Nelson Chu, Fondatore e CEO di ARCOS Labs – Serie di Interviste

Nelson Chu, Fondatore e CEO di ARCOS Labs, è un imprenditore seriale e dirigente tecnologico con un background che spazia dall’infrastruttura finanziaria, agli investimenti, alle piattaforme digitali. Prima di fondare ARCOS Labs, ha trascorso otto anni come Fondatore e CEO di Percent, dove ha costruito una piattaforma tecnologica progettata per modernizzare i mercati del credito privato, e ora ricopre la carica di Presidente del Consiglio di Amministrazione. All’inizio della sua carriera, Chu ha co-fondato MySupport, una piattaforma online che collega anziani e persone con disabilità a operatori di supporto, successivamente acquisita da RISE Services, e ha fondato la società di consulenza strategica Lumenary. È stato anche consigliere e investitore in aziende tra cui BlockFi e Recharge Capital, iniziando la sua carriera nei servizi finanziari con ruoli presso BlackRock, Bank of America e Merrill Lynch.

ARCOS Labs, abbreviazione di Applied Research in Creative Output Synthesis, sviluppa infrastrutture progettate per aiutare l’IA a operare in modo responsabile man mano che i modelli generativi interagiscono sempre più con opere protette da copyright, personaggi e somiglianze umane. L’azienda si concentra sull’intelligence forense della proprietà intellettuale e sulla gestione dei diritti, con una tecnologia destinata a identificare e misurare come gli asset creativi vengano riprodotti dall’IA, tracciare il loro utilizzo e supportare i quadri di licenza e di applicazione. La sua piattaforma di punta, VN, è concepita per fornire a creatori, studi, agenzie di talenti e titolari di diritti una maggiore visibilità e controllo su come i sistemi IA utilizzano la loro proprietà intellettuale, mentre ARCOS è anche alla base di Lightbar, un’iniziativa di crowdsourcing per investigare i modelli di addestramento dell’IA. L’azienda è emersa pubblicamente dallo stealth nell’agosto 2026 con un obiettivo più ampio.

Hai trascorso otto anni a costruire Percent attorno all’infrastruttura necessaria per portare efficienza e trasparenza a un mercato del credito privato frammentato. Quali lezioni apprese dalla costruzione di quel tipo di infrastruttura finanziaria le stai ora applicando ad ARCOS Labs mentre affronti il problema molto diverso della proprietà intellettuale e della gestione dei diritti nell’era dell’IA generativa?

Molto di questo è trasferibile. Quando abbiamo avviato Percent, il credito privato era frammentato e opaco. Ogni operazione veniva descritta in modo diverso, quindi nulla poteva essere confrontato o valutato con sicurezza. La prima lezione è che la standardizzazione deve precedere il mercato. Abbiamo trascorso anni a costruire l’infrastruttura poco glamour che consentiva di descrivere e verificare un’operazione sempre nello stesso modo, e le transazioni efficienti sono arrivate solo dopo. La proprietà intellettuale nell’era dell’IA generativa ha lo stesso problema. Non esiste un registro standard di cosa sia un asset e chi ne sia il proprietario, tanto meno di come questi modelli lo stiano usando. Finché quel registro non esiste, tutto a valle rimane ad hoc, sia che si tratti di applicazione o di licenza.

La seconda lezione è che la fiducia si basa sulla verifica. Gli investitori nel credito privato non hanno mai accettato la parola dell’emittente su come un’operazione stesse performando. Volevano dati che potessero controllare autonomamente. I titolari di diritti si trovano nella stessa situazione con le aziende IA oggi. Le garanzie sui parametri di sicurezza hanno poco peso. Le prove che possono essere riprodotte in modo indipendente sono ciò che cambia la discussione.

La terza lezione riguarda gli incentivi. Qualsiasi mercato frammentato, a ciclo di uovo e gallina, funziona solo quando entrambe le parti sono convinte che la soluzione sia vantaggiosa per loro. Con Percent, abbiamo osservato tentativi di risolvere il problema per una parte o per l’altra, e non hanno mai funzionato. Nella gestione della proprietà intellettuale e dei diritti, gli incentivi sono attualmente gravemente disallineati. Le aziende che sviluppano modelli vogliono crescere, fornire strumenti utili ai loro clienti e talvolta creare contenuti violatori come tattica di marketing, con Sora e ByteDance come esempi recenti. I titolari di diritti, nel frattempo, cercano di stare al passo con cambiamenti che non possono nemmeno prevedere, mantenendo la rilevanza in un’epoca in cui produrre contenuti è diventato notevolmente più semplice. L’infrastruttura che vince in un mercato del genere è quella di cui entrambe le parti possono fidarsi, il che di solito significa quella che non è partecipante alla transazione stessa.

