Yapay Zeka Ajanları Telif Hakkı İhlalini Önlemek İçin Açık Kaynaklı Alternatifleri Kullanmak Yerine Telif Hakkı İhlalini Yeğler

Araştırmalar, yapay zeka ajanlarının ücretsiz ve yasal alternatifler sunulduğunda bile telif hakkı ihlali içeren görselleri tercih ettiğini ve açık uyarıların bile her ihlali durduramadığını göstermiştir.

Son iki yıl içinde, üretken yapay zeka modellerinin ürettiği eserlerin telif hakkı ihlali içerip içermediğine ilişkin birçok akademik çalışma yapılmıştır – bir senaryoda, telif hakkı ihlali içeren eserler modelin eğitim veritabanına dahil edilmiştir, böylece model bir sanatçının stilini taklit etme veya telif hakkı ihlali içeren eseri tamamen üretme yeteneğine sahiptir.

Daha az çalışılan konu, ajantik yapay zeka ajanlarının, mevcut kaynakları otomatik olarak gezinirken, telif hakkı ihlali içeren eserleri seçme ve kullanma eğilimlerinin incelenmesidir. Yani, bir Görme-Dil Modeli (VLM) gibi ChatGPT’ye web sitenize uygun bir görsel bulmasını söylediğinizde, açık kaynaklı bir eseri telif hakkı ihlali içeren bir esere tercih etme olasılığı nedir?

Bu örnek, yeni araştırma makalesinden, bir yapay zeka ajanının, kolayca erişilebilen ve eşit kalitede bir açık kaynaklı görseli kullanmak yerine, bilinen bir telif hakkı ihlali içeren görseli tercih ettiğini gösterir. Kaynak

UK, ABD ve İsrail’den üç araştırmacı tarafından yapılan yeni bir araştırmaya göre, bu olasılık oldukça yüksektir:

Dört kullanıcı promtu boyunca kapalı AI modelleri, açık AI modelleri ve insanlar için ortalama telif hakkı ihlali oranları. Üç test senaryosundan toplamlı, daha yüksek çubuklar daha kötü performansı gösterir, daha kısa çubuklar ise yasal görsellerin seçiminde daha iyi bir uyum gösterir. Kaynak: Kaynak makale.

Araştırmacılar, hem kapalı kaynaklı hem de açık kaynaklı yapay zeka ajanlarının, ücretsiz ve yasal alternatifler mevcut olduğunda bile, telif hakkı ihlali içeren görselleri tercih ettiğini bulmuşlardır. Bir telif hakkı uyarısı olmadan, her grup sık sık telif hakkı ihlali içeren seçimi yapmıştır.

Telif hakkı uyarısı, telif hakkı uyumunu büyük ölçüde iyileştirmiştir (özellikle insanlar için, yukarıdaki resmin ikinci sütunundan sağa doğru), ancak zaman baskısı (‘acele), sorunu daha da kötüleştirmiştir. Açık kaynaklı modeller, araştırmacılar tarafından, lisans ihlallerini en kötü şekilde gerçekleştirenler olarak bulunmuştur (yukarıdaki resmin en sağ sütunu):

‘Ajantik görev performansı, telif hakkı yasalarına uyumla güçlü bir şekilde ilişkili değildir. Ajanlar, görev performansı üzerinde yasal uyuma öncelik verir. Ayrıca, ajanların yasal uyumu, kullanıcı talimatlarına göre oldukça kırılgan ve şekillenmiştir.’

‘Açık ağırlıklı modeller, kullanıcı talimatlarına lisans kısıtlamalarını göz ardı etmeleri durumunda, telif hakkı materyallerini seçme oranını keskin bir şekilde artırır. Ticari modeller ise, nötr talimat koşullarında, telif hakkı yasalarına daha yüksek bir uyum gösterir ve lisans kısıtlamalarını göz ardı etmeleri için kullanıcı talimatlarına karşı daha az duyarlıdır.’

Bulunan sonuçların açıklığına rağmen, bu soruna karşı目前 bir çözüm bulunmamaktadır, ancak kapalı kaynaklı modellerin, bu konuda guardrail önlemlerini artırabileceği düşünülmektedir.

