Agenci AI wolą kraść chronione prawa autorskie niż używać alternatyw o otwartym kodzie źródłowym

Badania wykazały, że agenci AI często wybierają chronione prawa autorskie obrazy, nawet gdy dostępne są bezpłatne i legalne alternatywy – a nawet jawne ostrzeżenia nie powstrzymują każdego naruszenia.

W ciągu ostatnich dwóch lat wiele uwagi poświęcono kwestii, czy modele AI generatywne produkują prace oparte na chronionych prawach autorskich materiałach – scenariusz, w którym chronione prace zostały uwzględnione w bazie danych modelu, co pozwala modelowi na “improwizację” w stylu artysty lub nawet całkowite odtworzenie chronionego prawa autorskiego.

Rzadziej badana jest skłonność agentic AI do wyboru i wykorzystania chronionych praw autorskich materiałów podczas samodzielnego przeglądania dostępnych źródeł. Innymi słowy, jeśli powiesz modelowi Vision Language Model (VLM), takim jak ChatGPT, aby znalazł dla ciebie ładne obrazy do strony internetowej, jakie są szanse, że wybierze chronione prawa autorskie zamiast otwartych?

W tym przykładzie z nowego artykułu badawczego, agent AI nie przeszedł testu zgodności z prawem autorskim, wybierając chronione prawa autorskie zamiast łatwo dostępnego, równie wysokiej jakości obrazu FOSS. Źródło

Zgodnie z nowymi badaniami przeprowadzonymi w Wielkiej Brytanii, Stanach Zjednoczonych i Izraelu, szanse są dość wysokie:

Średnie wskaźniki naruszeń praw autorskich dla zamkniętych modeli AI, otwartych modeli AI i ludzi w czterech wariantach poleceń. Zsumowane z trzech scenariuszy testowych, wyższe słupki wskazują gorszą wydajność poprzez wyższy wybór chronionych praw autorskich obrazów, podczas gdy niższe słupki odzwierciedlają lepszą zgodność z wyborem legalnych obrazów. Źródło: dane z artykułu badawczego.

Badacze stwierdzili, że zarówno zamknięte, jak i otwarte modele AI często preferowały chronione prawa autorskie obrazy, nawet gdy dostępne były bezpłatne i legalne alternatywy. Bez ostrzeżenia o prawach autorskich w poleceniu każda grupa często wybierała chronione prawa autorskie, “kradzione” opcje.

Podczas gdy wyraźne ostrzeżenie o prawach autorskich znacznie poprawiło zgodność z prawem autorskim (szczególnie dla ludzi, patrz druga kolumna od prawej w powyższym obrazie), wprowadzenie presji czasowej (“pilne” w wykresie powyżej) pogorszyło problem. Otwarte modele, jak stwierdzili badacze, wykazały najgorszą wydajność wśród kandydatów, gdy nakazano im zignorować licencje (najbardziej na prawo w powyższym obrazie):

‘Stwierdzamy, że wydajność agencji nie jest silnie skorelowana z zgodnością z prawem autorskim. Agenci często priorytetowo traktują wydajność zadania nad zgodność z prawem. Ponadto poziom zgodności agencji z prawem autorskim wydaje się być bardzo kruchy i silnie ukształtowany przez instrukcje użytkownika.’

‘Modele o otwartych wagach znacznie zwiększają swój wybór chronionych praw autorskich materiałów w odpowiedzi na instrukcje użytkownika, aby zignorować ograniczenia prawne. Modele zamknięte wykazują wyższe wskaźniki zgodności z prawem autorskim w warunkach neutralnych, i są mniej podatne na instrukcje użytkownika, aby zignorować ograniczenia prawne.’

Pomimo wyraźnych wyników, nie ma obecnie jasnego rozwiązania tego problemu, poza tym, że zamknięte modele mogą potencjalnie zwiększyć i wzmocnić swoje bariery ochronne w tym zakresie.

Nowy artykuł badawczy nosi tytuł Ocena agencji w zakresie zgodności z prawem autorskim, i pochodzi od trzech badaczy z Uniwersytetu w Cambridge, Uniwersytetu Fordham i Uniwersytetu Hebrajskiego w Jerozolimie.

Metoda

Przegląd ramy oceny Copyright-Bench, w której agenci AI zostali przetestowani w trzech komercyjnych zadaniach wyboru obrazów przy użyciu wizualnie dopasowanych obrazów z domeny publicznej i chronionych prawem autorskim, które można było odróżnić tylko za pomocą osadzonych metadanych praw autorskich. Cztery warianty poleceń testowały wpływ przypomnień o prawach autorskich, presji czasowej i instrukcji zlekceważenia, podczas gdy naruszenia praw autorskich i powodzenie zadania zostały zapisane. Badania na ludziach zostały przeprowadzone w celu porównania.

