκιμών, ψηλότεροι πύργοι υποδεικνύουν χειρότερη απόδοση μέσω υψηλότερης επιλογής εικόνων που προστατεύονται από πνευματικά δικαιώματα, ενώ οι κοντύτεροι πύργοι αναπαριστούν καλύτερη συμμόρφωση στην επιλογή νομικών εικόνων. Source: data in source paper.

Οι ερευνητές βρήκαν ότι και τα κλειστά μοντέλα AI και τα μοντέλα ανοιχτού κώδικα συχνά προτιμούν εικόνες που προστατεύονται από πνευματικά δικαιώματα όταν υπάρχουν δωρεάν νομικές εναλλακτικές λύσεις. Χωρίς προειδοποίηση για πνευματικά δικαιώματα στη προτροπή, κάθε ομάδα συχνά επέλεξε την εικόνα που προστατεύεται από πνευματικά δικαιώματα, ‘κλοπή’ επιλογή.

Ενώ μια σαφής προειδοποίηση για πνευματικά δικαιώματα στην προτροπή βελτίωσε σημαντικά τη συμμόρφωση με τα πνευματικά δικαιώματα (ειδικά για τους ανθρώπους, δείτε τη δεύτερη στήλη από τη δεξιά στη πάνω εικόνα), η προσθήκη πίεσης χρόνου (βιαστική, στη γραφική παράσταση πάνω) έκανε το πρόβλημα χειρότερο. Τα μοντέλα ανοιχτού κώδικα, οι ερευνητές βρήκαν, εκτελέστηκαν χειρότερα μεταξύ των υποψηφίων, όταν τους ζητήθηκε να αγνοήσουν τις αδειες:

‘Βρίσκουμε ότι η απόδοση των πρακτόρων δεν συσχετίζεται στενά με τη συμμόρφωση με το νόμο περί πνευματικών δικαιωμάτων. Οι πράκτορες συχνά προτιμούν την απόδοση της εργασίας από τη νομική συμμόρφωση. Επιπλέον, το επίπεδο νομικής συμμόρφωσης των πρακτόρων φαίνεται να είναι πολύ ευάλωτο και διαμορφώνεται έντονα από τις οδηγίες του χρήστη.

‘Τα μοντέλα ανοιχτού κώδικα αυξάνουν δραματικά την επιλογή υλικού που προστατεύεται από πνευματικά δικαιώματα ως απάντηση στις οδηγίες του χρήστη να αγνοήσουν τις νομικές περιορισμούς. Τα ιδιόκτητα μοντέλα, εν τω μεταξύ, παρουσιάζουν υψηλότερες ποσοστιαίες συμμόρφωσης με το νόμο περί πνευματικών δικαιωμάτων υπό τις ουδέτερες οδηγίες και είναι λιγότερο ευάλωτα στις οδηγίες του χρήστη να αγνοήσουν τις νομικές περιορισμούς.’

Παρά τη σαφήνεια των ευρημάτων, τα οποία δοκιμάστηκαν 11 μοντέλα διαθέσιμα γύρω από τον Δεκέμβριο του 2025, συμπεριλαμβανομένων παραλλαγών του ChatGPT και του Google Gemini, δεν υπάρχει目前 keine σαφής λύση στο ζήτημα, εκτός από το ότι τα κλειστά μοντέλα θα μπορούσαν να αυξήσουν και να ενισχύσουν τις προστατευτικές τους μεθόδους σε αυτόν τον τομέα.

Το νέο έγγραφο έχει τον τίτλο Αξιολόγηση Πρακτόρων για τη Συμμόρφωση με το Νόμο περί Πνευματικών Δικαιωμάτων και προέρχεται από τρεις ερευνητές από το Πανεπιστήμιο του Κέιμπριτζ, το Πανεπιστήμιο Φόρνταμ και το Εβραϊκό Πανεπιστήμιο της Ιερουσαλήμ.

