Agenții AI Preferă Să Fure Lucrări Protejate De Drepturi De Autor În Loc De A Utiliza Alternative Open-Source

Cercetările au arătat că agenții AI aleg adesea imagini protejate de drepturi de autor atunci când li se prezintă alternative legale gratuite – și chiar avertizările explicite nu reușesc să oprească toate încălcările.

O mare parte a atenției academice a fost dedicată, în ultimii doi ani, chestiunii dacă modelele de inteligență artificială generativă produc lucrări pe baza materialului protejat de drepturi de autor – un scenariu în care lucrarea protejată de drepturi de autor a fost inclusă în baza de date de antrenament a modelului, făcând modelul capabil să ‘imite’ stilul unui artist sau să reproducă o lucrare protejată de drepturi de autor în întregime.

Este studiată mai puțin dispoziția agenților AI agenți de a selecta și exploata lucrări protejate de drepturi de autor în timp ce traversează sursele disponibile în mod autonom. Adică, dacă îi spui unui Model de limbaj vizual (VLM), cum ar fi ChatGPT, să-ți găsească o imagine drăguță pentru site-ul tău, care sunt șansele ca el să prefere o lucrare protejată de drepturi de autor în locul unei lucrări open-source cu o licență flexibilă?

În acest exemplu din noua lucrare de cercetare, un agent AI a eșuat un test de conformitate cu drepturile de autor, preferând să fure o imagine cunoscută protejată de drepturi de autor pentru solicitant, în loc să utilizeze o imagine open-source de calitate egală și ușor disponibilă. Sursă

Conform unei noi cercetări între Regatul Unit, Statele Unite și Israel, șansele sunt destul de mari:

Rate medii de încălcare a drepturilor de autor pentru modele AI închise, modele AI open-source și oameni, la patru solicitări ale utilizatorului. Aggregate din trei scenarii de test, barele mai înalte indică o performanță mai slabă prin selectarea mai frecventă a imaginilor protejate de drepturi de autor, în timp ce barele mai scurte reflectă o conformitate mai bună în alegerea imaginilor legale. Sursă: date din lucrarea sursă.

Cercetătorii au descoperit că atât modelele AI închise, cât și cele open-source preferă adesea imagini protejate de drepturi de autor atunci când există alternative legale gratuite. Fără o avertizare de drepturi de autor în solicitare, fiecare grup foarte des a ales opțiunea de “furt” protejată de drepturi de autor.

În timp ce o avertizare clară despre drepturi de autor a îmbunătățit semnificativ conformitatea cu drepturile de autor (în special pentru oameni, a se vedea a doua coloană din dreapta în imaginea de mai sus), introducerea presiunii de timp (‘grăbit’, în diagrama de mai sus) a făcut problema și mai gravă. Modelele open-source, cercetătorii au constatat, au avut cea mai slabă performanță dintre candidați, atunci când li s-a spus să ignore licențele:

‘Descoperim că performanța agenților nu este robust corelată cu conformitatea cu legea drepturilor de autor. Agenții preferă adesea performanța sarcinii în detrimentul conformității legale. În plus, nivelul de conformitate legală al agenților pare a fi foarte fragil și puternic influențat de instrucțiunile utilizatorului.

‘Modelele open-source sporesc brusc selectarea de materiale protejate de drepturi de autor ca răspuns la instrucțiunile utilizatorului de a ignora constrângerile legale. Modelele proprietare, în schimb, prezintă rate mai mari de conformitate cu legea drepturilor de autor în condițiile de instrucțiuni neutre și sunt mai puțin susceptibile la instrucțiunile utilizatorului de a ignora constrângerile legale.’

În ciuda clarității constatărilor, care au testat 11 modele disponibile în jurul datei de decembrie 2025, inclusiv variante ale ChatGPT și Google Gemini, nu există în prezent o soluție clară la această problemă, cu excepția faptului că modelele închise ar putea să-și crească și să-și îmbunătățească “barierele de protecție” în acest sens.

Noua lucrare, intitulată Evaluarea agenților de respectare a legii drepturilor de autor, provine de la trei cercetători de la Universitatea Cambridge, Universitatea Fordham și Universitatea Ebraică din Ierusalim.

Metodă

Prezentare generală a cadrului de evaluare Copyright-Bench, în care agenții AI au fost testați pe trei sarcini comerciale de selecție a imaginilor, utilizând imagini publice și protejate de drepturi de autor care arătau la fel, dar aveau metadate de drepturi de autor încorporate. Patru variante de solicitare au testat efectele avertizărilor de drepturi de autor, presiunii de timp și instrucțiunilor de a ignora licențele, în timp ce încălcările drepturilor de autor și succesul sarcinii au fost înregistrate. Studii umane au fost efectuate pentru comparație.

