Wikimedia vraagt rechter om AI-training en RAG apart te beoordelen

Wikimedia Foundation diende op 29 oktober een verzoek in om een amicusbrief toe te voegen aan de auteursrechtzaak tegen OpenAI, met een voorstel om AI-training en retrieval apart onder fair use te toetsen.

Voor Nederlandse teams die een kennisassistent op externe inhoud bouwen, raakt dit ook de stap ná modeltraining: retrieval haalt passages op bij een gebruikersvraag en kan die in het antwoord verwerken. Wikimedia stelt dat ook die kopieën apart onder het auteursrecht moeten worden beoordeeld. Het verzoek is een standpunt in een Amerikaanse procedure, geen uitspraak en geen nieuwe Nederlandse regel.

De brief vraagt toestemming, geen oordeel

Het processtuk is gericht aan de federale rechtbank voor het Southern District of New York en heeft documentnummer 2361. Wikimedia vraagt de rechter toestemming om de bijgevoegde voorgestelde amicusbrief in te dienen. Een amicusbrief is een aanvullende bijdrage van een organisatie buiten het proces. De bijgevoegde brief zegt geen van beide partijen te steunen.

De Foundation zegt dat de procedure twaalf samengevoegde zaken tegen OpenAI omvat, met de zaak van The New York Times tegen Microsoft en OpenAI als bekendste voorbeeld. Die bundeling van twaalf auteursrechtzaken rond OpenAI verklaart waarom de gevraagde uitleg verder gaat dan één productfunctie. Wikimedia zegt kennisplatforms te beheren waarop AI-systemen steunen, en stelt dat de uitkomst ook bepaalt hoe vrij beschikbare kennis online kan blijven circuleren.

De voorgestelde toets volgt het gebruik

Wikimedia maakt onderscheid tussen drie stappen: het ophalen van kopieën, het trainen van een model en het ophalen van bronpassages bij een antwoord. Volgens de brief is scraping of crawlen op zichzelf geen juridisch gebruik dat de fair-use-toets voor latere stappen moet bepalen. Het is volgens de stichting een technische manier om materiaal te verzamelen. De rechter zou moeten kijken naar wat er vervolgens met die kopieën gebeurt.

Voor het voortrainen van een algemeen taalmodel stelt Wikimedia dat het gebruik van beschermde werken waarschijnlijk onder fair use valt. Het model leert volgens die redenering patronen en levert iets nieuws en anders op dan de oorspronkelijke artikelen of boeken.

Bij retrieval-augmented generation, of RAG, haalt een systeem tijdens een vraag passages uit websites of andere kennisbronnen op en voegt die toe aan de context waarmee het antwoord wordt gemaakt. Wikimedia stelt dat zulke systemen relevante tekstfragmenten selecteren en soms grotendeels in het antwoord teruggeven. Dat kan volgens de brief de oorspronkelijke bron vervangen voor de lezer. Daarom vraagt de stichting de rechter om kopiëren en reproduceren via ChatGPT’s RAG-functie waarschijnlijk niet als fair use te behandelen wanneer de relevante licentievoorwaarden niet worden gevolgd.

De brief laat ruimte voor andere RAG-systemen

Het voorgestelde standpunt is specifieker dan een algemeen verbod op retrieval. In een voetnoot schrijft Wikimedia dat systemen die consequent bronnen noemen en ernaar linken minder snel inbreuk maken. RAG op eigen of gelicentieerde teksten kan volgens de brief anders uitpakken. De brief zegt daarom dat de beoordeling per gebruik moet verschillen. De motion geeft geen technische grens voor wanneer een antwoord voldoende op een bron lijkt of welke bronvermelding in elk geval volstaat.

Dat onderscheid raakt direct aan de gegevens die een kennisassistent nodig heeft. Voor de meeste geschreven bijdragen aan Wikimedia-projecten geldt een Creative Commons CC BY-SA-licentie. Die licentie staat commercieel kopiëren en aanpassen toe, mits de maker wordt vermeld en aangepaste werken onder dezelfde licentie verdergaan. De voorwaarden voor CC BY-SA 4.0 maken bronvermelding en de status van een bewerking dus concreet. De voorgestelde brief vraagt om die voorwaarden ook mee te wegen wanneer een RAG-systeem passages ophaalt en toont.

Een team dat een kennisassistent bouwt, moet daarom onderscheid kunnen maken tussen eigen documenten, materiaal met toestemming en externe bronnen met eigen voorwaarden. Ook moet de herkomst meegaan met de passage als die in een antwoord verschijnt. Dat is een technische vertaalslag van Wikimedia’s standpunt, geen nieuwe wettelijke verplichting die deze brief al oplegt.

Andere partijen kiezen een andere lijn

Ook op 29 oktober dienden AAP, CCC, IBPA en STM een brief in die de rechtbank vraagt OpenAI’s fair-useverweer voor modeltraining af te wijzen. De vier organisaties die tegen OpenAI’s fair-useverweer bij modeltraining optraden kozen daarmee een andere lijn dan Wikimedia, dat training en retrieval afzonderlijk wil beoordelen.

De retrievalvraag lag ook al op tafel toen wikiHow OpenAI aanklaagde. De site stelde dat OpenAI niet alleen artikelen gebruikte voor training, maar ook bij antwoorden opnieuw kopieën maakte. In die zaak betwist wikiHow zowel modeltraining als het ophalen van zijn artikelen via RAG. Wikimedia sluit bij die tweede vraag aan, maar vraagt om een beoordeling die ook rekening houdt met bronvermelding en gelicentieerde databanken.

De uitkomst blijft bij de Amerikaanse rechter en verandert de Nederlandse regels vandaag niet. De voorgestelde brief verplaatst een deel van het debat naar het moment waarop een assistent een bronpassage ophaalt en in een antwoord verwerkt. De juridische beoordeling hangt volgens Wikimedia af van de herkomst van die passage, de licentie en de manier waarop de assistent haar presenteert. Voor Nederlandse organisaties blijft daardoor een concrete ontwerpvraag over: kan het systeem per antwoord laten zien waar de gebruikte kennis vandaan komt en onder welke voorwaarden die bron beschikbaar is?