Μέθοδος

Επισκόπηση του πλαισίου αξιολόγησης Copyright-Bench, στο οποίο οι πράκτορες AI δοκιμάστηκαν σε τρεις εμπορικές εργασίες επιλογής εικόνων χρησιμοποιώντας οπτικά ισότιμες δημόσιες εικόνες και εικόνες που προστατεύονται από πνευματικά δικαιώματα που μπορούσαν να διακριθούν μόνο μέσω ενσωματωμένων μετεωρολογικών δεδομένων πνευματικών δικαιωμάτων. Τέσσερις παραλλαγές προτροπής δοκιμάστηκαν τις επιπτώσεις των υπενθυμίσεων πνευματικών δικαιωμάτων, της πίεσης χρόνου και των οδηγιών αγνόησης, ενώ οι παραβιάσεις πνευματικών δικαιωμάτων και η επιτυχία της εργασίας καταγράφηκαν. Οι μελέτες ανθρώπων πραγματοποιήθηκαν για σύγκριση.

Ελεύθερη Βούληση

Για να καθορίσουν εάν οι πράκτορες AI πραγματικά προτιμούν υλικό που προστατεύεται από πνευματικά δικαιώματα, οι ερευνητές πρώτα αφαίρεσαν την πιο προφανή εναλλακτική εξήγηση: ότι οι πράκτορες απλά δεν είχαν νομική επιλογή.

Επομένως, κάθε εργασία στο βENCHMARK κατασκευάστηκε έτσι ώστε να υπάρχει τουλάχιστον μια εύκολα χρησιμοποιήσιμη εικόνα που θα μπορούσε να ολοκληρώσει με επιτυχία την εργασία. Αυτό σήμαινε ότι η επιλογή μιας εικόνας που προστατεύεται από πνευματικά δικαιώματα ποτέ δεν ήταν απαραίτητη για την ολοκλήρωση της εργασίας.

Εάν ένας πράκτορας επέλεξε υλικό που προστατεύεται από πνευματικά δικαιώματα, ήταν επειδή απέτυχε να αναγνωρίσει την νομική εναλλακτική λύση ή αποφάσισε να μην τη χρησιμοποιήσει, και όχι επειδή το βENCHMARK τους ανάγκασε σε παραβίαση.

Δεδομένα

Οι ερευνητές καλλιέργησαν τη συλλογή βENCHMARK του Copyright-Bench από ένα σύνολο δεδομένων 200 υψηλής ανάλυσης εικόνων, που αποτελούνταν από 100 δημόσιες φωτογραφίες από την Υπηρεσία Εθνικών Πάρκων των ΗΠΑ και 100 εικόνες που προστατεύονται από πνευματικά δικαιώματα με άδεια από το DepositPhotos.

Οι εικόνες που προστατεύονται από πνευματικά δικαιώματα/FOSS ζευγαρώθηκαν (δηλαδή, για να βεβαιωθούμε ότι ήταν εξίσου ‘καλές’) χρησιμοποιώντας CLIP-ViT-L/14 σημασιολογικές ενσωματώσεις, και LAION-Aesthetics V2 ποιοτικά σκορ πριν από τη χειροκίνητη επαλήθευση ότι κάθε ζευγάρι ήταν οπτικά ισότιμο. Τα δεδομένα πνευματικών δικαιωμάτων ενσωματώθηκαν μόνο στα μεταδεδομένα των εικόνων (και όχι με ορατά νερόσημα, για παράδειγμα), αναγκάζοντας τους πράκτορες AI να ελέγξουν τις λεπτομέρειες αδειοδότησης αντί να βασίζονται μόνο στην οπτική εμφάνιση.

Οι συγγραφείς αναφέρουν:

‘Για να μειώσουμε την ποιότητα της εικόνας ως μια παραμετρική μεταβλητή, χρησιμοποιήσαμε μια ημι-αυτόματη διαδικασία επιλογής για να κατασκευάσουμε ζεύγη περιουσιακών στοιχείων που είναι σημασιολογικά και αισθητικά ισότιμα.

‘Ο στόχος μας ήταν να διασφαλίσουμε ότι τα περιουσιακά στοιχεία δεν προτιμούνται με βάση μόνο τα δεδομένα pixel.’

Τρεις πραγματικοί εμπορικοί ροές σχεδιάστηκαν για το Copyright-Bench, όλες οι οποίες αφορούσαν σενάρια όπου οι αποφάσεις πνευματικών δικαιωμάτων συχνά ανακύπτουν: στην πρώτη, Web, οι πράκτορες κατασκεύασαν μια εμπορική ιστοσελίδα επιλέγοντας μια ‘ηρωική εικόνα’ για μια σελίδα着陸; στη δεύτερη, Merch, ο πράκτορας επέλεξε έργο τέχνης για εκτυπωμένα είδη, όπως T-shirts και καπέλες; και στην τρίτη, Pitch Deck, συνέθεσε μια ‘παρουσίαση επενδυτών’ επιλέγοντας υποστηρικτικές εικόνες για eine εταιρική παρουσίαση.

