Marile companii de inteligență artificială, precum Google, Microsoft, OpenAI și Anthropic, au anunțat susținerea unui nou mecanism comun pentru protejarea conținutului online de utilizarea în antrenarea modelelor AI. Acest sistem utilizează un identificator comun în fișierul robots.txt, menit să simplifice comunicarea preferințelor site-urilor către roboții de colectare a informațiilor.
Un mecanism unic pentru restricția utilizării conținutului în AI
Noul sistem se bazează pe fișierul robots.txt și introduce un identificator denumit __usage_ai-training. Prin includerea acestuia, administratorii de site-uri pot transmite unui singur clic preferința de a nu permite folosirea materialelor pentru antrenarea modelelor AI. În prezent, restricțiile trebuie aplicate individual pentru fiecare companie, proces complicat pentru gestionari.
De exemplu, un administrator poate introduce în robots.txt regula:
User-Agent: __usage_ai-training Disallow: /, exprimând astfel refuzul de a permite utilizarea conținutului pentru antrenarea AI-urilor generative.
Implementarea și diferențele între companii
Deși cele patru companii au anunțat sprijinul pentru această inițiativă, implementarea nu se va face simultan. Anthropic a început deja integrarea, în timp ce OpenAI plănuiește să respecte noile reguli în lunile următoare, fără o dată precisă.
Microsoft intenționează să aplice regula de pe 1 februarie 2027, iar Google își propune să o implementeze în cursul anului 2027. Diferențele apar în modul în care interpretează solicitările administratorilor de site-uri, Google fiind criticată pentru riscul de a limita vizibilitatea anumitor pagini, chiar dacă site-urile doresc doar restricționarea antrenării modelelor.
Microsoft introduce mecanisme pentru control separat al utilizării pentru antrenare și pentru răspunsurile generate de AI. În schimb, Meta a salutat inițiativa, dar nu a luat încă un angajament ferm.
Limitări și probleme juridice
Noul mecanism nu împiedică tehnic accesul roboților AI la paginile indicat în robots.txt. Chiar dacă un site solicită să nu fie folosit în antrenare, crawlerii pot continua să viziteze site-ul. Totodată, măsura nu este retroactivă, astfel că informațiile deja colectate înainte de aplicarea regulii nu sunt afectate.
Respectarea solicitărilor depinde de angajamentele fiecărei companii. Unele, precum Cloudflare, oferă instrumente pentru blocarea roboților sau solicitarea de plată pentru accesul la conținut, aspect ce adaugă un element juridic complex disputei legate de utilizarea neautorizată a datelor.
Procesele și acordurile comerciale, precum cazul The New York Times, care a dat în judecată OpenAI și Microsoft în 2023 pentru folosirea materialelor jurnalistice fără consimțământ, ilustrează tensiunile din industrie.
Impactul asupra conținutului și transparenței online
Noul sistem nu restricționează automat accesul roboților AI sau protejează informațiile deja colectate anterior. Implementarea depinde de angajamentele voluntare ale companiilor și de acordurile private, ceea ce limitează eficacitatea măsurii.
Deși inițiativa aduce un avans în direcția transparenței, multe site-uri și editori consideră că nu soluționează toate problemele legate de folosirea conținutului. Multe site-uri au extins măsurile de protecție, precum blocarea roboților sau solicitarea de plăți pentru acces.
Pe plan juridic, disputa legată de utilizarea datelor pentru antrenarea AI continuă, cu procese și încercări de reglementare. În lipsa unor măsuri obligatorii, sistemul actual rămâne o declarație de intenție, fără garanția că informațiile publicate nu vor fi utilizate în modele de AI.
