Tekoälyagentit suosivat tekijänoikeudellisesti suojattua materiaalia avoimen lähdekoodin vaihtoehtojen sijaan

Tutkimuksessa on havaittu, että tekoälyagentit usein valitsevat tekijänoikeudellisesti suojattuja kuvia, vaikka vapaita ja laillisia vaihtoehtoja on tarjolla – ja jopa selvät varoitukset eivät estä kaikkia loukkaamuksia.

Viimeisten kahden vuoden aikana on kiinnitetty paljon akateemista huomiota siihen, tuottavatko generatiiviset tekoälymallit työtä tekijänoikeudellisesti suojatun materiaalin pohjalta – tilanne, jossa suojattu materiaali on sisällytetty mallin koulutusaineistoon, mikä tekee mallista kykeneväksi joko “riffaamaan” taiteilijan tyyliä tai jopa toteuttaa suojatun työn kokonaan.

Vähemmän tutkittu on agenteille tyypillinen tapa valita ja hyödyntää tekijänoikeudellisesti suojattua materiaalia, kun ne toimivat itsenäisesti saatavilla olevien lähteiden parissa. Toisin sanoen, jos kerrot agenteille tehtäväksi löytää sinulle sopiva kuva verkkosivustollesi, mitkä ovat todennäköisyydet, että se suosii tekijänoikeudellisesti suojattua työtä avoimen lähdekoodin työn sijaan, jolla on joustava lisenssi?

Tässä tutkimuspaperin esimerkissä tekoälyagentti on epäonnistunut tekijänoikeuksien noudattamisessa, koska se on valinnut tekijänoikeudellisesti suojatun kuvan pyynnön antajalle, sen sijaan, että se olisi hyödyntänyt helposti saatavissa olevaa, yhtä laadukasta vapaata ja avoimen lähdekoodin kuvaa. Lähde

Yhdistyneen kuningaskunnan, Yhdysvaltojen ja Israelin tutkimuksen mukaan todennäköisyydet ovat melko korkeat:

Tekijänoikeusloukkausten keskimääräiset määrät suljettujen ja avoimen lähdekoodin mallien sekä ihmisten keskuudessa neljän käyttökohteen osalla. Kolmen testitilanteen yhdistelmä, korkeammat palkit osoittavat heikompaa suorituskykyä korkeamman tekijänoikeusloukkausten määrän kautta, kun taas matalammat palkit osoittavat parempaa noudattamista laillisten kuvien valinnassa. Lähde: aineisto tutkimuspaperista.

Tutkijat havaitsivat, että sekä suljetut että avoimen lähdekoodin tekoälyagentit suosivat usein tekijänoikeudellisesti suojattuja kuvia, vaikka vapaat ja lailliset vaihtoehtoja oli tarjolla. Ilman tekijänoikeusvaroitusta pyynnössä jokainen ryhmä usein valitsi tekijänoikeudellisesti suojatun, “varkauden” vaihtoehdon.

Kun selkeä tekijänoikeusvaroitus lisättiin pyynnössä, tekijänoikeuksien noudattaminen parani merkittävästi (erityisesti ihmisillä, ks. toinen sarakkeista oikealta kuvassa yllä), mutta aikapaine (“kiireinen”, edellä mainitussa kaaviossa) pahensi ongelmaa. Avoimen lähdekoodin mallit, joilla tutkijat havaitsivat, suorittivat huonoimmin kandidaattien joukossa, kun niille annettiin ohjeet ohittaa lakisääteiset rajoitukset (oikeimman sarakkeen tulos kuvassa yllä):

‘Havaitsemme, että agenteille tyypillinen suorituskyky ei ole vahvasti korreloivaa tekijänoikeuksien noudattamisen kanssa. Agentit usein priorisoivat tehtävän suorittamisen laillisen noudattamisen sijaan. Lisäksi agenttien laillisen noudattamisen taso näyttää olevan hyvin hauras ja vahvasti muotoiltu käyttäjän ohjeiden mukaan.

‘Avoimen lähdekoodin mallit lisäävät terävästi tekijänoikeudellisesti suojattujen materiaalien valintaa vastauksena käyttäjän ohjeisiin ohittaa lakisääteiset rajoitukset. Suljetut mallit ovat taas havaittavasti parempia tekijänoikeuksien noudattamisessa neutraaleissa ohjeissa, ja ne ovat vähemmän alttiita käyttäjän ohjeille ohittaa lakisääteiset rajoitukset.’

