Licenças da Wikipedia para empresas de IA
A discussão sobre licenças de dados para empresas de IA afeta cada vez mais organizações sem fins lucrativos como a Wikipedia. Jimmy Wales, cofundador da Wikipedia, busca mais acordos de licenciamento com empresas de IA, semelhante ao contrato existente com o Google. Esta é uma resposta ao aumento dos custos de servidores e armazenamento, causado pelo scraping por meio de bots de IA. A questão central é como encontrar um equilíbrio justo entre dados abertos e IA, sem comprometer o princípio de fontes de conhecimento livre.
Fonte: Representação própria
Wikipedia e licenças de IA
A Wikipedia, mantida pela fundação sem fins lucrativos Wikimedia Foundation, é financiada principalmente por doações. O conteúdo está sob Creative-Commons-Lizenz CC BY-SA 3.0 e sob a GNU Free Documentation License, , que também permitem o uso comercial, desde que as condições de licenciamento sejam cumpridas. Essa abertura torna a Wikipedia atraente para empresas de IA, pois os artigos são revisados editorialmente, versionados, citados com fontes e estruturados – uma base ideal para Grafos de conhecimento e dados de treinamento.
Os bots de IA rastreiam, segundo Wales, "todo o site", , o que leva a um aumento desproporcional de caches, RAM e largura de banda. Os doadores da Wikipedia querem apoiar a educação livre, não subsidiar os custos de infraestrutura de conglomerados de IA bilionários.
O primeiro grande contrato de licenciamento é o entre a Wikimedia Foundation e o Google sobre o serviço „Wikimedia Enterprise“. Este serviço comercial de API, lançado em 2021, destina-se a grandes usuários, como motores de busca e empresas de IA. Enquanto usuários normais podem continuar a usar a Wikipedia gratuitamente, empresas que precisam de milhões de requisições, espelhamento em tempo real e feeds de dados personalizados obtêm acesso estável e contratualmente regulado mediante pagamento. O Google paga por este serviço , enquanto o Internet Archive, como organização sem fins lucrativos, obtém acesso completo gratuito.
Essa abordagem desloca a agregação de valor: em vez de scraping gratuito, agora existe um produto adaptado a aplicações intensivas em dados. Paralelamente, empresas de IA estão negociando pacotes de licenciamento com casas de mídia. A OpenAI fez acordos com editoras como Axel Springer e Financial Times. O Reddit declarou em seu IPO ter arrecadado cerca de 203 milhões de dólares por meio de licenças de dados, , incluindo um contrato com o Google de cerca de 60 milhões de dólares por ano. A Wikipedia, portanto, enfrenta a questão de por que deveria continuar a fornecer infraestrutura gratuita para modelos de IA, quando outras plataformas vendem seus dados.
Fonte: wikimediafoundation.org
A Wikimedia Foundation está desenvolvendo uma estratégia de IA que coloca o ser humano no centro.
Aspectos legais
A situação jurídica para o treinamento de grandes modelos de linguagem é uma zona cinzenta global. . Na UE, a Diretiva de Direitos Autorais para o Mercado Único Digital (Diretiva DSM) permite mineração de texto e dados, desde que os detentores de direitos não excluam explicitamente suas obras. O próximo EU AI Act endurece os requisitos para "IA de propósito geral": os fornecedores devem publicar um resumo detalhado de seus dados de treinamento e observar os direitos autorais e sinais de opt-out. Isso serve para a transparência, para que os detentores de direitos possam rastrear o uso de seu conteúdo e, se necessário, negociar ou processar.
Nos EUA, o debate em torno de „Fair Use“. domina. Empresas de IA argumentam que o treinamento em obras protegidas por direitos autorais constitui um uso transformador, pois não são copiadas 1:1, mas sim padrões estatísticos são aprendidos. No entanto, os tribunais não aceitam consistentemente esse argumento. Um tribunal de Munique decidiu que o treinamento do ChatGPT em letras de músicas protegidas viola o direito autoral alemão e condenou a OpenAI a pagar indenização à GEMA. O licenciamento de dados de treinamento de LLM depende de exceções, mecanismos de opt-out, obrigações de transparência e processos judiciais, o que força plataformas como a Wikipedia a ter modelos de licenciamento previsíveis.
Fonte: digitalzentrum-berlin.de
O AI Act da UE cria um quadro jurídico para o uso da inteligência artificial e influencia os modelos de licenciamento.