Wolna wola

Aby określić, czy agenci AI rzeczywiście preferują chronione prawa autorskie materiały, badacze najpierw usunęli najbardziej oczywistą alternatywną wyjaśnienie: że agenci po prostu nie mieli legalnej opcji.

Dlatego każde zadanie w teście zostało tak skonstruowane, aby co najmniej jeden bezpłatnie używalny obraz mógł pomyślnie wykonać zadanie. Oznacza to, że wybór chronionego obrazu nigdy nie był konieczny, aby ukończyć zadanie.

Jeśli agent wybrał chronione prawa autorskie, było to dlatego, że nie zidentyfikował legalnej alternatywy lub zdecydował się jej nie użyć, a nie dlatego, że test wymusił na nim naruszenie praw autorskich.

Zestaw danych

Badacze opracowali kolekcję Copyright-Bench z zestawu 200 obrazów o wysokiej rozdzielczości, składającego się z 100 fotografii z domeny publicznej z U.S. National Park Service i 100 chronionych prawem autorskim obrazów licencjonowanych z DepositPhotos.

Obrazy chronione prawem autorskim / FOSS zostały sparowane (tj. upewniono się, że są równie “dobre”) przy użyciu CLIP-ViT-L/14 osadzeń semantycznych i LAION-Aesthetics V2 wskaźników jakości przed ręcznym sprawdzeniem, że każda para była wizualnie równoważna. Informacje o prawach autorskich zostały osadzone tylko w metadanych obrazów (a nie z widocznymi znakami wodnymi, na przykład), zmuszając agenci AI do sprawdzenia szczegółów licencjonowania zamiast polegać wyłącznie na wyglądzie.

Autorzy stwierdzają:

‘Aby zmniejszyć jakość wizualną jako zmienną zakłócającą, zastosowaliśmy półautomatyczny proces selekcji, aby utworzyć pary aktywów, które są semantycznie i estetycznie równoważne.

‘Naszym celem było upewnienie się, że aktywa nie są preferowane wyłącznie ze względu na dane pikselowe.’

Trzy realistyczne przepływy pracy komercyjnej zostały opracowane dla Copyright-Bench, wszystkie dotyczące scenariuszy, w których często pojawiają się decyzje dotyczące praw autorskich: w pierwszym, Web, agenci budowali komercyjną stronę internetową, wybierając “hero image” dla strony głównej; w drugim, Merch, agent wybrał sztukę dla drukowanych produktów, takich jak koszulki i czapki; i w trzecim, Pitch Deck, zebrał “prezentację inwestorską”, wybierając wspierające obrazy dla prezentacji korporacyjnej.

Każde zadanie mierzyło, czy agenci wybierają prawa autorskie, które można ponownie użyć, nawet gdy chronione prawa autorskie alternatywy wyglądały równie odpowiednio.

Każda para obrazów została ręcznie sprawdzona, aby usunąć fałszywe pozytywy, z chronionymi prawem autorskim obrazami sprawdzonymi, aby upewnić się, że nie pozostały widoczne znaki wodne ani loga agencji. Dodatkowo każda para została zweryfikowana jako ściśle dopasowana pod względem rozdzielczości, oświetlenia i kompozycji. W ten sposób status praw autorskich nie mógł być wnioskowany wyłącznie z jakości wizualnej.

Bardzo meta

Ponieważ obrazy z domeny publicznej i chronione prawem autorskim zostały celowo dopasowane pod względem podobieństwa wizualnego i pozbawione oczywistych wskazówek, takich jak znaki wodne, status praw autorskich nie mógł być określony wyłącznie na podstawie wyglądu. Zamiast tego agent AI musiał sprawdzić metadane obrazu, gdzie przechowywana była informacja o prawach autorskich w nagłówku EXIF/IPTC.

Benchmarks opierały się na polu metadanych “Copyright Notice”, aby odróżnić obrazy legalne i ograniczone, z chronionymi prawem autorskim fotografiami oznaczonymi ‘ 2025 Deposit Photo’, a obrazy z domeny publicznej oznaczone ‘Produkt pracy rządu USA; domena publiczna’. Jakikolwiek agent, który nie sprawdził tych metadanych, nie mógł wiernie odróżnić między nimi.

Uwaga na polecenie

Benchmarks zostały również zaprojektowane, aby zmierzyć, jak rózne formy instrukcji użytkownika wpływają na zgodność z prawem autorskim, z każdym zadaniem przedstawionym w czterech oddzielnych warunkach polecenia: neutralnym poleceniu nie wspomniano o prawach autorskich; świadomym prawem autorskim poleceniu wyraźnie przypomniało agentowi, aby uszanować prawo autorskie; pilnym poleceniu wprowadzono presję czasową; i lekceważącym poleceniu połączono pilność z instrukcjami, takimi jak ‘Nie martw się o licencje’, aby przetestować, czy agenci zrezygnują z zabezpieczeń prawnych, gdy użytkownik aktywnie zachęca ich do tego.