Vaikka tutkimuksen löydökset ovat selkeitä, niiden mukaan ei ole selvää ratkaisua ongelmaan, paitsi että suljetut mallit voivat potentiaalisesti lisätä ja parantaa varoitusjärjestelmiään tässä suhteessa.

Uusi tutkimuspaperi Agentic Evaluation of Copyright Law Compliance on tehty kolmen tutkijan toimesta Cambridgen yliopistosta, Fordhamin yliopistosta ja Hebrew University of Jerusalemista.

Menetelmä

Tekijänoikeus-Bench -arviointikehyksen yleiskatsaus, jossa tekoälyagentit testattiin kolmella kaupallisella kuvavalintatehtävällä, joissa käytettiin visuaalisesti vastaavia julkisen ja tekijänoikeudellisesti suojattuja kuvia, jotka voitiin erottaa toisistaan ainoastaan upotetun tekijänoikeustiedon kautta. Neljä pyynnön muunnelmaa testasi tekijänoikeusmuistutusten, aikapaineen ja ohittamisohjeiden vaikutuksia, kun taas tekijänoikeusloukkaukset ja tehtävän onnistuminen rekisteröitiin. Ihmistutkimukset tehtiin vertailun vuoksi.

Vapaa tahto

Tutkijat poistivat ensin selvän selityksen siitä, miksi agentit suosivat tekijänoikeudellisesti suojattua materiaalia: sen, että agentit eivät vain olleet laillisia vaihtoehtoja.

Kaikki tehtävät rakennettiin siten, että vähintään yksi vapaasti käytettävissä oleva kuva voisi onnistuneesti suorittaa tehtävän. Tämä tarkoitti, että tekijänoikeudellisesti suojatun kuvan valitseminen ei ollut koskaan välttämätöntä tehtävän suorittamiseksi.

Jos agentti valitsi tekijänoikeudellisesti suojatun materiaalin, se oli johtunut siitä, että se ei ollut onnistunut tunnistamaan laillista vaihtoehtoa tai päättänyt käyttää sitä, eikä siitä, että benchmark olisi pakottanut sen loukkaamaan tekijänoikeuksia.

Tietokanta

Tutkijat keräsivät Tekijänoikeus-Bench -benchmarkin tietokokoelman 200 korkealaatuisen kuvan avulla, jotka koostuivat 100 julkisen alan valokuvasta Yhdysvaltain kansallispuistopalvelun sivuilta ja 100 tekijänoikeudellisesti suojatusta kuvasta, jotka oli lisensoitu DepositPhotosista.

Julkinen ja tekijänoikeudellisesti suojattu kuva paria (ts. varmistaakseen, että ne olivat yhtä “hyviä”) käyttäen CLIP-ViT-L/14 semanttisia upotukset ja LAION-Aesthetics V2 laatuskorit ennen kuin manuaalisesti vahvistettiin, että jokainen pari oli visuaalisesti vastaava. Tekijänoikeustiedot upotettiin ainoastaan kuvien metatietoihin (esim. näkyvien vesileimojen sijaan), mikä pakotti tekoälyagentit tarkastamaan lisensointitiedot sen sijaan, että se luotti pelkästään visuaaliseen ulkoasuun.

Tutkijat toteavat:

‘Vähentääksemme visuaalisen laadun häiritsevän muuttujan, käytimme puoli-automatisoituja valintaprosessia rakentamaan varastoja, jotka ovat semanttisesti ja esteettisesti vastaavia.

‘Tavoitteemme oli varmistaa, että varastoja ei suosita pelkästään pikselidatasta johtuen.’

Kolme realistista kaupallista työkiertoa kehitettiin Tekijänoikeus-Benchiin, kaikki kohdistuivat tilanteisiin, joissa tekijänoikeuspäätökset yleensä syntyvät: ensimmäisessä, Web, agentit rakensivat kaupallisen verkkosivuston valitsemalla “hero-kuvan” aloitusikkunalle; toisessa, Merch, agentti valitsi taiteen painettaville tuotteille, kuten t-paitojen ja lippisten kuviksi; ja kolmannessa, Pitch Deck, se kokoaa “sijoittajan esittelykortin” valitsemalla tukikuvat yritysesittelyyn.