Uma introdução concisa às questões fundamentais de "Direitos autorais e treinamento de IA" é oferecida por esta discussão especializada em inglês.
Custos do scraping de IA
Para plataformas sem fins lucrativos como a Wikipedia, o scraping de IA gera principalmente três blocos de custos: infraestrutura adicional, contramedidas técnicas e esforço de governança. A demanda por servidores, largura de banda e recursos de cache aumenta, pois os bots de IA rastreiam automatizado grandes partes ou dumps completos do projeto. Organizações sem fins lucrativos precisam decidir como se defender contra scraping excessivo. Além de meios clássicos como robots.txt, a Wikimedia Foundation discute soluções especializadas como Cloudflare „AI Crawl Control“. . Além disso, são necessárias estruturas de governança que decidam com quais empresas negociar e quando o acesso gratuito mina os objetivos da comunidade.
Outras plataformas reagem de forma diferente: o Reddit aposta em licenças de dados pagas, mas está sob observação da US-Federal Trade Commission por vender dados de usuários. Ao mesmo tempo, o Reddit processa a Anthropic por scraping em violação de contrato, a fim de proteger seu modelo de licenciamento. Para projetos como a Wikipedia, o espaço de manobra é menor. Eles podem oferecer modelos corporativos pagos, mas precisam explicar à sua comunidade por que certas formas de scraping de IA, a partir de um certo volume, não são mais vistas como uso legítimo, mas como uma armadilha de custos.
Jimmy Wales oferece insights sobre a tensão entre cultura livre e sustentabilidade em palestras.
Modelos para um equilíbrio justo
A questão central é como é um equilíbrio justo entre dados abertos e IA que protege a inovação e o bem comum. Um modelo de acesso em camadas é uma abordagem óbvia: pessoas e pequenos projetos usam conteúdo livremente, observando a licença CC. Grandes atores comerciais, especialmente operadores de sistemas de IA, celebram contratos de licenciamento com condições claras sobre escopo, obrigações de atribuição, direitos de exclusão e responsabilidade, como Wikimedia Enterprise ou os acordos de grandes editoras com a OpenAI demonstram.
Fonte: user-added
Duas águas-vivas luminosas, uma azul, uma verde, contra um fundo preto com linhas de grade e colchetes.
Um segundo componente é a sinalização técnica: os detentores de direitos devem ser capazes de indicar de forma legível por máquina se seu conteúdo pode ser usado para treinamento de IA, e os rastreadores de empresas de IA devem respeitar esses sinais. Um terceiro elemento são os modelos de remuneração padronizados: em vez de acordos individuais, sociedades coletivas de gestão ou contratos-quadro em toda a indústria poderiam arrecadar e redistribuir taxas de licenciamento para categorias de uso definidas, comparável à arrecadação musical.
O YouTube permite que os criadores concordem explicitamente que seus vídeos podem ser usados para treinamento de sistemas de IA de empresas externas; essa configuração é desativada por padrão. Isso sugere um futuro em que o conteúdo aberto não será mais automaticamente considerado um estoque gratuito de matéria-prima para conglomerados de IA, mas em que os direitos de uso, remuneração e opções de opt-out serão negociados de forma transparente – também para projetos sem fins lucrativos como a Wikipedia.
Os princípios básicos das licenças Creative Commons são explicados neste vídeo explicativo em alemão. Uma introdução concisa à perspectiva europeia sobre regulamentação de IA e direitos autorais é oferecida por esta palestra.
Conclusão e perspectiva
A Wikipedia defende a ideia do conhecimento livre, mas "acessível livremente" não significa "explorável gratuitamente para qualquer modelo de negócios". A decisão de Jimmy Wales e da Wikimedia Foundation de buscar mais acordos de licenciamento com empresas de IA é uma tentativa de preservar os princípios da Wikipedia em um mundo impulsionado pela IA. O conteúdo aberto deve permanecer aberto, mas aqueles que o utilizam comercialmente em escala industrial devem contribuir com uma parcela justa para o financiamento da infraestrutura.
Se essa abordagem terá sucesso, depende de como os tribunais, órgãos reguladores e o público responderão à questão de um equilíbrio justo entre dados abertos e IA. Trata-se de não mais transferir os custos reais do scraping de IA para voluntários e doadores.