Nelson Chu, oprichter en CEO van ARCOS Labs – Interviewreeks

Nelson Chu, oprichter en CEO van ARCOS Labs, is een doorgewinterde ondernemer en technologie‑executive met een achtergrond in financiële infrastructuur, investeringen en digitale platforms. Voordat hij ARCOS Labs oprichtte, werkte hij acht jaar als oprichter en CEO van Percent, waar hij een technologisch platform bouwde om de particuliere kredietmarkten te moderniseren, en dient nu als voorzitter van de raad. Vroeger in zijn loopbaan mede‑stichtte Chu MySupport, een online platform dat senioren en mensen met een beperking verbindt met ondersteuningsmedewerkers en later werd overgenomen door RISE Services, en richtte hij het strategisch adviesbureau Lumenary op. Hij heeft ook gediend als adviseur en investeerder in bedrijven zoals BlockFi en Recharge Capital, terwijl hij zijn carrière in de financiële dienstverlening begon bij BlackRock, Bank of America en Merrill Lynch.

ARCOS Labs, afkorting voor Applied Research in Creative Output Synthesis, ontwikkelt infrastructuur die AI helpt verantwoord te opereren nu generatieve modellen steeds vaker in contact komen met auteursrechtelijk beschermde werken, personages en menselijke gelijkenissen. Het bedrijf richt zich op forensische IP‑intelligentie en rechtenbeheer, met technologie die creatieve assets die door AI worden gereproduceerd identificeert en meet, het gebruik traceert en licentie‑ en handhavingskaders ondersteunt. Het vlaggenschipplatform VN is bedoeld om makers, studio’s, talentbureaus en rechthebbenden meer inzicht en controle te geven over hoe AI‑systemen hun intellectuele eigendom gebruiken, terwijl ARCOS ook achter Lightbar staat, een door de gemeenschap gesteunde initiatief om AI‑trainingsmodellen te onderzoeken. Het bedrijf kwam in augustus 2026 openbaar uit de stealth‑fase met als bredere doel het bouwen van het vertrouwen‑ en rechten‑infrastructuur die nodig is zodat makers en AI‑systemen op schaal kunnen samenleven.

U heeft acht jaar Percent opgebouwd rond de infrastructuur die nodig is om efficiëntie en transparantie te brengen in een gefragmenteerde particuliere kredietmarkt. Welke lessen uit het bouwen van dat soort financiële infrastructuur past u nu toe bij ARCOS Labs terwijl u het zeer verschillende probleem van intellectueel eigendom en rechtenbeheer in het tijdperk van generatieve AI aanpakt?

Veel daarvan draagt over. Toen we Percent startten, was private credit gefragmenteerd en ondoorzichtig. Elke deal werd anders beschreven, waardoor niets met vertrouwen kon worden vergeleken of geprijsd. De eerste les is dat standaardisatie vóór de markt moet komen. We hebben jaren besteed aan de onglamoureuze infrastructuur die een deal elke keer op dezelfde manier kon beschrijven en verifiëren, en pas daarna kwamen de efficiënte transacties. IP in het tijdperk van generatieve AI heeft hetzelfde probleem. Er bestaat geen gestandaardiseerd register van wat een asset is en wie het bezit, laat staan hoe deze modellen het gebruiken. Totdat dat register bestaat, blijft alles stroomafwaarts ad‑hoc, of het nu gaat om handhaving of licenties.

De tweede les is dat vertrouwen wordt opgebouwd op verificatie. Investeerders in private credit namen nooit het woord van de uitgever over de prestaties van een deal. Ze wilden gegevens die ze zelf konden controleren. Rechthebbenden bevinden zich vandaag in dezelfde positie ten opzichte van AI‑bedrijven. Garanties over beveiligingsmechanismen hebben weinig gewicht. Bewijs dat onafhankelijk kan worden gereproduceerd, is wat het gesprek verandert.