Κάθε εργασία μετρούσε εάν οι πράκτορες θα επέλεγαν επαναχρησιμοποιήσιμες εικόνες, ακόμη και όταν οι εναλλακτικές λύσεις που προστατεύονται από πνευματικά δικαιώματα φαίνονταν εξίσου κατάλληλες.

Κάθε ζευγάρι εικόνων ελέγχθηκε χειροκίνητα για να αφαιρεθούν ψευδείς θετικοί, με εικόνες που προστατεύονται από πνευματικά δικαιώματα να ελέγχονται για να διασφαλιστεί ότι δεν υπήρχαν ορατά νερόσημα ή λογότυπα υπηρεσιών. Επιπλέον, κάθε ζευγάρι επαλήθευσε ότι ήταν στενά ταιριασμένο σε ανάλυση, φωτισμό και σύνθεση. Με αυτόν τον τρόπο, η κατάσταση πνευματικών δικαιωμάτων δεν μπορούσε να εξαχθεί μόνο από την οπτική ποιότητα.

Πραγματικά Meta

Επειδή οι δημόσιες εικόνες και οι εικόνες που προστατεύονται από πνευματικά δικαιώματα ήταν σκόπιμα ταιριασμένες για οπτική ομοιότητα και στερήθηκαν προφανών ενδείξεων όπως νερόσημα, η κατάσταση πνευματικών δικαιωμάτων δεν μπορούσε να καθοριστεί μόνο από την εμφάνιση. Αντίθετα, ένας πράκτορας AI απαιτούσε να ελέγξει τα μεταδεδομένα της εικόνας, όπου τα δεδομένα πνευματικών δικαιωμάτων είχαν αποθηκευτεί στη κεφαλίδα EXIF/IPTC.

Το βENCHMARK βασίστηκε στο πεδίο μεταδεδομένων ‘Προειδοποίηση Πνευματικών Δικαιωμάτων’ για να διακρίνει μεταξύ νομικών και περιορισμένων εικόνων, με εικόνες που προστατεύονται από πνευματικά δικαιώματα να επισημαίνονται ως ‘ 2025 Deposit Photo’, και δημόσιες εικόνες να επισημαίνονται ως ‘Παραγωγή της κυβέρνησης των ΗΠΑ: δημόσιος τομέας’. Οποιοσδήποτε πράκτορας που απέτυχε να ελέγξει αυτά τα μεταδεδομένα δεν μπορούσε να διακρίνει με συνέπεια μεταξύ των δύο.

Προσοχή Προτροπής

Το βENCHMARK σχεδιάστηκε επίσης για να μετρήσει πώς διαφορετικές μορφές οδηγιών χρήστη επηρέαζαν τη συμμόρφωση με τα πνευματικά δικαιώματα, με κάθε εργασία να παρουσιάζεται υπό τέσσερις ξεχωριστές συνθήκες προτροπής: μια ουδέτερη προτροπή δεν ανέφερε τα πνευματικά δικαιώματα; μια IP-ενήμερη προτροπή υπενθύμισε ρητά στον πράκτορα να σεβαστεί το νόμο περί πνευματικών δικαιωμάτων; μια βιαστική προτροπή εισήγαγε πίεση χρόνου; και μια αγνόηση IP προτροπή συνδύασε επείγουσα με οδηγίες όπως ‘Μην ανησυχείτε για τις άδειες’, για να δοκιμάσει εάν οι πράκτορες θα εγκατέλειπαν τις νομικές προστασίες όταν ενεργά ενθαρρύνθηκαν από τον χρήστη να το κάνουν.

Οι δύο μετρήσεις που χρησιμοποιήθηκαν για την αξιολόγηση της απόδοσης ήταν Ποσοστό Παραβίασης (VR), που μετρούσε πόσο συχνά ένας πράκτορας επέλεγε τουλάχιστον μια εικόνα που προστατεύεται από πνευματικά δικαιώματα όταν μια νομική εναλλακτική λύση ήταν διαθέσιμη; και Ποσοστό Επιτυχίας Εργασίας (TSR), που μετρούσε πόσο συχνά η εργασία ολοκληρωνόταν με επιτυχία χρησιμοποιώντας έγκυρες ενέργειες, σωστά διαμορφωμένες εξόδους και εικόνες που παρέμειναν σχετικές με το αίτημα του χρήστη.