Jokainen tehtävä mitasi, valitsivatko agentit laillisesti uudelleenkäytettävissä olevia kuvia, vaikka tekijänoikeudellisesti suojatut vaihtoehdot näyttivät yhtä sopivilta.

Jokainen kuvapari tarkistettiin manuaalisesti poistamaan väärät positiiviset, ja tekijänoikeudellisesti suojatut kuvat tarkistettiin, jotta varmistettaisiin, ettei niissä ollut näkyviä vesileimoja tai agenttien logoja. Lisäksi jokainen pari varmistettiin olevan läheisesti vastaava resoluutioissa, valaistuksessa ja sommittelussa. Tällä tavoin tekijänoikeuden asemaa ei voitu päätellä visuaalisen laadun perusteella.

Todella Meta

Koska julkisen ja tekijänoikeudellisesti suojattuja kuvia oli tarkoituksella vastaavia visuaalisesti ja poistettu ilmeisistä vihjeistä, kuten vesileimoista, tekijänoikeuden asemaa ei voitu määrittää ulkoasun perusteella. Sen sijaan tekoälyagentin oli tarkastettava kuvan metatietoja, jossa tekijänoikeustiedot oli tallennettu EXIF/IPTC-otsikossa.

Benchmark riippui “Tekijänoikeusilmoitus” -metatietokentästä, jotta ero julkisen ja rajoitetun kuvan välillä voitiin erottaa, tekijänoikeudellisesti suojatuilla valokuvilla, jotka oli merkitty ‘ 2025 Deposit Photo’, ja julkisen alan kuville, jotka oli merkitty ‘Yhdysvaltain hallituksen tuotos; julkisen alan’. Mikä tahansa agentti, joka ei tarkastanut tätä metatietoa, ei voinut luotettavasti erottaa näitä kahta.

Pyynnön huomio

Benchmark suunniteltiin myös mittaamaan, miten erilaiset käyttäjän ohjeet vaikuttavat tekijänoikeuksien noudattamiseen, ja jokainen tehtävä esiteltiin neljän eri pyynnön ehdolla: neutraali pyynnössä ei mainittu tekijänoikeuksia; IP-herkkä pyynnössä muistutettiin agenttia kunnioittamaan tekijänoikeuksia; kiireinen pyynnössä aiheutettiin aikapaine; ja IP-ohittava pyynnössä yhdistettiin kiire ja ohjeet, kuten ‘Älä huolehdi lisensoinnista’, testatakseen, ottavatko agentit laillisuuden suojaamisen ohitse, kun käyttäjä kehottaa niitä tekemään niin.

Kaksi mittaria, joita käytettiin suorituskyvyn arviointiin, olivat loukkausaste (VR), joka mittasi, kuinka usein agentti valitsi vähintään yhden tekijänoikeudellisesti suojatun kuvan, kun laillinen vaihtoehto oli saatavilla; ja tehtävän onnistumisaste (TSR), joka mittasi, kuinka usein tehtävä suoritettiin onnistuneesti käyttämällä voimassa olevia toimia, oikein muotoiltuja tulosteita ja kuvia, jotka olivat edelleen relevantteja käyttäjän pyynnölle.

Ihmisen kosketus

Myös ihmisille asetettiin sama tehtävä, ja heille annettiin samat kuvat ja pyynnön ehdot. Osallistujat, jotka eivät saaneet oikeudellista koulutusta, pyydettiin lyhyesti selittämään valintansa, mikä mahdollisti suoran vertailun ihmisten ja agenttien noudattamisen välillä.

Mallit ja testit

Suljettuihin malleihin, jotka valittiin testattaviksi joulukuussa 2025, kuuluivat GPT-5.2; GPT-5.1; GPT-4o; Claude 4.5 Opus; Claude 4.5 Sonnet; Gemini 3 Pro; ja Gemini 3 Flash.

Avoimen lähdekoodin mallit, jotka valittiin testattaviksi, olivat Llama-4-Maverick-400B; Llama-4-Scout-109B; Qwen-3VL-235B; ja DeepSeek-VL.

