Обучение ИИ на чужом контенте: ускорение развития за счет обхода прав

По данным издания CNews, в России готовится изменение законодательства, которое разрешит обучение моделей искусственного интеллекта на защищенных авторским правом материалах без получения согласия правообладателей. Инициатива закреплена в проекте закона об ИИ и направлена на устранение дефицита обучающих данных, который сдерживает развитие отечественных сервисов. Регулятор предлагает компромиссное решение: доступ к исходным текстам, изображениям или видео будет закрыт для конечного пользователя, что позволяет использовать контент для анализа, но не для публичного воспроизведения.

Экономическая целесообразность и доступ к данным

Представители Альянса в сфере ИИ подчеркивают, что без подобных нормативных изменений создание конкурентоспособных российских сервисов становится невозможным. Объем доступных данных на внутреннем рынке существенно уступает масштабам, которые используют крупнейшие зарубежные платформы. Ограничение доступа к научным публикациям, образовательным ресурсам и архивным документам создает технологический барьер, замедляющий обучение алгоритмов.

Собеседник, близкий к аппарату Правительства, указывает на практическую сторону вопроса: многие ценные данные закрыты для разработчиков, что усложняет процесс создания качественных моделей. Законодательное разрешение позволяет обойти эти ограничения, не нарушая при этом прав авторов на коммерческое использование их произведений в открытом доступе. Если материал доступен по подписке или в закрытом контуре, его использование останется невозможным без договора, тогда как открытый контент станет легальной базой для обучения.

Распределение прав и ответственности

Проект закона четко определяет владельца прав на результат работы нейросети. Авторским правом на ответ ИИ-модели будет обладать пользователь, который сформулировал запрос, обработал полученный результат и внес в него творческий вклад. Это положение закрепляет ценность человеческого участия в генерации контента. При этом законопроект не предусматривает механизма привлечения к ответственности пользователя, который представит ответ системы как собственное произведение, если в нем содержатся фрагменты авторских материалов.

Юристы отмечают сложность правоприменения в этой сфере. Мария Мойш, старший юрист и патентный поверенный компании Verba Legal, разъясняет, что процесс обучения модели сам по себе не является нарушением, так как представляет собой анализ, а не воспроизведение. Однако хранение материалов для последующего обучения требует согласия автора. Ситуация меняется при генерации ответа: если модель выдает текст или изображение, защищенное авторским правом, без обработки, это может быть квалифицировано как нарушение.

Роман Лукьянов, председатель комиссии по креативным индустриям Ассоциации юристов России, указывает на практическую невозможность привлечения пользователя к ответственности. Клиент сервиса не знает, какие именно данные использовала модель для формирования ответа, поэтому доказать умысел или факт нарушения становится крайне сложно. Это создает зону правовой неопределенности, где баланс смещается в сторону развития технологий за счет снижения рисков для конечных пользователей.

i

Создано специально для ASECTOR

Концептуальное изображение

Стратегия регулирования и принципы развития

Подход России к регулированию ИИ описывается как гибридный, сочетающий стимулирующие меры и защитные механизмы. В проекте концепции, разработанном Минцифры, зафиксирован принцип технологического суверенитета и человекоориентированного подхода. Регулирование строится на доверии к технологиям, уважении автономии человека и запрете на причинение вреда. Особое внимание уделяется недопущению антропоморфизации, то есть «очеловечивания» алгоритмов, что должно сохранить прозрачность взаимодействия человека и машины.

Большинство нормативных актов носят стимулирующий характер, что подтверждает курс на поддержку инноваций. В условиях жесткой глобальной конкуренции смягчение законодательства в области авторских прав рассматривается как необходимый инструмент для удержания позиций на рынке. Компании получают возможность масштабировать свои разработки, используя обширные массивы информации, не тратя ресурсы на согласование каждого элемента обучающей выборки.

Однако понимания масштаба проблемы недостаточно. Ключевой вопрос — как выстроить защиту в новых реалиях. Разбор конкретных стратегий и механизмов — в аналитической части материала.

Цена данных и парадокс доступности

Изменение законодательства, разрешающее обучение моделей искусственного интеллекта на защищенных авторским правом материалах без согласия правообладателей, устраняет юридические барьеры, но обнажает физические ограничения отрасли. Инициатива, направленная на решение дефицита обучающих данных, создает иллюзию полной готовности рынка к рывку. Однако за снятием правовых ограничений скрывается перераспределение экономической ценности: данные, созданные годами, становятся бесплатным сырьем для алгоритмов, а точка монетизации смещается с продажи контента на продажу готовых сервисов.