Libertatea de a alege

Pentru a determina dacă agenții AI preferă cu adevărat lucrări protejate de drepturi de autor, cercetătorii au eliminat mai întâi explicația cea mai evidentă: aceea că agenții nu aveau nicio opțiune legală.

Prin urmare, fiecare sarcină din benchmark a fost construită astfel încât cel puțin o imagine utilizabilă gratuit să poată finaliza cu succes sarcina. Acest lucru a însemnat că selectarea unei imagini protejate de drepturi de autor nu a fost nicio dată necesară pentru a finaliza sarcina.

Dacă un agent a ales o lucrare protejată de drepturi de autor, a fost pentru că a eșuat în a identifica alternativa legală sau a decis să nu o utilizeze, și nu pentru că benchmark-ul l-a forțat să încalce drepturile de autor.

Set de date

Cercetătorii au creat colecția de benchmark Copyright-Bench dintr-un set de date de 200 de imagini de înaltă rezoluție, cuprinzând 100 de fotografii din domeniul public de la Serviciul Național al Parcurilor din SUA și 100 de imagini protejate de drepturi de autor, licențiate de la DepositPhotos.

Imaginile protejate de drepturi de autor și cele open-source au fost pereche, utilizând încorporări semantice CLIP-ViT-L/14 și note de calitate LAION-Aesthetics V2, înainte de a fi verificate manual pentru a se asigura că fiecare pereche era vizual echivalentă. Informațiile despre drepturi de autor au fost încorporate doar în metadatele imaginilor (și nu sub formă de filigran vizibil, de exemplu), forțând agenții AI să inspecteze detaliile de licențiere în loc să se bazeze doar pe aspectul vizual.

Autorii afirmă:

‘Pentru a reduce calitatea vizuală ca o variabilă perturbatoare, am utilizat un flux de selecție semi-automat pentru a construi perechi de active care sunt semantice și estetic echivalente.

‘Scopul nostru a fost să ne asigurăm că activele nu sunt preferate doar pe baza datelor pixelilor.’

Trei fluxuri de lucru comerciale realiste au fost concepute pentru Copyright-Bench, toate implicând scenarii în care deciziile privind drepturile de autor apar în mod obișnuit: în primul, Web, agenții au construit un site comercial, selectând o “imagine eroică” pentru o pagină de aterizare; în al doilea, Merch, agentul a selectat o operă de artă pentru produse imprimate, cum ar fi tricouri și căciuli; și în al treilea, Pitch Deck, a asamblat un “pitch deck” pentru o prezentare corporativă, selectând imagini de susținere.

Fiecare sarcină a măsurat dacă agenții vor alege imagini reutilizabile din punct de vedere legal, chiar și atunci când alternativele protejate de drepturi de autor arătau la fel de bune.

Fiecare pereche de imagini a fost revizuită manual pentru a elimina falsurile pozitive, cu imagini protejate de drepturi de autor verificate pentru a se asigura că nu au rămas filigrane vizibile sau logo-uri de agenție. În plus, fiecare pereche a fost verificată pentru a se asigura că erau strâns corelate în ceea ce privește rezoluția, iluminarea și compoziția. În acest fel, starea drepturilor de autor nu putea fi dedusă doar din calitatea vizuală.

Meta

Deoarece imaginile publice și cele protejate de drepturi de autor au fost intenționat create pentru a arăta similar și lipsite de indicii evidente, cum ar fi filigranele, starea drepturilor de autor nu putea fi determinată doar din aspectul lor.

În schimb, un agent AI a fost obligat să inspecteze metadatele imaginii, unde informațiile despre drepturi de autor fuseseră stocate în antetul EXIF/IPTC.

Benchmark-ul s-a bazat pe câmpul de metadate “Notificare de drepturi de autor” pentru a distinge între imagini legale și restricționate, cu fotografii protejate de drepturi de autor etichetate ‘©2025 Deposit Photo’ și imagini publice etichetate ‘Produs al guvernului SUA; domeniu public’. Orice agenți care nu au verificat aceste metadate nu au putut distinge în mod fiabil între cele două.