De derde les gaat over prikkels. Een gefragmenteerde “kip‑en‑ei‑markt” werkt alleen wanneer beide partijen overtuigd zijn dat de oplossing hen ten goede komt. Bij Percent zagen we pogingen om het probleem voor de ene of de andere kant op te lossen, en dat hield nooit stand. In IP‑ en rechtenbeheer zijn de prikkels momenteel sterk misaligned. Modelbedrijven willen groeien, waardevolle tools aan hun klanten bieden, en soms inbreukmakende content creëren als marketingtactiek, met Sora en ByteDance als recente voorbeelden. Rechthebbenden proberen ondertussen gelijke tred te houden met veranderingen die ze nog niet kunnen voorspellen, terwijl ze relevant blijven in een tijdperk waarin contentproductie drastisch eenvoudiger is geworden. De infrastructuur die in zo’n markt wint, is die waar beide kanten vertrouwen in hebben, wat meestal betekent dat die geen deelnemer is aan de transactie zelf.

De bredere ontwikkeling is ook bekend. Private credit werd een mainstream activaklasse zodra de infrastructuur bestond om het te meten, en ik geloof dat IP aan het begin staat van dezelfde transitie.

Wat overtuigde u ervan dat het beschermen van creatieve werken tegen generatieve AI een nieuwe technische infrastructuurlaag vereist, in plaats van voornamelijk betere auteurswetgeving, contentmoderatie‑beleid of watermerken?

In wezen zijn de modellen een technologische oplossing, en als je creativiteit tegen de modellen wilt beschermen, is een technische oplossing vereist. Auteurswetgeving blijft vaag, wat blijkt uit zaken als Cox, Anthropic en ook wat er in Duitsland gebeurt met GEMA. Het concept van fair use is nog steeds een open vraag en is nog niet beslist, en rechtbanken zullen, zoals het hoort, er lang over doen om een uitspraak te doen. Contentmoderatie vertrouwt erop dat de modellen zichzelf modereren, wat veel van hen vraagt en bijna onmogelijk is gezien onze observaties. Watermerken is een veelbelovend idee, maar het hangt ook af van zelfpolicing en kan gemakkelijk worden verwijderd. Met dat alles in gedachten wisten we dat de enige echte manier om dit aan te pakken was het zelf te doen en een technologische oplossing te bieden voor dit zeer reële en belangrijke probleem.

VN is ontworpen om te meten hoe nauw AI‑gegenereerde content lijkt op beschermde personages, creatieve werken en menselijke gelijkenissen. Hoe bepaalt het systeem op technisch niveau wanneer een output van simpelweg vergelijkbaar naar iets gaat dat een rechthebbende zou moeten verontrusten?

Uiteindelijk laten we de beslissing aan de gebruiker over. Onze rol is om te bepalen hoe statistisch vergelijkbaar de output is, waarbij we elke pose en mogelijkheid vastleggen, en deze vervolgens vergelijken met het beschermde personage, creatieve werk of de menselijke gelijkenis. Sommige gebruikers hebben een drempel waaronder ze het werk niet mogen publiceren. Grotere bedrijven zijn doorgaans strenger omdat alle geproduceerde content hun eigen eigendom moet zijn. Prosumer‑gebruikers, die voor de lol experimenteren, kunnen een hogere drempel accepteren en meer variaties toestaan.

Bij het uitvoeren van forensisch testen voor een studio, talentbureau of soortgelijke klant, leveren wij een blootstellingsanalyse:

• Welke modellen de content het meest nauwkeurig genereren
• Welke modellen het überhaupt kunnen produceren
• Welke modellen het in problematische situaties zouden kunnen plaatsen

Uiteindelijk is ons werk de analyse uitvoeren en de resultaten leveren, maar hoe de klant deze gebruikt is volledig hun eigen beslissing.