Yeni makale, Ajantik Telif Hakkı Yasası Uyum Değerlendirmesi başlığını taşımaktadır ve Cambridge Üniversitesi, Fordham Üniversitesi ve Kudüs İbrani Üniversitesi’nden üç araştırmacı tarafından hazırlanmıştır.

Yöntem

Telif Hakkı-Bench değerlendirme çerçevesinin概要u, burada yapay zeka ajanları, yalnızca telif hakkı meta verisi aracılığıyla ayırt edilebilen, görsel olarak eşdeğer kamu malı ve telif hakkı içeren görselleri kullanan üç ticari görüntü seçme göreviyle test edilmiştir. Dört.prompt varyasyonu, telif hakkı hatırlatmalarının, zaman baskısının ve ihmal edici talimatların etkilerini test etmiş, telif hakkı ihlalleri ve görev başarısı kaydedilmiştir. İnsan çalışmaları da karşılaştırma için yapılmıştır.

Özgür İrade

Araştırmacılar, yapay zeka ajanlarının gerçekten telif hakkı içeren materyali tercih edip etmediğini belirlemek için, en açık alternatif açıklamayı kaldırdılar: ajanların, yasal bir seçenek olmadan, telif hakkı içeren materyali seçmekten başka seçeneği yoktu.

Bu nedenle, benchmarktaki her görev, başarılı bir şekilde tamamlanabilmesi için en az bir ücretsiz ve yasal görselin bulunması şeklinde tasarlandı. Yani, telif hakkı içeren bir görseli seçmek, görevi tamamlamak için asla gerekli değildi.

Eğer bir ajan telif hakkı içeren materyali seçtiyse, bu, yasal alternatifi tanımlayamadığı veya kullanmayı tercih etmediği için değil, benchmarkın ihlale zorladığı için değildi.

Veri Kümesi

Araştırmacılar, Telif Hakkı-Bench benchmark koleksiyonunu, 200 yüksek çözünürlüklü görselden oluşan bir veri setinden oluşturdular. Bu veri seti, 100 kamu malı fotoğraf ve 100 telif hakkı içeren görselden oluşuyordu.

Görseller, CLIP-ViT-L/14 semantic gömme ve LAION-Aesthetics V2 kalite puanları kullanılarak eşleştirildi ve her çiftin görsel olarak eşdeğer olduğu manuel olarak doğrulandı. Telif hakkı bilgileri yalnızca görsellerin meta verilerine gömüldü, böylece yapay zeka ajanlarının, görünüşe göre değil, lisans ayrıntılarına göre karar vermesi gerekti.

Araştırmacılar şöyle demiştir:

‘Görsel kaliteyi karıştırıcı bir değişken olarak azaltmak için, görsellerin semantik ve estetik olarak eşdeğer olduğu bir seçim pipeline’ı kullandık.’

‘Hedefimiz, görsellerin yalnızca piksel verilerine göre tercih edilmemesini sağlamaktı.’

Telif Hakkı-Bench için üç gerçekçi ticari iş akışı tasarlandı. Bu iş akışları, telif hakkı kararlarının genellikle ortaya çıktığı senaryolardır: ilk olarak, Web, ajanlar bir web sitesi için ‘hero image’ seçerek ticari bir web sitesi oluşturdu; ikincisi, Merch, ajanlar basılı ürünler için sanat eserleri seçti; ve üçüncüsü, Pitch Deck, ajanlar bir şirket sunumu için destekleyici görseller seçti.

Her görev, ajanların, telif hakkı içeren alternatifler eşit derecede uygun görünse bile, yasal olarak kullanılabilir görselleri seçip seçmediğini ölçtü.

Her eşleştirilmiş görsel çifti, yanlış pozitifleri ortadan kaldırmak için manuel olarak gözden geçirildi ve telif hakkı içeren görseller, hiçbir görünür watermark veya ajans logosunun kalmaması için kontrol edildi. Ayrıca, her çiftin çözünürlüğü, aydınlatması ve kompozisyonu açısından da eşleştirildi. Bu şekilde, telif hakkı durumu yalnızca görsel kaliteden değil, meta verisinden anlaşılabilirdi.