Atenția la solicitare

Benchmark-ul a fost conceput și pentru a măsura cum diferitele forme de instrucțiuni ale utilizatorului influențează conformitatea cu drepturile de autor, cu fiecare sarcină prezentată în patru condiții de solicitare separate: o solicitare neutră nu a făcut nicio mențiune despre drepturile de autor; o solicitare conștientă de drepturi de autor a amintit în mod explicit agentului să respecte legea drepturilor de autor; o solicitare în grabă a introdus presiune de timp; și o solicitare care ignoră drepturile de autor a combinat urgența cu instrucțiuni, cum ar fi ‘Nu te îngrijora de licențe’, pentru a testa dacă agenții vor abandona gardienii legali atunci când sunt încurajați de utilizator să facă acest lucru.

Cele două metrice utilizate pentru a evalua performanța au fost Rata de încălcare (VR), care măsoară cât de des un agent a selectat cel puțin o imagine protejată de drepturi de autor atunci când o alternativă legală era disponibilă; și Rata de succes a sarcinii (TSR), care măsoară cât de des sarcina asignată a fost finalizată cu succes, utilizând acțiuni valabile, ieșiri corect formate și imagini care au rămas relevante pentru cererea utilizatorului.

Atenția umană

Un benchmark uman a fost, de asemenea, asignat aceleași sarcini, imagini și condiții de solicitare. Participanții, care nu au primit nicio pregătire juridică, au fost rugați să explice pe scurt alegerile lor, permițând o comparație directă între conformitatea umană și cea a agenților.

Modele și teste

Modelele închise selectate pentru teste, toate disponibile în jurul datei de decembrie 2025, au fost GPT-5.2; GPT-5.1; GPT-4o; Claude 4.5 Opus; Claude 4.5 Sonnet; Gemini 3 Pro; și Gemini 3 Flash.

Modelele open-source selectate pentru teste au fost Llama-4-Maverick-400B; Llama-4-Scout-109B; Qwen-3VL-235B; și DeepSeek-VL.

Pentru a se asigura că fiecare model a fost testat în condiții identice, toate experimentele au fost rulate utilizând cadrul AutoGen de la Microsoft. Fiecare model a fost asociat cu un Agent de proxy al utilizatorului care a executat sarcini și un Agent asistent care a generat decizii, în timp ce s-a oferit acces la șase unelte MCP, prezentate în tabelul de mai jos:

Rezumatul uneltelor Protocolului de context al modelului (MCP) puse la dispoziția agenților AI în timpul evaluării, incluzând funcții pentru navigarea fișierelor, inspectarea imaginilor, recuperarea metadatelor și trimiterea finală a activelor.

Patru configurații de mediu au fost testate pentru a determina dacă organizarea fișierelor și informațiile disponibile au influențat conformitatea cu drepturile de autor: Std, cu toate imaginile stocate într-un singur folder; Hier, cu imagini separate în directoare etichetate; Vis, cu metadatele de drepturi de autor eliminate, astfel încât deciziile să se bazeze doar pe conținutul vizual; și Web, care a adăugat o unealtă de căutare pe web la mediul standard.

Pentru a menține consistența, temperatura de raționament a fost setată la 0,1, iar fiecare combinație de sarcină, variantă de solicitare și mediu a fost rulată de 240 de ori. Modelele open-source au fost rulate cu vLLM pe patru plăci grafice NVIDIA Blackwell B200, fiecare cu 180 GB de memorie HBM3e:

Rezultate din evaluarea principală Copyright-Bench, arătând rate medii de încălcare a drepturilor de autor pentru oameni, modele proprietare și modele open-source, la trei familii de sarcini. PNeu denotă o solicitare neutră; PIP, o amintire explicită despre drepturile de autor; PUrg, o solicitare în grabă; și PDis, o instrucțiune de a ignora licențele. Fiecare procent reprezintă partea din 240 de rulări în care un model a selectat cel puțin o imagine restricționată, în ciuda unei alternative publice adecvate, cu scoruri mai mici indicând o conformitate mai bună. Rezultatele provin dintr-un agent care traversează un mediu standard cu fișiere plate.

Dintre aceste rezultate, autorii afirmă:

‘[Agenții] au finalizat cu succes sarcina de bază (TSR >98% la toate sarcinile), izolând VR ca măsură cheie a conformității legale.’

Pe toate cele trei familii de sarcini, modelele au produs rezultate similare: sub solicitări neutre, Claude 4.5 Opus a selectat cel puțin o imagine protejată de drepturi de autor în 38,3% din sarcinile WebDev, în timp ce modelele open-source au depășit 45%. Ratele de încălcare au variat puțin între proiectarea site-urilor web, crearea de produse și generarea de prezentări.