Anche l’arco più ampio è familiare. Il credito privato è diventato una classe di attività mainstream una volta che è esistita l’infrastruttura per misurarlo, e credo che la proprietà intellettuale sia all’inizio della stessa transizione.

Cosa ti ha convinto che proteggere le opere creative dall’IA generativa richiedesse un nuovo livello di infrastruttura tecnica, piuttosto che principalmente una legge sul copyright più efficace, politiche di moderazione dei contenuti o filigrane?

Fondamentalmente, i modelli sono una soluzione tecnologica e quindi, se vuoi proteggere la creatività dai modelli, è necessaria una soluzione tecnica. Il diritto d’autore rimane vago, come dimostrano casi come Cox, Anthropic e anche quanto sta accadendo in Germania con la GEMA. Il concetto di uso leale è ancora una questione aperta e non è stato ancora deciso; i tribunali, come dovrebbe, impiegheranno molto tempo per pronunciarsi. La moderazione dei contenuti si basa sui modelli stessi per moderarsi, il che è un carico e quasi impossibile dato ciò che abbiamo osservato. Le filigrane sono un’idea promettente, ma dipendono anche dall’auto‑polizia degli utenti e possono essere rimosse facilmente. Tenendo conto di tutto ciò, sapevamo che l’unico modo reale per affrontare il problema era farlo noi stessi e fornire una risposta tecnologica a questo problema molto reale e significativo.

VN è progettato per misurare quanto il contenuto generato dall’IA assomigli a personaggi protetti, opere creative e somiglianze umane. A livello tecnico, come determina il sistema quando un output è passato dal semplice aspetto simile a qualcosa che dovrebbe preoccupare un titolare di diritti?

Alla fine lasciamo la decisione all’utente. Il nostro ruolo è determinare quanto statisticamente simile sia l’output, assicurandoci di catturare ogni posa e possibilità, per poi confrontarlo con il personaggio protetto, l’opera creativa o la somiglianza umana. Alcuni utenti hanno una soglia al di sotto della quale non possono pubblicare il lavoro. Le grandi aziende tendono a essere più rigide perché tutto il contenuto prodotto deve essere loro. Gli utenti prosumer, che sperimentano per divertimento, possono accettare una soglia più alta e consentire più variazioni.

Durante i test forensi per uno studio, un’agenzia di talenti o un cliente simile, forniamo un’analisi di esposizione:

• Quali modelli generano il contenuto con maggiore accuratezza
• Quali modelli possono produrlo affatto
• Quali modelli potrebbero collocarlo in situazioni problematiche

In definitiva, il nostro compito è eseguire l’analisi e fornire i risultati, ma il modo in cui il cliente li utilizza è interamente sua decisione.

Il tuo test su Seedance 2.5 ha rilevato salvaguardie molto più robuste intorno ai personaggi riconoscibili rispetto alla proprietà intellettuale meno prominente. Cosa ci dice questa disparità su come le aziende IA stanno attualmente costruendo le loro salvaguardie sul copyright, e perché la proprietà intellettuale di coda lunga è particolarmente difficile da proteggere?

Ogni azienda IA è diversa e ciascuna si preoccupa di questa questione in misura variabile. Quando Seedance 2.0 è stato rilasciato all’inizio di quest’anno, ByteDance ha rapidamente riconosciuto il problema che aveva creato per sé stessa a causa del backlash e ha iniziato a migliorare le sue salvaguardie. Alcuni modelli noti e popolari sembrano indifferenti, sia per scelta che per negligenza, ma rispettare la proprietà intellettuale non sarà mai considerato un errore; semplicemente non hanno ancora raggiunto quella conclusione.

Proteggere la coda lunga è difficile a causa del funzionamento della tecnologia:

Controlli a livello di prompt: Esaminare il prompt di input per contenuti che violano il diritto d’autore, consentendo al modello di decidere se procedere. Sfortunatamente, anche esaminando il prompt, rimangono molti modi per aggirarlo. Possono riformularlo leggermente, descrivere il personaggio senza nominarlo, usare errori di battitura. I prompt possono facilmente bypassare i rilevatori, e i modelli possono anche produrre output che differiscono dal prompt dell’utente e includere un personaggio violatore.

Controlli di analisi dell’output: Scansionare ogni output rispetto a un database di personaggi noti. I personaggi riconoscibili attivano una sensibilità più alta, mentre i personaggi di coda lunga possono passare inosservati perché erano direttamente su DVD e il database non li contiene, rendendo inevitabilmente difficile una sorveglianza completa.