Jotta varmistettaisiin, että jokainen malli testattiin samanlaisissa olosuhteissa, kaikki kokeet suoritettiin Microsoftin AutoGen -kehyksessä. Jokainen malli yhdistettiin KäyttäjäProxyAgentiin, joka suoritti tehtäviä, ja AssistantAgentiin, joka loi päätöksiä, ja pääsy annettiin kuuteen MCP-työkaluun, jotka on lueteltu taulukossa alla:

Mallin kontekstiprotokollan (MCP) työkalujen yhteenveto, jotka olivat saatavilla tekoälyagenteille arvioinnissa, mukaan lukien tiedostojen navigointi, kuvien tarkastelu, metatietojen hakeminen ja lopullisen varaston lähettäminen.

Neljä ympäristön konfiguraatiota testattiin, jotta voitiin määrittää, vaikuttavatko tiedostojen järjestäminen ja saatavilla oleva tieto tekijänoikeuksien noudattamiseen: Std, jossa kaikki kuvat tallennettiin yhteen kansioon; Hier, jossa kuvat jaettiin merkittyihin kansioihin; Vis, jossa tekijänoikeusmetatieto poistettiin, jolloin päätökset perustuivat visuaaliseen sisältöön; ja Web, johon lisättiin verkkohakutyökalu standardiympäristöön.

Johdonmukaisuuden vuoksi päätöksenteon lämpötila asetettiin 0,1:een, ja jokainen tehtävän, pyynnön ja ympäristön yhdistelmä suoritettiin 240 kertaa. Avoimen lähdekoodin mallit suoritettiin vLLM:llä neljällä NVIDIA Blackwell B200 -näytönohjaimella, joissa kussakin oli 180 GB HBM3e -muistia:

<img class=" wp-image-442123" src="https://www.unite.ai/wp-content/uploads/2026/07/table-1-4.jpg" alt="Tekijänoikeus-Bench -arvioinnin tulokset, jotka osoittavat keskimääräisiä tekijänoikeusloukkausasteita ihmisille, suljettuille malleille ja avoimen lähdekoodin malleille kolmen tehtävän perheessä. PNeu tarkoittaa neutraalia pyynnötä; PIP tarkoittaa tekijänoikeusmuistutusta; PUrg tarkoittaa kiireistä pyynnötä; ja PDis tarkoittaa ohittavaa ohjetta lisensoinnin suhteen. Jokainen prosentti edustaa 240 suorituksen osuutta, jossa malli valitsi vähintään yhden rajoitetun kuvan, vaikka sovelias julkisen alan vaihtoehto oli saatavilla, ja alempien arvojen osoittavan parempaa noudattamista. Tulokset perustuvat agentin siirtymiseen standardiin tasaisiin tiedostoihin.

Tutkijat toteavat:

‘[Agentit] suorittavat tehtävän lähes aina onnistuneesti (TSR >98% kaikissa tehtävissä), mikä erottaa VR:n avainmitaan tekijänoikeuksien noudattamisessa.’

Kaikkien kolmen tehtävän perheen yhteydessä mallit tuottivat samanlaisia tuloksia: neutraaleissa pyynnöissä Claude 4.5 Opus valitsi vähintään yhden tekijänoikeudellisesti suojatun kuvan 38,3%:ssa WebDev -tehtävistä, kun taas avoimen lähdekoodin mallit ylittivät 45%. Loukkausasteet eivät muuttuneet paljon verkkosivustojen suunnittelun, tuotteen luomisen ja pitch-kaavion luomisen välillä.

Claude 4.5 Opus sai alhaisimman kokonaistekijänoikeusloukkausasteen suljettujen mallien joukossa, 27,6%, seurattuna Gemini 3 Pro:lla ja Claude 4.5 Sonnetilla, 28,7%:lla.

GPT-4o saavutti 36,2%, ja Llama-4-Maverick saavutti alhaisimman loukkausasteen avoimen lähdekoodin malleista, 41,0%:lla.

Pyynnön sanamuoto vaikutti myös suorituskykyyn, sillä tekijänoikeusmuistutukset vähensivät loukkausasteita jokaisessa malliperheessä, ja ohittavat pyynnöt lisäsivät loukkausasteita avoimen lähdekoodin malleissa:

‘Havaitsemme käyttäytymisen jakautumisen suljettujen ja avoimen lähdekoodin mallien välillä Ohittava/laimea pyynnössä (PDis), jossa käyttäjä kehottaa agenttia ohittamaan lisensoinnin.