Claude 4.5 Opus a înregistrat cea mai mică rată generală de încălcare dintre modelele proprietare, la 27,6%, urmată de Gemini 3 Pro și Claude 4.5 Sonnet la 28,7%.

GPT-4o a înregistrat 36,2%, în timp ce Llama-4-Maverick a realizat cea mai mică rată de încălcare dintre modelele open-source, la 41,0%.

Formularea solicitării a influențat, de asemenea, performanța, cu solicitări conștiente de drepturi de autor reducând ratele de încălcare la toate modelele, și solicitări care ignoră drepturile de autor crescând ratele de încălcare la modelele open-source:

‘Observăm o diviziune comportamentală între modelele proprietare și cele open-source sub solicitarea Dismissivă/Neglijentă (PDis), unde utilizatorul instruiește în mod explicit agentul să ignore licențele.

‘Pentru fiecare model proprietar pe care l-am studiat, rata de încălcare a scăzut de fapt în setarea Dismissive IP față de setarea Neutră. Modelele open-source prezintă tendința opusă: rata de încălcare a Llama-4-Maverick crește de la 45,0% (PNeu) la 52,1% (PDis).’

Pentru a înțelege de ce au fost selectate lucrări protejate de drepturi de autor, 100 de eșecuri care implicau GPT-5.2, Claude 4.5 Opus și Qwen-3VL au fost revizuite manual, și au fost identificate trei moduri de eșec recurente: eșecul de a inspecta metadatele de drepturi de autor; eșecuri de raționament, incluzând drepturi contextuale, unde imaginile furnizate într-un folder de proiect au fost presupuse a fi deja licențiate, și obosirea ferestrei contextuale, unde imaginile protejate de drepturi de autor identificate anterior au fost uitate; și prioritizarea instrucțiunilor utilizatorului în detrimentul conformității cu drepturile de autor, în special sub solicitări urgente și disprețuitoare:

În cele din urmă, o comparație a fost făcută între agenții AI și un benchmark uman, asignând participanților fără pregătire juridică aceleași sarcini de selecție a imaginilor, sub aceleași condiții de solicitare. Sub solicitări neutre, imagini protejate de drepturi de autor au fost selectate de oameni la rate comparabile cu cele ale modelelor AI.

Când au fost furnizate avertizări explicite despre drepturile de autor, încălcările au fost aproape eliminate în toate cele trei sarcini. Îmbunătățirea a fost observată și la modelele AI, dar imagini protejate de drepturi de autor au continuat să fie selectate mult mai frecvent.

Sub solicitări disprețuitoare care încurajau ignorarea licențelor, conformitatea umană s-a deteriorat puternic, deși rate de încălcare și mai mari au fost înregistrate la modelele open-source – și, în general, o reacție mult mai puternică la instrucțiunile explicite de drepturi de autor a fost demonstrată de oameni decât de sistemele AI.

Concluzii

Deși lucrarea nu abordează posibilitatea, pare rezonabil să credem că companiile care operează modele AI locale și nu se așteaptă la audituri neașteptate din partea autorităților locale, sunt probabil să implementeze cele mai ieftine soluții care le oferă maximă conformitate cu solicitările lor.

Acest scenariu este cel mai în concordanță cu modelele open-source “rătăcite” studiate în noua lucrare, mai degrabă decât cu modelele închise, cum ar fi ChatGPT și Gemini; mai ales, deoarece niciun model studiat, având toate mijloacele necesare pentru a se conforma, nu a obținut un scor de 100%.

Dacă niciun platformă AI disponibilă nu poate preveni expunerea legală, multe afaceri ar putea concluziona că ar trebui să se folosească de modelele cele mai performante și conforme pe care le pot rula și să se ocupe singure de conformitatea legală.

Pentru motive evidente, pare puțin probabil ca platformele AI de avangardă, cum ar fi Anthropic și OpenAI, să ofere vreodată sisteme de agenți “conformi din punct de vedere legal” fără caveat emptor. Prin urmare, dacă conformitatea legală este un produs pe care modelele de frontieră nu îl oferă și nu îl vor oferi niciodată, măsurile lor de protecție sunt clar implementate doar pentru protecția lor, și nu pentru beneficiul utilizatorilor platformei.

Toate acestea reprezintă un argument împotriva inteligenței artificiale comercializate și în favoarea rulării modelelor locale – în special cu perspectiva de a porni o instanță a unui model de frontieră open-source, cum ar fi Kimi, pe GPU-uri remote bare-metal, și chiar și de a-l ajusta la nevoile specifice ale companiei dvs.

Publicat pentru prima dată marți, 28 iulie 2026