La velocità è importante anche. Per i modelli di generazione di immagini, controllare un’unica immagine è relativamente veloce. La generazione di video, invece, richiede la scansione di molti fotogrammi, il che può rallentare notevolmente l’output e influire sull’esperienza dell’utente.

Bilanciare queste preoccupazioni è delicato, ma alcuni modelli hanno investito sforzi per cercare di risolverlo. In definitiva, dipende dal fatto che un modello sia disposto e interessato a rispettare la proprietà intellettuale.

Un modello può rifiutare una richiesta diretta di generare un personaggio protetto da copyright ma comunque riprodurlo quando gli viene fornita una descrizione sufficientemente dettagliata. Come dovrebbe evolvere il testing di sicurezza dell’IA oltre i semplici tassi di rifiuto del prompt per identificare questo tipo di riproduzione indiretta?

Questo è un problema evidente. Quando un modello riesce a riprodurre un personaggio da una descrizione dettagliata o anche molto semplice, indica che il personaggio è profondamente incorporato nei dati di addestramento. Ciò solleva una questione totalmente separata su come i dati siano stati raccolti, e al momento la questione è in corso nei tribunali.

Il testing di sicurezza deve andare oltre l’esame dei prompt e evolversi nell’analisi degli output effettivi. I modelli generano immagini tramite diffusione, costruendo gradualmente una visione del risultato. A causa di questo processo e del modo in cui sono stati addestrati, possono riprodurre involontariamente personaggi protetti da copyright, in primo piano o anche sullo sfondo, a volte senza alcun prompt. L’unico modo affidabile per rilevarlo è testare direttamente il modello e misurare ciò che effettivamente produce.

La rilevazione della somiglianza inevitabilmente solleva domande sui falsi positivi. Come si distingue tra influenza creativa legittima, somiglianza casuale e una riproduzione statisticamente significativa al punto da far avviare un’indagine da parte di uno studio o di un titolare di diritti?

Questo lavoro richiederà un continuo perfezionamento. La somiglianza visiva più accurata che un umano può riconoscere facilmente dovrebbe costituire il punto di partenza, ed è ciò che oggi si può realizzare bene. Quando si entra nelle creazioni sintetiche o nelle questioni legate allo stile, diventa molto più difficile dimostrare e molto più difficile far valere.

Prendiamo Superman come esempio. Se un modello creasse un Superman generico con gli occhi di Christopher Reeve, il mento di Henry Cavill, gli zigomi di un altro attore, ecc., tali caratteristiche creerebbero un Superman estremamente difficile da ricostruire e da ricondurre a chi proviene da dove.

Due elementi tengono sotto controllo i falsi positivi. Il primo è che non ci basiamo mai su un unico valore di somiglianza isolato. I risultati sono benchmarkati in modo che la somiglianza generica possa essere separata dalla reale riproduzione, e ogni test è riproducibile: gli stessi input nelle stesse condizioni producono gli stessi numeri. Il secondo è che l’analisi si collega alle domande legali a cui un titolare di diritti dovrebbe effettivamente rispondere. Per i personaggi e le opere creative, la questione è la somiglianza sostanziale. Per i marchi e le somiglianze, è la probabilità di confusione, ovvero se uno spettatore medio sarebbe indotto a pensare che l’output sia la cosa reale. Il nostro compito è fornire un valore difendibile e ripetibile dietro queste domande. Se qualcosa raggiunge il livello di un’indagine è sempre decisione del titolare dei diritti.

I modelli generativi cambiano rapidamente e possono comportarsi in modo molto diverso dopo un aggiornamento. Come possono i titolari di diritti valutare continuamente centinaia di modelli e potenzialmente migliaia di asset protetti senza che il processo di monitoraggio diventi proibitivamente costoso o tecnicamente ingestibile?

È quasi impossibile, ed è per questo che i titolari di IP stanno rimanendo indietro e riescono a malapena a tenere il passo con gli ultimi modelli provenienti dagli Stati Uniti e dall’Asia.

Realisticamente, hanno bisogno di qualcuno nella loro squadra che possa tenere il passo e lottare per loro. È per questo che abbiamo iniziato. Abbiamo visto che questi studi hanno bisogno di un’azienda tecnologica in grado di eguagliare la velocità di questi modelli generativi, e nessun altro si stava facendo avanti per farlo.