Gerçekten Meta

Kamu malı ve telif hakkı içeren görseller, kasıtlı olarak görsel benzerliklerine göre eşleştirildi ve açık ipuçlarından arındırıldı. Bu nedenle, telif hakkı durumu yalnızca görünüşten değil, gömülü meta verisinden anlaşılabilirdi.

Benchmark, telif hakkı ihlali içeren ve kamu malı görselleri ayırt etmek için ‘Telif Hakkı Bildirimi’ meta verisi alanına dayanıyordu. Telif hakkı içeren fotoğraflar ‘ 2025 Deposit Photo’ olarak etiketlenirken, kamu malı görseller ‘ABD hükümeti ürünü; kamu malı’ olarak etiketlenmiştir. Anyapay zeka ajanları, bu meta verilerini kontrol edemezse, yasal ve kısıtlanmış görselleri güvenilir bir şekilde ayırt edemezdi.

Prompt Dikkati

Benchmark, aynı zamanda farklı kullanıcı talimatlarının telif hakkı uyumunu nasıl etkilediğini ölçmek için tasarlandı. Her görev, dört farklı prompt koşulunda sunuldu: tarafsız bir prompt, telif hakkı hakkında hiçbir şey söylemedi; telif hakkı farkında bir prompt, ajanı açıkça telif hakkı yasalarına uymaya çağırdı; acele bir prompt, zaman baskısı getirdi; ve ihmal edici bir prompt, ajanı lisans kısıtlamalarını göz ardı etmeye teşvik etti.

Performansı değerlendirmek için kullanılan iki ölçüt, İhlal Oranı (İO) ve Görev Başarı Oranı (GBO) idi. İO, bir ajanın, yasal bir alternatif mevcut olduğunda, en az bir telif hakkı ihlali içeren görseli seçme sıklığını ölçtü. GBO, ajanın görevi başarılı bir şekilde tamamlama sıklığını ölçtü.

İnsan Dokunuşu

İnsanların performansı, aynı görevleri ve prompt koşullarını kullanarak ölçüldü. Katılımcılar, hiçbir yasal eğitim almadan, görevleri tamamlamak için hangi görselleri seçtiklerini kısaca açıklamaya davet edildi. Bu, insan ve ajantik uyumun doğrudan karşılaştırılmasına olanak tanıdı.

Modeller ve Testler

Test edilen kapalı kaynaklı modeller, Aralık 2025’te mevcut olan GPT-5.2; GPT-5.1; GPT-4o; Claude 4.5 Opus; Claude 4.5 Sonnet; Gemini 3 Pro; ve Gemini 3 Flash idi.

Denenen açık ağırlıklı modeller, Llama-4-Maverick-400B; Llama-4-Scout-109B; Qwen-3VL-235B; ve DeepSeek-VL idi.

Her modelin aynı koşullarda test edildiğinden emin olmak için, tüm deneyler Microsoft’un AutoGen çerçevesi kullanılarak yürütüldü. Her model, görevleri gerçekleştiren bir KullanıcıProxyAgent ve kararlar üreten bir AssistantAgent ile eşleştirildi ve altı MCP aracı aşağıdaki tabloda gösterildi:

Yapay zeka ajanlarına değerlendirme sırasında sağlanan Model Context Protocol (MCP) araçlarının özeti, dosya gezintisi, görüntü inceleme, meta veri alma ve nihai varlık gönderme işlevlerini içerir.

Dört ortam yapılandırması, dosya organizasyonunun ve mevcut bilginin telif hakkı uyumunu nasıl etkilediğini belirlemek için test edildi: Std, tüm görsellerin tek bir klasörde depolandığı; Hier, görsellerin etiketli dizinlere ayrıldığı; Vis, telif hakkı meta verilerinin kaldırıldığı ve kararların yalnızca görsel içeriğe dayanması gerektiği; ve Web, standart ortama web arama aracının eklendiği.

Makaledeki yazarlar, şöyle demiştir:

‘[Ajanlar] neredeyse her zaman temel görevi başarılı bir şekilde tamamlar (TSR >%98 tüm görevlerde), VR’yi yasal uyumu ölçmek için ana ölçüt haline getirir.’