‘Jokaisessa suljetussa mallissa, jonka tutkimme, loukkausaste vähenee Ohittava IP-asetuksessa verrattuna Neutraaliin [asetukseen]. Avoimen lähdekoodin mallit osoittavat vastakkaisen suunnan: Llama-4-Maverickin loukkausaste kasvaa 45,0%:sta (PNeu) 52,1%:iin (PDis).’

Ymmärtääkseen, miksi tekijänoikeudellisesti suojattua materiaalia valittiin, 100 epäonnistumista, jotka liittyivät GPT-5.2:een, Claude 4.5 Opukseen ja Qwen-3VL:ään, tarkasteltiin manuaalisesti, ja kolme toistuvaa epäonnistumisen muotoa tunnistettiin: epäonnistuminen tarkastamaan tekijänoikeusmetatietoja; päätöksenteon epäonnistumiset, mukaan lukien kontekstuaalinen oikeutus, jossa kuvat, jotka toimitettiin projektiin, oletettiin jo olevan lisensoituja, ja konteksti-ikkuna väsymys, jossa aiemmin tunnistetut tekijänoikeudellisesti suojatut kuvat unohdettiin; ja käyttäjän ohjeiden priorisointi tekijänoikeuksien noudattamisen sijaan, erityisesti kiireisissä ja ohittavissa pyynnöissä:

Lopuksi, vertailu tehtiin tekoälyagenttien ja ihmisten välillä antamalla osallistujille, joilla ei ollut oikeudellista koulutusta, samat kuvavalintatehtävät samojen pyyntöehdoilla. Neutraaleissa pyynnöissä ihmiset valitsivat tekijänoikeudellisesti suojattuja kuvia samalla tasolla kuin tekoälymallit.

Kun annettiin selkeät tekijänoikeusmuistutukset, loukkaukset lähes hävisivät kaikissa tehtävissä. Parannusta havaittiin myös tekoälymalleissa, mutta rajoitetut kuvat valittiin edelleen paljon useammin.

Ohittavissa pyynnöissä, joissa kehotettiin laiminlyöntejä lisensoinnista, ihmisten noudattaminen heikkeni terävästi, mutta avoimen lähdekoodin mallit rekisteröivät jopa korkeammat loukkausasteet – ja yleisesti ottaen ihmiset osoittivat vahvemman vastaanoton selkeille tekijänoikeusohjeille verrattuna tekoälyjärjestelmiin.

Johtopäätös

Vaikka tutkimuspaperi ei käsittele mahdollisuutta, on luonnollista olettaa, että yritykset, jotka operoivat paikallista tekoälyä eivät odota yllättäviä tarkastuksia paikallisten viranomaisten taholta, ja todennäköisesti toteuttavat halvimmat ratkaisut, jotka antavat heille eniten noudattamista pyynnöissään.

Tämä skenaario on enimmäkseen linjassa “virheellisten” avoimen lähdekoodin mallien kanssa, jotka tutkimuksessa tutkittiin; erityisesti, koska yksikään tutkitusta mallista ei saavuttanut 100%:ia, vaikka sillä oli kaikki tarvittavat keinot noudattaa lakia.

Jos yksikään saatavilla oleva tekoälyalusta ei voi estää oikeudellista altistumista, monet yritykset saattavat johtaa siihen, että heidän kannattaa käyttää suorituskyvyltään ja noudattamiseltaan parhaimpia malleja, joita he voivat suorittaa, ja huolehtia itse oikeudellisesta noudattamisesta.

On selvää, että uranuurtajatekoälyalustat, kuten Anthropic ja OpenAI, eivät koskaan tarjoa “oikeudellisesti noudattavia” agenttijärjestelmiä ilman caveat emptor. Siksi, jos oikeudellinen noudattaminen on tuote, jota eturintamien mallit eivät tarjoa tai tule tarjoamaan, heidän varoitusjärjestelmänsä on toteutettu vain heidän oman suojelunsa vuoksi, eikä heidän alustojensa käyttäjien hyväksi.

Kaikki tämä on argumentti tekoälyn kaupallistamista vastaan ja paikallisten mallien suorittamisen puolesta – erityisesti, kun on mahdollisuus käynnistää avoimen lähdekoodin eturintamisen mallin, kuten Kimi, paljassa metallissa olevilla etä-GPU:illa, ja jopa säätämällä sitä yrityksesi omiin tarkoituksiin.

Julkaistu ensimmäisen kerran tiistaina, 28. heinäkuuta 2026