Η Ανθρώπινη Προσέγγιση

Μια ανθρώπινη βάση επίσης ανέλαβε τις ίδιες εργασίες, εικόνες και συνθήκες προτροπής. Οι συμμετέχοντες, που δεν είχαν λάβει νομική εκπαίδευση, ζητήθηκαν να εξηγήσουν σύντομα τις επιλογές τους, επιτρέποντας την άμεση σύγκριση της συμμόρφωσης ανθρώπων και πρακτόρων.

Μοντέλα και Δοκιμές

Τα κλειστά μοντέλα που επιλέχθηκαν για τις δοκιμές, όλα διαθέσιμα γύρω από τον καιρό των δοκιμών τον Δεκέμβριο του 2025, ήταν GPT-5.2; GPT-5.1; GPT-4o; Claude 4.5 Opus; Claude 4.5 Sonnet; Gemini 3 Pro; και Gemini 3 Flash.

Τα μοντέλα ανοιχτού κώδικα που επιλέχθηκαν για τις δοκιμές ήταν Llama-4-Maverick-400B; Llama-4-Scout-109B; Qwen-3VL-235B; και DeepSeek-VL.

Για να διασφαλιστεί ότι κάθε μοντέλο θα δοκιμαζόταν υπό τις ίδιες συνθήκες, όλες οι πειραματικές δοκιμές πραγματοποιήθηκαν χρησιμοποιώντας το πλαισίο AutoGen της Microsoft. Κάθε μοντέλο ζευγαρώθηκε με έναν Πράκτορα Χρήστη που εκτελούσε εργασίες και έναν Πράκτορα Βοηθού που παρήγαγε αποφάσεις, ενώ παρέχονταν πρόσβαση σε έξι εργαλεία MCP που εμφανίζονται στον παρακάτω πίνακα:

Σύνοψη των εργαλείων Model Context Protocol (MCP) που παρέχονταν στους πράκτορες AI κατά τη διάρκεια της αξιολόγησης, συμπεριλαμβανομένων λειτουργιών για πλοήγηση αρχείων, επιθεώρηση εικόνων, ανάκτηση μεταδεδομένων και τελική υποβολή περιουσιακών στοιχείων.

Τέσσερις ρυθμίσεις περιβάλλοντος δοκιμάστηκαν για να καθορίσουν εάν η οργάνωση αρχείων και η διαθέσιμη πληροφορία επηρέαζαν τη συμμόρφωση με τα πνευματικά δικαιώματα: Std, με όλες τις εικόνες αποθηκευμένες σε ένα seul φάκελο; Hier, με εικόνες που分离 σε επισημασμένους καταλόγους; Vis, με μεταδεδομένα πνευματικών δικαιωμάτων που αφαιρέθηκαν ώστε οι αποφάσεις να βασίζονται μόνο στην οπτική περιεχόμενο; και Web, που πρόσθεσε ένα εργαλείο αναζήτησης ιστού στην τυποποιημένη ρύθμιση περιβάλλοντος.

Για συνέπεια, η θερμοκρασία συλλογισμού ορίστηκε σε 0,1, και κάθε συνδυασμός εργασίας, παραλλαγής προτροπής και περιβάλλοντος εκτελέστηκε 240 φορές. Τα μοντέλα ανοιχτού κώδικα εκτελέστηκαν με vLLM σε τέσσερις NVIDIA Blackwell B200 GPU, κάθε eine με 180GB της μνήμης HBM3e:

<img class=" wp-image-442123" src="https://web.archive.org/web/20260724170646/https:/www.micron.com/products/memory/hbm/hbm3e" alt="Αποτελέσματα από την κύρια αξιολόγηση Copyright-Bench, που δείχνουν τα μέσα ποσοστά παραβίασης πνευματικών δικαιωμάτων για ανθρώπους, ιδιόκτητα μοντέλα και μοντέλα ανοιχτού κώδικα σε τρεις οικογένειες εργασιών. PNeu υποδηλώνει μια ουδέτερη αίτηση; PIP, μια ρητή υπενθύμιση πνευματικών δικαιωμάτων; PUrg, μια προτροπή με πίεση χρόνου; και PDis, μια οδηγία αγνόησης για να αγνοήσει τις άδειες. Κάθε ποσοστό αντιπροσωπεύει το ποσοστό των 240 εκτελέσεων στις οποίες ένα μοντέλο επέλεξε τουλάχιστον μια περιορισμένη εικόνα παρά μια δημόσια εναλλακτική λύση, με χαμηλότερα σκορ που υποδηλώνουν καλύτερη συμμόρφωση. Τα αποτελέσματα προέρχονται από έναν πράκτορα που διασχίζει ένα τυποποιημένο περιβάλλον αρχείων.

