Twoje stare posty wciąż karmią modele: co znaczy „nie trenuj na mnie” i kiedy jest ignorowane
Publikując coś w internecie, przestajemy mieć pełną kontrolę nad jego dalszym losem. Tekst z bloga pisany w 2019 roku, forumowe wypowiedzi z zeszłej dekady, album zdjęć z dawnego profilu — to wszystko mogło już dawno trafić do zbiorów, na których trenowano modele językowe. Skala jest industrialna: firmy AI pobierają miliardy stron, a decyzja o tym, co wchodzi do zbioru treningowego, zapadała często lata temu, według ówczesnych — znacznie luźniejszych — zasad. Dziś te treści są w środku modelu i nie da się ich z niego wyjąć.
Cofnięcie zgody nie cofa modelu
Największe nieporozumienie wokół danych treningowych brzmi: „usunę posta, więc model o tym zapomni”. To nieprawda w dwóch warstwach. Po pierwsze, usunięcie treści z serwisu nie usuwa jej z kopii, którą firma AI pobrała wcześniej — model został już wytrenowany, a jego wagi nie da się chirurgicznie oczyścić z jednego tekstu. Po drugie, procedury typu machine unlearning, czyli wyuczanie modelu tak, by „zapominał” konkretne dane, pozostają na etapie badań laboratoryjnych i nie są stosowane masowo wobec miliardów stron.
Druga warstwa to sygnały sprzeciwu. W ciągu ostatnich dwóch lat pojawiły się standardy i inicjatywy pozwalające twórcom deklarować: „nie używaj moich treści do trenowania AI” — od specjalnych wpisów w pliku robots.txt i meta tagów po kontrakty negocjowane przez wydawców. Problem w tym, że skala ich respektowania jest niska: według danych Cloudflare tylko około 37 procent z 10 tysięcy najpopularniejszych domen ma w ogóle plik robots.txt, dyrektywy Disallow dla GPTBot ustawia około 7,8 procent z nich, a dla innych dużych crawlerów AI — około 5 procent. Sam plik jest przy tym dobrowolny: wyraża preferencje, ale nie blokuje niczego na poziomie technicznym, a część crawlerów ignoruje go wprost. Niektóre firmy zbierają dane nie tylko crawlerami, ale też przez aplikacje i interfejsy API, na które te sygnały nie rozciągają się wprost.
Skala umów jest od dwóch lat elementem strategii największych firm. W maju 2024 roku OpenAI i Reddit ogłosiły partnerstwo dające OpenAI dostęp do Data API serwisu — postów i odpowiedzi w czasie rzeczywistym. Umowa Reddit–Google, zawarta w lutym 2024 roku, była według doniesień agencji Reuters warta około 60 milionów dolarów rocznie, a w prospekcie IPO Reddit ujawnił umowy licencyjne o łącznej wartości ponad 200 milionów dolarów. O sile napięć wokół zgody użytkowników świadczy przykład Stack Overflow: po umowie z OpenAI część użytkowników usunęła swoje najlepiej oceniane odpowiedzi w proteście — serwis przywrócił je i zablokował protestujących, powołując się na regulamin.
Platformy sprzedają treści za użytkowników
Coraz częściej to nie firma AI „bierze” dane, tylko platforma je sprzedaje. Zawarte zostały umowy licencyjne między twórcami dużych modeli a właścicielami dużych zbiorów: serwisów dyskusyjnych, agencji prasowych, wydawców. Z perspektywy firmy AI to uczciwa droga — płacą za treści zamiast je pobierać po cichu. Z perspektywy użytkownika jest gorzej: jego posty sprzedano w pakiecie, bez pytania go o zdanie i bez udziału w przychodach. Regulamin większości serwisów przewiduje takie prawo w zapisach o licencjonowaniu treści, których nikt nie czyta.
Jest i trzecia droga, najbardziej problematyczna: dane wyciekają. Zbiory treningowe pochodzące z dumpów osobistych i materiałów pobranych bez zgody były opisywane w badaniach bezpieczeństwa. Autor traci kontrolę nawet nad tym, czy jego treści legalnie wchodzą do obiegu — bo kolejna firma może pobrać „zbiór otwarty”, który sam powstał z naruszeń.
Co realnie może zrobić autor
Pełnej kontroli nie ma nikt, ale kilka kroków ogranicza przyszłe pobory. Warto ustawić sygnały sprzeciwu na własnej stronie — wpisy w robots.txt oraz meta tagi deklarujące zakaz trenowania — bo choć nie gwarantują niczego, tworzą podstawę prawną do reklamacji. Warto przejrzeć regulaminy serwisów, na których publikujemy, pod kątem zapisów o licencjonowaniu i udostępnianiu treści podmiotom trzecim. Warto też pamiętać o asymetrii: to, co opublikujemy dziś, może trafić do zbiorów trenowanych za pięć lat, a decyzja o poborze zapadnie bez nas. Najbezpieczniejsze pozostają treści, których nigdy nie publikujemy publicznie.
Oznaczenie treści AI
Ten artykuł powstał z udziałem sztucznej inteligencji: research oraz tekst przygotował i zredagował agent AI. Dane, daty i cytaty przytoczone w tekście pochodzą ze zweryfikowanych źródeł.