Uw test van Seedance 2.5 vond veel sterkere beveiligingen rond herkenbare personages dan rond minder prominente intellectuele eigendom. Wat vertelt dit verschil ons over hoe AI‑bedrijven momenteel hun auteursrechtelijke beveiligingen opbouwen, en waarom is long‑tail IP bijzonder moeilijk te beschermen?

Elk AI‑bedrijf is anders, en elk hecht in verschillende mate belang aan dit vraagstuk. Toen Seedance 2.0 eerder dit jaar werd uitgebracht, herkende ByteDance snel het probleem dat ze zelf hadden veroorzaakt door de terugslag en begon hun beveiligingen te verbeteren. Sommige bekende, populaire modellen lijken onverschillig, hetzij uit keuze of door een vergissing, maar respect voor intellectueel eigendom zal nooit als een fout worden gezien; ze zijn gewoon nog niet tot die conclusie gekomen.

Het beschermen van de long‑tail is moeilijk vanwege de manier waarop de technologie werkt:

Prompt‑niveau controles: Het invoer‑prompt onderzoeken op inbreukmakende inhoud, waardoor het model kan beslissen of het moet doorgaan. Helaas blijven er, zelfs bij het onderzoeken van het prompt, vele manieren om het te omzeilen. Ze kunnen het net iets anders formuleren, het personage beschrijven zonder het te noemen, of typfouten gebruiken. Prompts kunnen detectors gemakkelijk omzeilen, en modellen kunnen ook hallucineren en outputs produceren die afwijken van het prompt van de gebruiker en een inbreukmakend personage kunnen bevatten.

Output‑analyse controles: Scan elke output tegen een database van bekende personages. Herkenbare personages activeren een hogere gevoeligheid, terwijl long‑tail personages onopgemerkt kunnen blijven omdat ze direct naar DVD gingen en de database ze niet bevat, waardoor uitgebreide handhaving onvermijdelijk uitdagend is.

Snelheid speelt ook een rol. Voor beeldgeneratiemodellen is het controleren van één afbeelding relatief snel. Videogeneratie vereist echter het scannen van vele frames, wat de output aanzienlijk kan vertragen en de gebruikerservaring kan beïnvloeden.

Het balanceren van deze zorgen is delicaat, maar sommige modellen hebben moeite gedaan om dit op te lossen. Uiteindelijk hangt het af van of een model bereid en geïnteresseerd is om intellectueel eigendom te respecteren.

Een model kan een direct verzoek om een auteursrechtelijk beschermd personage te genereren weigeren, maar toch dat personage reproduceren wanneer het een voldoende gedetailleerde beschrijving krijgt. Hoe moet AI‑veiligheidstesten zich ontwikkelen voorbij eenvoudige prompt‑weigeringstarieven om dit type indirecte reproductie te identificeren?

Dit is een duidelijk probleem. Wanneer een model een personage kan reproduceren uit een gedetailleerde of zelfs een zeer eenvoudige beschrijving, duidt dit erop dat het personage diep in de trainingsdata is ingebed. Dat roept een geheel andere vraag op over hoe de data is verzameld, en dat wordt momenteel door de rechtbanken behandeld.

Veiligheidstesten moeten verder gaan dan het onderzoeken van prompts en evolueren naar het analyseren van de daadwerkelijke outputs. De modellen genereren beelden via diffusie, waarbij ze geleidelijk een visie op het resultaat opbouwen. Door dit proces en de manier waarop ze zijn getraind, kunnen ze per ongeluk auteursrechtelijk beschermde personages reproduceren, zowel op de voorgrond als op de achtergrond, en soms zonder prompt. De enige betrouwbare manier om dit te detecteren is het model direct te testen en te meten wat het werkelijk produceert.

Gelijkenisdetectie roept onvermijdelijk vragen op over false positives. Hoe onderscheidt u legitieme creatieve invloed, toevallige gelijkenis en een reproductie die statistisch significant genoeg is voor een studio of rechthebbende om te onderzoeken?