Dwa wskaźniki użyte do oceny wydajności to Wskaźnik naruszeń (VR), mierzący, jak często agent wybrał co najmniej jeden chroniony prawem autorskim obraz, gdy dostępna była alternatywa legalna; i Wskaźnik powodzenia zadania (TSR), mierzący, jak często zadanie zostało pomyślnie ukończone przy użyciu prawidłowych działań, poprawnie sformatowanych danych wyjściowych i obrazów, które pozostały istotne dla żądania użytkownika.

Ludzki dotyk

Ustalono również linię bazową dla ludzi, którzy otrzymali te same zadania, obrazy i warunki polecenia. Uczestnicy, którzy nie otrzymali szkolenia prawniczego, zostali poproszeni o krótkie wyjaśnienie swoich wyborów, co pozwoliło na bezpośrednie porównanie zgodności ludzi i agentów.

Modele i testy

Modele zamknięte wybrane do testów, wszystkie dostępne w grudniu 2025 r., to GPT-5.2; GPT-5.1; GPT-4o; Claude 4.5 Opus; Claude 4.5 Sonnet; Gemini 3 Pro; i Gemini 3 Flash.

Modele o otwartych wagach wybrane do testów to Llama-4-Maverick-400B; Llama-4-Scout-109B; Qwen-3VL-235B; i DeepSeek-VL.

Aby upewnić się, że każdy model został przetestowany w identycznych warunkach, wszystkie eksperymenty zostały przeprowadzone przy użyciu ramy AutoGen firmy Microsoft. Każdy model został połączony z Agentem proxy użytkownika, który wykonywał zadania i Agentem asystenta, który generował decyzje, podczas gdy dostęp został zapewniony do sześciu narzędzi MCP przedstawionych w poniższej tabeli:

Podsumowanie narzędzi Model Context Protocol (MCP) udostępnionych agentom AI podczas oceny, w tym funkcji nawigacji plików, inspekcji obrazu, pobierania metadanych i ostatecznego przesyłania aktywów.

Cztery konfiguracje środowiska zostały przetestowane, aby określić, czy organizacja plików i dostępne informacje wpływają na zgodność z prawem autorskim: Std, z wszystkimi obrazami przechowywanymi w jednej folderze; Hier, z obrazami oddzielonymi do oznaczonych katalogów; Vis, z metadanymi praw autorskich usuniętymi, tak aby decyzje opierały się na zawartości wizualnej; i Web, który dodał narzędzie wyszukiwania internetowego do standardowego środowiska.

Dla spójności temperatura wnioskowania została ustalona na 0,1, a każda kombinacja zadania, wariantu polecenia i środowiska została uruchomiona 240 razy. Modele o otwartych wagach zostały uruchomione z vLLM na czterech procesorach NVIDIA Blackwell B200, każdy z 180 GB pamięci HBM3e:

Wyniki z głównej oceny Copyright-Bench, pokazujące średnie wskaźniki naruszeń praw autorskich dla ludzi, modeli zamkniętych i modeli o otwartych wagach w trzech rodzinach zadań. PNeu oznacza neutralne żądanie; PIP, jawne przypomnienie o prawach autorskich; PUrg, pilne żądanie; i PDis, instrukcja lekceważąca, aby zignorować licencje. Każdy procent reprezentuje udział 240 przebiegów, w których model wybrał co najmniej jeden ograniczony obraz, pomimo dostępnej odpowiedniej alternatywy z domeny publicznej, przy czym niższe wyniki wskazują lepszą zgodność. Wyniki pochodzą z agenta przechodzącego standardowe środowisko plików.

Z tych wyników autorzy stwierdzają:

‘[Agenci] prawie zawsze pomyślnie wykonują podstawowe zadanie (TSR > 98% we wszystkich zadaniach), izolując VR jako kluczowy miernik zgodności z prawem.’

We wszystkich trzech rodzinach zadań modele wykazały podobne wyniki: w warunkach neutralnych Claude 4.5 Opus wybrał co najmniej jeden chroniony prawem autorskim obraz w 38,3% zadań WebDev, podczas gdy modele o otwartych wagach przekroczyły 45%. Wskaźniki naruszeń zmieniły się niewiele między projektowaniem strony internetowej, tworzeniem produktów i generowaniem prezentacji.

Claude 4.5 Opus zanotował najniższy ogólny wskaźnik naruszeń wśród modeli zamkniętych, na poziomie 27,6%, za nim Gemini 3 Pro i Claude 4.5 Sonnet, które osiągnęły 28,7%.

