De vraag of auteursrechtelijk beschermd materiaal gebruikt mag worden om AI-systemen te trainen onder de “fair use” (billijk gebruik) doctrine is een van de meest complexe en actuele juridische kwesties op het gebied van AI en auteursrecht. Recente uitspraken van Amerikaanse rechters hebben hierover meer duidelijkheid, maar ook meer complexiteit gebracht.
De “Fair Use” Doctrine (in de VS):
Fair use is een juridische doctrine in het Amerikaanse auteursrecht die, onder bepaalde omstandigheden, het beperkte gebruik van auteursrechtelijk beschermd materiaal zonder toestemming van de auteursrechthebbende toestaat. De toepassing van fair use is altijd een feitenafhankelijke analyse op basis van vier factoren:
- Het doel en karakter van het gebruik: Is het commercieel of non-profit? Is het “transformatief” (voegt het nieuwe uitdrukking, betekenis of doel toe aan het origineel)?
- De aard van het auteursrechtelijk beschermde werk: Is het feitelijk of creatief? (Feitelijke werken neigen eerder naar fair use).
- De omvang en substantialiteit van het gebruikte deel: Hoeveel van het originele werk is gebruikt en is het een essentieel deel?
- Het effect van het gebruik op de potentiële markt voor of de waarde van het auteursrechtelijk beschermde werk: Schade het de markt van het origineel?
Recente Uitspraken van Amerikaanse Rechters (rond juni/juli 2025):
Er zijn recentelijk, met name in de U.S. District Court for the Northern District of California (in de zaken Bartz v. Anthropic en Kadrey v. Meta), en ook in de District of Delaware (in de zaak Thomson Reuters v. ROSS), belangrijke uitspraken gedaan over dit onderwerp. Deze uitspraken laten zien dat er nog geen eenduidige lijn is en dat de zaak erg complex is: - De “Transformatieve” Factor:
- Argument vóór fair use: Verschillende rechters, met name in de zaken Bartz v. Anthropic en Kadrey v. Meta, hebben geoordeeld dat het trainen van Large Language Models (LLM’s) met auteursrechtelijk beschermd materiaal “bij uitstek transformatief” is. De redenering is dat het doel van het trainen (het creëren van een nieuw AI-model dat nieuwe tekst of andere content kan genereren) fundamenteel anders is dan het oorspronkelijke doel van de werken (bijv. een boek lezen voor entertainment of educatie). De AI leert patronen en relaties, maar “produceert” de werken niet opnieuw in hun originele vorm.
- Argument tegen fair use: Een rechter in de zaak Thomson Reuters v. ROSS, en later een andere rechter in Californië, was kritischer. Zij stelden dat zelfs als het trainen transformatief is, dit niet automatisch betekent dat het fair use is, vooral als het gaat om commercieel gebruik en potentiële marktschade. Ze benadrukten dat het doel van het auteursrecht is om makers te beschermen en te stimuleren.
- De “Marktschade” Factor:
- Dit is vaak de meest cruciale factor. In de zaken Bartz en Kadrey vonden de rechters dat er (nog) onvoldoende bewijs was geleverd dat de training van AI-modellen leidde tot significante marktschade voor de originele werken. De modellen produceerden geen “vervangende” kopieën die de markt voor de originelen zouden ondermijnen.
- De rechter in de Thomson Reuters zaak oordeelde juist dat er wel degelijk sprake was van marktschade, omdat ROSS AI een product ontwikkelde dat direct concurreerde met de juridische databases van Thomson Reuters, en daarvoor beschermd materiaal zonder licentie gebruikte.
- Een recente uitspraak in Californië stelde ook dat “in de meeste gevallen” het trainen van LLM’s op auteursrechtelijk beschermde werken zonder toestemming waarschijnlijk auteursrechtschending is, als de output van de AI kan concurreren met de originele werken of de marktwaarde ervan vermindert.
- Het Verkrijgen van de Trainingsdata (Piraterij):
- Een belangrijk punt dat naar voren kwam, is de herkomst van de trainingsdata. Zelfs als het gebruik voor training als fair use wordt beschouwd, betekent dit niet dat de manier waarop de data is verkregen, ook legaal is.
- Meerdere rechters hebben gesuggereerd dat het gebruik van illegaal verkregen (gepirateerde) content voor trainingsdoeleinden de fair use-verdediging kan ondermijnen, ongeacht de transformativiteit. Het bouwen van een “onderzoeksbibliotheek” van gepirateerde kopieën voor permanent behoud is op zichzelf geen fair use.
Algemene Conclusie uit Recente Uitspraken: - Geen kant en klare “ja” of “nee”: Er is geen definitieve, overkoepelende uitspraak die stelt dat al het gebruik van auteursrechtelijk beschermd materiaal voor AI-training onder fair use valt, of juist niet. Het blijft sterk afhankelijk van de specifieke feiten van elke zaak.
- Transformativiteit is vaak een sterk argument voor AI-ontwikkelaars, maar niet doorslaggevend op zichzelf.
- Marktschade is cruciaal: Als auteursrechthebbenden kunnen aantonen dat de output van de AI-modellen concurreert met hun werk of de waarde ervan vermindert, wordt het moeilijker voor AI-bedrijven om zich op fair use te beroepen.
- De herkomst van de data is van belang: Het illegaal verzamelen van trainingsdata (bijv. via piraterij) kan de fair use-verdediging sterk verzwakken, zelfs als het trainen zelf als transformatief wordt gezien.
- De wetgeving is in beweging: Dit is een nieuw en snel evoluerend rechtsgebied. Hogere rechtbanken of nieuwe wetgeving (zoals de EU AI Act) kunnen in de toekomst meer duidelijkheid scheppen.
Kortom, de recente uitspraken tonen aan dat het debat over fair use en AI-training verre van beslecht is, en dat de juridische uitkomst sterk afhankelijk is van de details van de specifieke zaak. AI-bedrijven worden geadviseerd om voorzichtig te zijn, de herkomst van hun data te controleren en waar mogelijk licenties te verkrijgen.