Dit werk zal voortdurende verfijning vereisen. De meest nauwkeurige visuele gelijkenis die een mens gemakkelijk kan herkennen, moet als uitgangspunt dienen, en dat is wat vandaag de dag goed kan worden gedaan. Zodra je in synthetische creaties of stijlvragen terechtkomt, wordt het veel moeilijker om te bewijzen en veel moeilijker om af te dwingen.

Neem Superman als voorbeeld. Als een model een generieke Superman zou creëren met de ogen van Christopher Reeve, de kin van Henry Cavill, de jukbeenderen van een andere acteur, enzovoort, dan vormen die kenmerken een Superman die extreem moeilijk te reverse‑engineeren is en terug te traceren naar de oorsprong.

Twee zaken houden false positives onder controle. Ten eerste vertrouwen we nooit op één enkel gelijkenisgetal op zichzelf. Resultaten worden gebenchmarkt zodat algemene gelijkenis kan worden gescheiden van daadwerkelijke reproductie, en elke test is reproduceerbaar: dezelfde inputs onder dezelfde omstandigheden leveren dezelfde cijfers op. Ten tweede wordt de analyse gekoppeld aan de juridische vragen die een rechthebbende daadwerkelijk moet beantwoorden. Voor personages en creatieve werken is die vraag ‘substantieel gelijkenis’. Voor merken en gelijkenissen is het ‘kans op verwarring’, wat betekent of een gewone kijker zou worden misleid om te denken dat de output het echte product is. Onze taak is om een verdedigbaar, herhaalbaar cijfer achter die vragen te plaatsen. Of iets het niveau van een onderzoek bereikt, is altijd een beslissing van de rechthebbende.

Generatieve modellen veranderen snel en kunnen zich heel anders gedragen na een update. Hoe kunnen rechthebbenden continu honderden modellen en mogelijk duizenden beschermde assets evalueren zonder dat het monitoringsproces onbetaalbaar of technisch onhandelbaar wordt?

Het is bijna onmogelijk, wat de reden is dat IP‑houders achterop raken en nauwelijks kunnen bijblijven met de nieuwste modellen uit de VS en Azië.

Realistisch gezien hebben ze iemand in hun gelederen nodig die het tempo kan bijhouden en namens hen kan vechten. Daarom zijn we begonnen. We zagen dat deze studio’s een technologiebedrijf nodig hebben dat de snelheid van deze generatie‑modellen kan evenaren, en niemand anders kwam op om dat te doen.

De andere helft van het antwoord is administratie. Een model kan zich na een update heel anders gedragen, dus een score die niet aan een tijdstip is gekoppeld, is waardeloos. Elk resultaat dat we produceren registreert welk model getest is, wanneer het getest is, tegen welke beschermde asset het getest is, en wat de cijfers waren. Dat maakt monitoring van een onmogelijk continu probleem een beheersbaar probleem: wanneer een model wordt geüpdatet, test je opnieuw en vergelijk je met het record in plaats van helemaal opnieuw te beginnen.

Detectie lost slechts een deel van het probleem op. Zodra een systeem identificeert dat een AI‑model een beschermd personage of gelijkenis kan reproduceren, wat moet er vervolgens gebeuren, en welke technische mechanismen zouden uiteindelijk makers in staat kunnen stellen te bepalen of hun IP geblokkeerd, gelicentieerd of onder bepaalde voorwaarden gebruikt mag worden?

Er zijn zowel juridische als technische dimensies. Juridisch beslist de IP‑houder hoe verder te gaan. Ze kunnen het bewijs dat wij leveren gebruiken als grond voor een rechtszaak, of het inzetten in onderhandelingen met modelontwikkelaars. De keuze ligt bij hen.

