Fair Bruk og Konkurranser i AI-Forstyrrede Markeder

En bipartisk lovbill, Transparency and Responsibility for Artificial Intelligence Networks Act (TRAIN), innført i januar 2026, vil gi innholdsskapere fullmakt til å kreve åpenhet fra AI-selskaper. Hvis den blir vedtatt, vil flere opphavere til innhold ha en lovmessig mekanisme for å finne ut om deres arbeid ble brukt til AI-trening.

Til å begynne med kan dette se ut som en fullmakt som ville berettige flere opphavere til å kreve betaling fra AI-utviklere. I virkeligheten er det imidlertid langt fra nok å vite at ditt arbeid ble brukt uten forhåndsgodkjenning.

Når domstolene avgjør saker om fair bruk, vurderer de fire nøkkel faktorer: formålet med bruken, naturen til det opprinnelige verket, hvor mye som ble tatt, og effekten slik bruken har hatt på materialets markedverdi. Nylige avgjørelser i amerikanske domstoler har bekreftet at fair bruk fortsatt er en søyle for innovasjon og kan ikke lett forkastes. Fokuset ligger særlig på markedsskade-faktoren og å bevise den.

Markedsskade som Hovedkampfelt

AI-avgjørelser om opphavsrett fra Nord-Distriktet i California viser at domstolene tar forskjellige tilnærminger til fair bruk-analyse. I Kadrey v. Meta, kalte dommer Chhabria markedsskade “det eneste viktigste elementet i fair bruk.” Dommer Alsup i Bartz v. Anthropic på den andre siden, vektet alle fire faktorer mer jevnt. Men begge dommere var enige om dette: saksøkere kan ikke bare hevde skade – de må bevise at den skjedde eller er sannsynlig.

Beviskravet er viktig for AI-utviklere, særlig for små og nøkkelaktige start-ups. Hvis skade må bevises i stedet for antas, kan utviklerne gjøre designvalg for å unngå det. Avgjørelsene antyder at utviklerne kan redusere risikoen ved å skaffe data fra lovlige kilder, designe produkter som tjener forskjellige formål enn det opprinnelige verket, og implementere sikkerhetstiltak for å forhindre reproduksjon av store deler av tekst.

Både Bartz og Kadrey-domstolene fant at AI-trening kvalifiserer som “transformerende bruk” under opphavsrettsloven. Med det er fokuset stadig mer rettet mot den fjerde fair bruk-faktoren: markedsskade. Nylige AI-oppfølgingskamper illustrerer dette. Kravene øker stadig mer rundt ideen om at ordret reproduksjon av opphavsrettslige verk skader utgiverens markedverdi.

Disse sakene er fortsatt ikke avgjort. Det som betyr noe er at utgiverne stadig mer forstår at, hvis de ønsker å vinne, må de hevde to ting: at AI-utdata effektivt erstatter behovet for å få tilgang til opprinnelige verk, og at opphavere lider konkrete økonomiske skader som følge.

Beviskrav

Både Bartz og Kadrey understreker at markedsskade må demonstreres, ikke antas. I Kadrey viste omfattende testing at Metas Llama reproduksjon av ikke mer enn 50 token fra saksøkerens verk, og bare 60% av tiden under påvirkning av prompter designet for å få modellen til å reproduksere det opprinnelige verket.

Dommer Alsup i Bartz fokuserte på om Anthropics Claude faktisk leverte krenkende tekst til brukerne – saksøkere hevdet ikke at dette hadde skjedd. Uten reproduksjon blir det vanskeligere å hevde erstatning for det opprinnelige verket.

Denne bevisbaserte tilnærmingen viser at, selv om opphavere demonstrerer at deres verk ble brukt til trening, har de ikke nødvendigvis en sterk sak for krenkelse. Hvis det resulterende AI-systemet ikke produserer utdata som forårsaker identifiserbar markedsskade, er bare bruk av liten betydning under loven.

Når Markedsskade Er Gjenkjent

I Thomson Reuters Enterprise Centre GmbH v. Ross Intelligence Inc., forkastet Distriktsretten for Distriktet Delaware Ross Intelligences fair bruk-forsvar etter at Ross brukte Thomson Reuters’ Westlaw-headnotes til å trene en AI-juridisk forskningstool som direkte konkurrerte med Westlaw. Både faktor 1 (formål og karakter) og faktor 4 (markedseffekt) av fair bruk-analysen var avgjørende for avgjørelsen.