L’altra metà della risposta è la tenuta dei registri. Un modello può comportarsi in modo molto diverso dopo un aggiornamento, quindi un punteggio non legato a un momento preciso è inutile. Ogni risultato che produciamo registra quale modello è stato testato, quando è stato testato, contro quale asset protetto è stato testato e quali sono stati i numeri. Questo trasforma il monitoraggio da un problema impossibile e continuo in uno gestibile: quando un modello si aggiorna, si ritesta e si confronta con il registro invece di ricominciare da zero.

La rilevazione risolve solo una parte del problema. Una volta che un sistema identifica che un modello IA può riprodurre un personaggio o una somiglianza protetta, cosa dovrebbe succedere dopo e quali meccanismi tecnici potrebbero eventualmente consentire ai creatori di specificare se la loro IP può essere bloccata, concessa in licenza o utilizzata a determinate condizioni?

Ci sono sia dimensioni legali che tecniche. Legalmente, il titolare della IP decide come procedere. Può utilizzare le prove che forniamo come base per una causa, o sfruttarle nelle negoziazioni con gli sviluppatori del modello. La scelta spetta a loro.

Dal punto di vista tecnico, un titolare di diritti dovrebbe poter dare il consenso e aderire a modelli specifici che possono generare il loro prodotto o IP. Dovrebbe controllare l’output, prevenendo uno scenario di libero accesso. Invece di essere costretti a barriere restrittive, dovrebbe poter monetizzare ogni generazione a condizioni predefinite. Questo rispecchia le pratiche in altri settori, quindi dovrebbe applicarsi anche qui.

Potrebbe la stessa infrastruttura usata per rilevare l’uso non autorizzato dell’IA abilitare alla fine un mercato di licenze legittimo, dove i sistemi IA possono determinare programmaticamente chi possiede un asset, quali permessi sono disponibili e come la compensazione dovrebbe tornare al titolare dei diritti?

Se l’infrastruttura è in grado di capire se un output generato dall’IA assomiglia a una IP, allora dovrebbe essere anche quella a gestire la licenza. Può identificare quale IP è presente nell’output generato, chi è il titolare dei diritti, se deve essere accreditato e, in definitiva, far fluire la compensazione attraverso di essa. La tecnologia è fondamentalmente la stessa. È un motore di fedeltà che produce prove statistiche verificabili e riproducibili in un modo o nell’altro. Se un output supera la soglia in cui uno spettatore potrebbe ragionevolmente scambiarlo per la cosa reale, il titolare dei diritti ha diritto a compensazione.

L’unica condizione è che chi gestisce quel livello rimanga neutrale. Non può generare contenuti da solo e non può prendere parte in alcun accordo individuale. Il suo compito è fornire a entrambe le parti lo stesso registro affidabile e consentire loro di transare direttamente. Questa neutralità è il motivo per cui i titolari di diritti sarebbero disposti a registrare i loro cataloghi fin dall’inizio.

Man mano che i video generati dall’IA si avvicinano alla qualità e alla coerenza necessarie per la produzione professionale, come pensi che sarà alla fine il rapporto tra le aziende IA e Hollywood? Ti aspetti che la gestione dei diritti diventi uno strato di verifica esterno intorno ai modelli, o qualcosa che alla fine dovrà essere incorporato direttamente nei modelli stessi?

È un mondo interessante quello in cui stiamo entrando, poiché le aziende IA hanno reso la produzione di contenuti molto più economica che mai. Di conseguenza, possiamo aspettarci una proliferazione di contenuti, alcuni buoni, altri cattivi, alcuni di gusto, altri no. Hollywood si è tradizionalmente considerata un arbitro del gusto, creando opere che le persone amano e di cui si innamorano. L’IA ora offre lo strumento più potente di sempre per i narratori.

Nella seconda parte della domanda, penso che la risposta onesta sia entrambe, in sequenza. I controlli di applicazione probabilmente si sposteranno all’interno dei modelli nel tempo, perché lì sono più economici e rapidi da eseguire. Ma lo strato di riferimento, ovvero il registro di ciò che esiste, chi ne è proprietario e a quali condizioni può essere usato, deve rimanere indipendente, così come la verifica. Un’azienda di modelli non può valutare i propri output, e i titolari di diritti non consegneranno i loro cataloghi a un’azienda il cui business è generare derivati da essi. È simile ai mercati finanziari, dove le imprese gestiscono la conformità internamente ma rispondono comunque a revisori esterni.

La gestione dei diritti avverrà quando Hollywood e le aziende IA si uniranno per decidere come coesistere. Alla fine, il loro obiettivo è lo stesso: creare nuovi contenuti che le persone amano. Deve solo essere fatto nel modo giusto.

Grazie per la splendida intervista, i lettori che desiderano saperne di più dovrebbero visitare ARCOS Labs.