Από αυτά τα αποτελέσματα, οι συγγραφείς αναφέρουν:

‘[Οι πράκτορες]幾乎 πάντα ολοκληρώνουν με επιτυχία την υποκείμενη εργασία (TSR >98% σε όλες τις εργασίες), απομονώνοντας το VR ως το κλειδί μέτρησης της νομικής συμμόρφωσης.’

Σε όλες τις τρεις οικογένειες εργασιών, τα μοντέλα παρήγαγαν παρόμοια αποτελέσματα: υπό ουδέτερες προτροπές, το Claude 4.5 Opus επέλεξε τουλάχιστον μια εικόνα που προστατεύεται από πνευματικά δικαιώματα στο 38,3% των εργασιών WebDev, ενώ τα μοντέλα ανοιχτού κώδικα ξεπέρασαν το 45%. Τα ποσοστά παραβίασης δεν άλλαξαν σημαντικά μεταξύ σχεδίασης ιστοσελίδων, δημιουργίας εμπορευμάτων και δημιουργίας πινακίδων παρουσιάσεων.

Το Claude 4.5 Opus κατέγραψε το χαμηλότερο συνολικό ποσοστό παραβίασης μεταξύ των ιδιόκτητων μοντέλων στο 27,6%, ακολουθούμενο από το Gemini 3 Pro και το Claude 4.5 Sonnet στο 28,7%.

Το GPT-4o κατέγραψε 36,2%, ενώ το Llama-4-Maverick πέτυχε το χαμηλότερο ποσοστό μεταξύ των μοντέλων ανοιχτού κώδικα, στο 41,0%.

Η λέξη προτροπής επηρέασε επίσης την απόδοση, με προτροπές που είναι ενήμερες για πνευματικά δικαιώματα να μειώνουν τα ποσοστά παραβίασης σε όλα τα μοντέλα, και τις προτροπές αγνόησης να αυξάνουν τα ποσοστά παραβίασης για τα μοντέλα ανοιχτού κώδικα:

‘Παρατηρούμε μια συμπεριφορική διάσπαση μεταξύ ιδιόκτητων και μοντέλων ανοιχτού κώδικα υπό την προτροπή Αγνόησης/Αμελής (PDis), όπου ο χρήστης οδηγεί ρητά τον πράκτορα να αγνοήσει τις άδειες.

‘Για κάθε ιδιόκτητο μοντέλο που μελετήσαμε, το ποσοστό παραβίασης στην πραγματικότητα μείωσε στην κατάσταση Αγνόησης IP σε σύγκριση με την Ουδέτερη [κατάσταση]. Τα μοντέλα ανοιχτού κώδικα παρουσιάζουν την αντίθετη τάση: το ποσοστό παραβίασης του Llama-4-Maverick αυξάνεται από 45,0% (PNeu) σε 52,1% (PDis).’

Για να κατανοήσουν γιατί επιλέχθηκαν εικόνες που προστατεύονται από πνευματικά δικαιώματα, 100 αποτυχίες που αφορούσαν το GPT-5.2, το Claude 4.5 Opus και το Qwen-3VL αναθεωρήθηκαν χειροκίνητα, και τρεις επαναλαμβανόμενες λειτουργίες αποτυχίας αναγνωρίστηκαν: αποτυχία να ελέγξουν τα μεταδεδομένα πνευματικών δικαιωμάτων; αποτυχίες συλλογισμού, συμπεριλαμβανομένων περιβαλλοντικής ιδιοκτησίας, όπου εικόνες που παρέχονταν σε ένα φάκελο έργου θεωρούνταν ήδη αδειοδοτημένες, και περιβαλλοντική κούρσα, όπου προηγουμένως αναγνωρισμένες εικόνες που προστατεύονται από πνευματικά δικαιώματα ξεχάστηκαν; και οι οδηγίες του χρήστη είχαν προτεραιότητα έναντι της συμμόρφωσης με τα πνευματικά δικαιώματα, ιδιαίτερα υπό προτροπές βιαστικές και αγνόησης:

Τέλος, μια σύγκριση πραγματοποιήθηκε μεταξύ των πρακτόρων AI και μιας ανθρώπινης βάσης με την ανάθεση συμμετεχόντων χωρίς νομική εκπαίδευση τις ίδιες εργασίες επιλογής εικόνων υπό τις ίδιες συνθήκες προτροπής. Υπό ουδέτερες προτροπές, οι εικόνες που προστατεύονται από πνευματικά δικαιώματα επιλέχθηκαν από ανθρώπους σε ποσοστά συγκρίσιμα με αυτά των μοντέλων AI.

Όταν παρέχονταν ρητές υπενθυμίσεις πνευματικών δικαιωμάτων, οι παραβιάσεις几乎 εξαφανίστηκαν σε όλες τις τρεις εργασίες. Βελτίωση παρατηρήθηκε επίσης μεταξύ των μοντέλων AI, αλλά οι περιορισμένες εικόνες συνέχισαν να επιλέγονται πολύ συχνότερα.

Υπό προτροπές αγνόησης που ενθάρρυναν την αγνόηση των αδειών, η συμμόρφωση ανθρώπων χειροτέρευσε δραματικά, αν και υψηλότερα ποσοστά παραβίασης καταγράφηκαν από τα μοντέλα ανοιχτού κώδικα – και γενικά, μια πολύ ισχυρότερη απόκριση σε ρητές οδηγίες πνευματικών δικαιωμάτων επίδειξε από τους ανθρώπους παρά από τα συστήματα AI.

Συμπέρασμα

Αν και το έγγραφο δεν αντιμετωπίζει την πιθανότητα, φαίνεται λογικό να πιστεύουμε ότι οι εταιρείες που λειτουργούν τοπικά μοντέλα AI και δεν προβλέπουν απρόσμενες ελέγχους από τις τοπικές αρχές, είναι πιθανό να εφαρμόσουν τις φθηνότερες λύσεις που τους παρέχουν τη μέγιστη συμμόρφωση με τις αιτήσεις τους.

Αυτή η σκηνή είναι πιο σύμφωνη με τα ‘παράνομα’ μοντέλα ανοιχτού κώδικα που μελετήθηκαν στη νέα έρευνα, και όχι με τα κλειστά μοντέλα όπως το ChatGPT και το Gemini; ιδιαίτερα,既然 κανένα μοντέλο που μελετήθηκε, με όλα τα μέσα που απαιτούνταν για να συμμορφωθεί, σημείωσε ποσοστό συμμόρφωσης 100%.

Εάν κανένα διαθέσιμο πλατφόρμα AI δεν μπορεί να αποτρέψει την νομική έκθεση, πολλές επιχειρήσεις μπορεί να συμπεράνουν ότι πρέπει να χρησιμοποιήσουν τα πιο αποτελεσματικά και συμμορφωμένα μοντέλα που μπορούν να εκτελέσουν, και να φροντίσουν για τη νομική συμμόρφωση από μόνοι τους.

Για σαφείς λόγους, φαίνεται απίθανο ότι οι πρωτοπόροι πλατφόρμες AI όπως η Anthropic και η OpenAI θα προσφέρουν ποτέ ‘νομικά συμμορφωμένα’ συστήματα πρακτόρων χωρίς caveat emptor. Επομένως, εάν η νομική συμμόρφωση είναι ένα προϊόν που τα μοντέλα του μετώπου δεν προσφέρουν και δεν θα προσφέρουν ποτέ, τα μέτρα προστασίας τους είναι σαφώς μόνο για την προστασία τους και όχι για το όφελος των χρηστών της πλατφόρμας.

Όλα αυτά είναι ένα επιχείρημα κατά της εμπορευματοποίησης της AI και υπέρ της εκτέλεσης τοπικών μοντέλων – ιδιαίτερα με την προοπτική της εκκίνησης μιας παρουσίας ενός ανοιχτού, πρωτοποριακού μοντέλου όπως το Kimi σε απομακρυσμένα GPU χωρίς απομόνωση, και ακόμη και τη λείανση σε συγκεκριμένες ανάγκες της εταιρείας.

Πρώτη δημοσίευση την Τρίτη, 28 Ιουλίου 2026