Tüm üç görev ailesi boyunca modeller benzer sonuçlar üretti: tarafsız promtlerde, Claude 4.5 Opus, WebDev görevlerinde en az bir telif hakkı ihlali içeren görseli %38,3 oranında seçti, açık ağırlıklı modeller ise %45’i aşkın oranlara ulaştı. İhlal oranları, web sitesi tasarımı, ürün oluşturma ve sunum oluşturma arasında önemli bir değişiklik göstermedi.

Claude 4.5 Opus, tüm kapalı kaynaklı modeller arasında en düşük genel ihlal oranını %27,6 ile kaydetti, onu Gemini 3 Pro ve Claude 4.5 Sonnet %28,7 ile takip etti.

GPT-4o, %36,2 oranında bir ihlal oranı kaydetti, açık ağırlıklı modeller arasında en düşük oranı Llama-4-Maverick %41,0 ile gerçekleştirdi.

Prompt kelime seçimi de performansı etkiledi, telif hakkı farkında promtler tüm modellerde ihlal oranlarını azalttı ve ihmal edici promtler açık ağırlıklı modellerde ihlal oranlarını artırdı:

‘İhmal edici/Sabırsız prompt (PDis) altında, kullanıcı açıkça ajanı lisansları göz ardı etmeye yönlendirdiğinde, ticari ve açık ağırlıklı modeller arasında bir davranış ayrılması gözlemliyoruz.’

‘Çalıştığımız her ticari model için, ihlal oranı, Nötr [koşul] ile karşılaştırıldığında, Dismissive IP ayarında gerçekten azaldı. Açık ağırlıklı modeller ise ters trendi gösterir: Llama-4-Maverick’in ihlal oranı, PNeu’dan (%45,0) PDis’e (%52,1) çıkar.’

Neden telif hakkı içeren materyal seçildiğini anlamak için, GPT-5.2, Claude 4.5 Opus ve Qwen-3VL ile ilgili 100 başarısızlık manuel olarak incelendi ve üç tekrarlayan başarısızlık modu tanımlandı: telif hakkı meta verilerini incelemekte başarısızlık; akıl yürütme hataları, bağlamsal hak dahil, burada proje klasöründe sağlanan görsellerin zaten lisanslı olduğu varsayılıyordu ve bağlamsal pencere yorgunluğu, daha önce tanımlanmış telif hakkı içeren görsellerin unutulması; ve kullanıcı talimatlarının, özellikle acele ve ihmal edici promtler altında, telif hakkı uyumundan öncelikli tutulması.

Sonuç

Makale, bu olasılığı ele almaz, ancak yerel AI’ı çalıştıran ve yerel makamlarından sudden denetim beklemeyen şirketlerin, taleplerine maksimum uyumu sağlayan en ucuz çözümleri uygulamaya eğilimli olacağına inanmak makul görünüyor.

Bu senaryo, yeni makalede incelenen ‘yanlış’ açık kaynaklı modellere daha çok uyuyor, özellikle de hiçbir model, gerekli tüm araçlarla donatıldığında, %100’e yakın bir uyum oranı elde edemediğinden.

Eğer hiçbir mevcut AI platformu yasal sorumluluğu önleyemezse, birçok işletme, en iyi performansı ve uyumu sağlayan modelleri çalıştırmaya ve yasal uyumu kendileri sağlamaya karar verebilir.

Açıkçası, önde gelen AI platformları gibi Anthropic ve OpenAI’nin, caveat emptor olmadan ‘yasal olarak uyumlu’ ajan sistemleri sunması olası değildir. Dolayısıyla, yasal uyum, ön cephe modellerinin bir ürünü değilse, guardrail önlemleri yalnızca kendi koruma amaçlıdır ve platform kullanıcılarının yararına değildir.

Bu, commoditized AI’ye karşı ve özellikle açık kaynaklı ön cephe modellerini yerel olarak çalıştırmanın, örneğin Kimi gibi bir modeli uzak metal GPU’larda çalıştırmanın ve hatta şirketin kendi özel ihtiyaçlarına göre ince ayarlamasının lehine bir argümandır.

İlk olarak 28 Temmuz 2026 Salı günü yayınlandı.