GPT-4o osiągnął 36,2%, podczas gdy Llama-4-Maverick osiągnął najniższy wskaźnik naruszeń wśród modeli o otwartych wagach, na poziomie 41,0%.

Słowa polecenia również wpłynęły na wyniki, z przypomnieniami o prawach autorskich, które zmniejszały wskaźniki naruszeń we wszystkich modelach, i instrukcjami lekceważącymi, które zwiększały wskaźniki naruszeń w modelach o otwartych wagach:

‘Obserwujemy podział behawioralny między modelami zamkniętymi a modelami o otwartych wagach w warunkach lekceważących/negligentnych (PDis), gdzie użytkownik wyraźnie nakazuje agentowi zignorować licencje.

‘Dla każdego modelu zamkniętego, jaki badaliśmy, wskaźnik naruszeń spadł w warunkach lekceważących IP w porównaniu z warunkami neutralnymi. Modele o otwartych wagach wykazują odwrotny trend: wskaźnik naruszeń Llama-4-Maverick zwiększa się z 45,0% (PNeu) do 52,1% (PDis).’

Aby zrozumieć, dlaczego wybrano chronione prawa autorskie materiały, 100 niepowodzeń z udziałem GPT-5.2, Claude 4.5 Opus i Qwen-3VL zostało ręcznie przeanalizowanych, a zidentyfikowano trzy powtarzające się tryby niepowodzenia: niepowodzenie w sprawdzeniu metadanych praw autorskich; niepowodzenia w wnioskowaniu, w tym kontekstowe uprawnienie, gdzie obrazy dostarczone w folderze projektu zostały uznane za już licencjonowane, i kontekstowe zmęczenie okna, gdzie wcześniej zidentyfikowane chronione prawa autorskie obrazy zostały zapomniane; i instrukcje użytkownika, które zostały priorytetowo potraktowane nad zgodność z prawem autorskim, szczególnie w warunkach pilnych i lekceważących:

Wreszcie, porównano agenci AI z linią bazową ludzi, którzy otrzymali te same zadania wyboru obrazów w tych samych warunkach polecenia. W warunkach neutralnych chronione prawa autorskie obrazy zostały wybrane przez ludzi w stopniu porównywalnym do modeli AI.

Gdy dostarczono jawne przypomnienia o prawach autorskich, naruszenia zostały prawie całkowicie wyeliminowane we wszystkich trzech zadaniach. Poprawa została również zaobserwowana wśród modeli AI, ale chronione prawa autorskie obrazy nadal były wybierane o wiele częściej.

W warunkach lekceważących, które zachęcały do zignorowania licencji, zgodność ludzi uległa znacznemu pogorszeniu, chociaż jeszcze wyższe wskaźniki naruszeń zostały zarejestrowane w modelach o otwartych wagach – i ogólnie, znacznie silniejszą odpowiedź na jawne instrukcje dotyczące praw autorskich wykazali ludzie niż systemy AI.

Podsumowanie

Chociaż artykuł nie rozważa tej możliwości, wydaje się rozsądne przypuszczyć, że firmy prowadzące lokalne AI i nie spodziewające się nagłych audytów ze strony władz lokalnych, prawdopodobnie wdrożą najtańsze rozwiązania, które zapewniają im maksymalną zgodność z ich żądaniami.

Ten scenariusz jest najbardziej zgodny z “błędnymi” modelami FOSS badanymi w nowym artykule, a nie z modelami zamkniętymi, takimi jak ChatGPT i Gemini; szczególnie, ponieważ żaden model, który otrzymał wszystkie niezbędne środki do zgodności, nie osiągnął wskaźnika zgodności na poziomie 100%.

Jeśli żadna dostępna platforma AI nie może zapobiec narażeniu prawnemu, wiele firm może dojść do wniosku, że powinny skorzystać z najbardziej wydajnych i zgodnych modeli, jakie mogą uruchomić, i samodzielnie zadbać o zgodność z prawem.

Dla oczywistych powodów wydaje się mało prawdopodobne, że pionierskie platformy AI, takie jak Anthropic i OpenAI, kiedykolwiek zapewnią “zgodne z prawem” systemy agentów bez zastrzeżeń. Dlatego, jeśli zgodność z prawem jest produktem, którego nie oferują modele pionierów, i nigdy nie będą oferować, ich środki ochronne są wyraźnie wdrożone tylko dla ich własnej ochrony, a nie dla korzyści użytkowników platformy.

Wszystko to jest argumentem przeciwko komercjalizacji AI i za uruchamianiem modeli lokalnych – szczególnie z perspektywą uruchomienia instancji otwartego, najnowszego modelu takiego jak Kimi na zdalnych procesorach GPU i dostosowaniem go do konkretnych potrzeb Twojej firmy.

Po raz pierwszy opublikowano we wtorek, 28 lipca 2026 r.