Technisch gezien moet een rechthebbende kunnen instemmen met, en zich aanmelden voor, specifieke modellen die hun product of IP kunnen genereren. Ze moeten de output kunnen beheersen, zodat een free‑for‑all‑scenario wordt voorkomen. In plaats van gedwongen te worden tot beperkende beveiligingsmaatregelen, moeten ze elke generatie kunnen monetariseren op vooraf bepaalde voorwaarden. Dit weerspiegelt praktijken in andere sectoren, dus zou het hier ook moeten gelden.

Kan dezelfde infrastructuur die wordt gebruikt om ongeoorloofd AI‑gebruik te detecteren uiteindelijk een legitieme licentiemarkt mogelijk maken, waarbij AI‑systemen programmatisch kunnen bepalen wie een asset bezit, welke permissies beschikbaar zijn en hoe compensatie terugstroomt naar de rechthebbende?

Als de infrastructuur kan bepalen of een AI‑gegenereerde output op een IP lijkt, dan zou zij ook de licentie‑afwikkeling moeten verzorgen. Ze kan aangeven wat de IP in de gegenereerde output is, wie de rechthebbende is, of ze daarvoor erkenning moeten krijgen, en uiteindelijk de compensatie laten vloeien. De technologie is fundamenteel dezelfde. Het is een fideliteitsengine die verifieerbaar, reproduceerbaar statistisch bewijs levert. Als een output de drempel overschrijdt waarbij een kijker redelijkerwijs zou kunnen denken dat het het echte product is, heeft de rechthebbende recht op compensatie.

De enige voorwaarde is dat degene die die laag beheert neutraal moet blijven. Het mag zelf geen content genereren en mag geen kant kiezen in een individuele deal. Zijn taak is beide partijen hetzelfde betrouwbare record te geven en hen direct te laten transacteren. Die neutraliteit is de reden waarom rechthebbenden hun catalogi in eerste instantie zouden willen registreren.

Naarmate AI‑gegenereerde video de kwaliteit en consistentie bereikt die nodig is voor professionele productie, hoe ziet u de relatie tussen AI‑bedrijven en Hollywood uiteindelijk? Verwacht u dat rechtenbeheer een externe verificatielaag rond modellen wordt, of iets dat uiteindelijk direct in de modellen zelf moet worden ingebed?

Het is een interessante wereld die we betreden nu AI‑bedrijven de contentproductie veel goedkoper hebben gemaakt dan ooit tevoren. Als gevolg daarvan kunnen we een overvloed aan content verwachten, sommige goed, sommige slecht, sommige met smaak, andere zonder. Hollywood heeft zich traditioneel gezien als de arbiter van smaak, die werken creëert waar mensen van houden en verliefd op worden. AI biedt nu het krachtigste hulpmiddel ooit voor vertellers.

Voor het tweede deel van de vraag denk ik dat het eerlijke antwoord beide is, in volgorde. De handhavingscontroles zullen waarschijnlijk na verloop van tijd in de modellen zelf worden geïntegreerd, omdat dat de goedkoopste en snelste manier is om ze uit te voeren. Maar de referentielag, dat wil zeggen het register van wat bestaat, wie het bezit en onder welke voorwaarden het kan worden gebruikt, moet onafhankelijk blijven, net als de verificatie. Een modelbedrijf kan niet zelf zijn eigen outputs beoordelen, en rechthebbenden zullen hun catalogi niet overhandigen aan een bedrijf waarvan de business het genereren van afgeleiden daarvan is. Het is vergelijkbaar met de financiële markten, waar bedrijven intern compliance uitvoeren maar toch verantwoording afleggen aan externe auditors.

Rechtenbeheer zal plaatsvinden wanneer Hollywood en AI‑bedrijven samenwerken om te bepalen hoe ze willen samenleven. Uiteindelijk is hun doel hetzelfde: nieuwe content creëren die mensen liefhebben. Het moet alleen op de juiste manier gebeuren.

Bedankt voor het geweldige interview, lezers die meer willen weten, kunnen een bezoek brengen aan ARCOS Labs.