Для российских разработчиков это означает снижение издержек на вход в рынок. Доступ к открытым текстам, изображениям и архивам позволяет масштабировать проекты без затрат на лицензирование. Однако этот механизм работает только в связке с наличием вычислительных мощностей. Без «железа» даже самый полный набор данных остается невостребованным ресурсом.

Дисбаланс между правом и физикой

Законодательное решение опережает техническую реальность. Снятие барьеров для доступа к данным сталкивается с критическим дефицитом компонентов для их обработки. Монополия на производство стеклоткани T-glass, необходимой для упаковки мощных ИИ-процессоров, привела к росту цен на материал на 20–30% и удвоению сроков поставки [!]. Баланс спроса и предложения на этот критический ресурс не восстановится до второй половины 2027 года.

Это создает парадокс доступности: государство делает данные дешевыми и легальными, но физическая возможность их обработки становится дороже и сложнее. Крупные игроки, способные заключать прямые договоры с поставщиками сырья, получают преимущество, в то время как стартапы, рассчитывавшие на легализацию данных как на драйвер роста, сталкиваются с невозможностью закупить оборудование.

В этих условиях альтернативные решения становятся фактором выживания. Компании могут рассмотреть развертывание инфраструктуры на базе решений Huawei, которые позволяют запустить дата-центры за четыре–шесть месяцев, жертвуя пиковой производительностью ради скорости [!]. Такой компромисс меняет структуру конкуренции: скорость ввода проекта в эксплуатацию становится важнее абсолютной мощности чипов.

Важный нюанс: Законодательная доступность данных не гарантирует технологического суверенитета, если физический доступ к вычислительным мощностям остается ограниченным глобальными цепочками поставок сырья.

Новая архитектура ответственности

Проект закона закрепляет право на результат работы нейросети за пользователем, внесшим творческий вклад. Это положение перекладывает риски на корпоративных заказчиков. Если пользователь — юридическое лицо, оно становится владельцем сгенерированного контента и несет ответственность за его использование. Юристы отмечают, что доказать умысел пользователя при нарушении прав третьих лиц сложно, так как клиент не знает состава обучающей выборки модели.

Однако введение маркировки ИИ-контента в рамках рамочного законодательства меняет правила игры [!]. Требование обозначать сгенерированные материалы снижает риск случайного использования защищенного контента в коммерческих целях без ведома правообладателя. Это создает механизм прослеживаемости, который может стать основой для новых моделей ответственности.

Различие между «хранением для обучения» и «генерацией ответа» остается ключевым. Обучение модели не является нарушением, так как представляет собой анализ, а не воспроизведение. Нарушение возникает только при публичном воспроизведении защищенного материала в ответе системы без обработки. Для бизнеса это означает необходимость внедрения фильтров и проверок на этапе вывода результата, чтобы избежать юридических коллизий.

Стратегия в условиях неопределенности

Рынок движется к гибридной модели регулирования, сочетающей стимулы и защитные механизмы. Принцип запрета на антропоморфизацию, закрепленный в концепции Минцифры, направлен на сохранение прозрачности взаимодействия человека и машины. Это снижает риски доверия к результатам, сгенерированным на спорных данных, и требует от компаний четкого разграничения человеческой и машинной работы.

Для российских компаний это означает необходимость пересмотра стратегий монетизации. Традиционная модель продажи доступа к информации уступает место продаже услуг на основе ИИ. Компании, владеющие уникальными данными, теряют конкурентное преимущество, если эти данные становятся общедоступными для обучения. Ответом может стать создание специализированных моделей или интеграция ИИ в продукты, где ценность создается не данными, а алгоритмом их обработки.

Важный нюанс: Отсутствие прямого механизма компенсации правообладателям за использование их данных для обучения может привести к закрытию качественных источников информации в долгосрочной перспективе, что усугубит дефицит данных.

Успех инициативы зависит от способности бизнеса адаптироваться к новым условиям. Сочетание легальных данных, дефицита оборудования и альтернативных решений формирует новый ландшафт, где побеждает не тот, у кого больше прав, а тот, кто быстрее находит баланс между доступностью сырья, скоростью развертывания инфраструктуры и юридической чистотой результатов.