Appell-dommer Stephanos Bibas fant at Ross’ bruk ikke var transformerende fordi den skapte en direkte markedserstatter. Ross søkte opprinnelig om å lisensiere Westlaws innhold, men Thomson Reuters nektet dette på grunn av at Ross var deres konkurrent. Sammenligningen mellom det opprinnelige materialets formål og AI-produktets formål støtter også påstanden om potensiell skade.

Omvendt, når AI-produkter målretter markeder som er forskjellige fra de som ble brukt til trening, blir det vanskelig å etablere markedserstatning. I Bartz og Kadrey tjente generelle språkmodeller fundamentalt forskjellige formål enn de enkelte bøkene som ble brukt til trening. Denne distinksjonen kan vise seg å være avgjørende – jo mer fjernet et AI-systems formål er fra dens treningsdatakilder, desto vanskeligere er det å demonstrere markedserstatning.

“Lisensmarked”-Argumentet Forkastet

Begge domstolene forkastet uttrykkelig argumenter om at AI-utviklere skader potensielle lisensmarkeder for treningsdata. Dommer Chhabria forklarte at å behandle tapte lisensgebyrer som skade ville gjøre fair bruk-analyse sirkulær, og automatisk favorisere opphavere. Dommer Alsup, for sin del, fant at en marked for lisensiering av bøker spesifikt for AI-trening “er ikke en marked som opphavsrettsloven berettiger forfattere til å utnytte.”

Domstolene avviste å behandle frivillige lisensavtaler som etablering av en lovmessig rett til gebyrer, i det minste der bruk er tilstrekkelig transformerende. Disse avgjørelsene demonstrerer at det fremvoksende lisensmarkedet ikke automatisk berettiger opphavere til å forby fair bruk av deres verk.

Strategiske Implikasjoner

For opphavere vil de sterkeste sakene være de hvor markedserstatning er tydelig identifiserbar. De kan strategisk fokusere på AI-systemer hvis utdata mest nærmer seg deres opprinnelige verk, i stedet for å forfølge bredere utfordringer mot treningen i seg selv.

Hvis TRAIN-loven blir lovbok, vil opphavere få oppdagelsesverktøy for å undersøke hvordan deres verk blir brukt. Imidlertid vil å få informasjon bare være det første skrittet. Å demonstrere markedsskade vil fortsatt være avgjørende for suksessen til enhver krenkelsessak.

For AI-utviklere gir nylige avgjørelser en ramme for å redusere eksponering. Først, sikre lovlige datasourcing. Både Bartz og Kadrey skilte mellom å bruke verk til trening (potensielt fair bruk) og å skaffe dem gjennom piratvirksomhet . Dommer Alsup fant at Anthropics nedlasting fra piratsider var “i seg selv, uforbederlig krenkende”, selv om etterfølgende trening kunne være fair bruk.

Andre, design produkter for formål som er forskjellige fra treningsdatakilder. Et AI-system som hjelper brukerne med å utarbeide dokumenter tjener forskjellige formål enn romaner eller artikler i treningsdataene. Et system som bare henter eller reproducerer disse verkene gjør ikke det.

Tredje, implementer sikkerhetstiltak for å forhindre betydelig ordret reproduksjon. Kadrey-domstolen noterte at Metas system reproduksjon av minimalt innhold, selv under adversativ testing, støttet fair bruk. Utviklere som tillater systemer å regurgitere store deler av opphavsrettslige verk kan møte betydelig større lovmessig risiko.

Konklusjon

TRAIN-loven kan snart gi opphavere verktøy for å oppdage om deres verk ble brukt til AI-trening. Imidlertid gjør nylige avgjørelser det klart at en slik oppdagelse bare ville være begynnelsen. Den fremvoksende amerikanske rammen sentrerer seg rundt markedsskade, og krever demonstrasjon av identifiserbar økonomisk skade, i stedet for bare treningbruk.

AI-utviklere bør fokusere på tre ting: skaffe data lovlige, bygge produkter som tjener formål utover treningsmaterialet, og forhindre at systemene deres reproducerer lange passasjer ordret. Opphavere, på den andre siden, vil ha de sterkeste sakene når de kan vise at et AI-produkt faktisk erstatter deres verk på markedet.