Можно ли обучать модель на чужих данных: правовая рамка

MAATRIX

Дообучаете модель под свою задачу и на середине процесса ловите себя на вопросе: а данные, на которых она учится, вообще ваши? Тема острая и быстро меняющаяся — единой практики нет ни в одной юрисдикции, суды по всему миру спорят об этом прямо сейчас. Ниже — не юридическая консультация, а обзор для ориентира: какие сценарии обучения обычно безопасны, какие спорны, и что делать на практике, когда разворачиваете дообучение на собственном сервере. Оговорка сразу и прямо: это обзорный материал, а не правовое заключение. Право в области обучения ИИ на данных активно развивается, различается по странам, и в конкретных судебных делах ответы пока противоречивы. Для реального юридического решения — тем более если речь о коммерческом продукте с деньгами на кону — нужна консультация юриста, знакомого с правом интеллектуальной собственности в вашей юрисдикции и юрисдикции ваших пользователей.

Три разных сценария обучения — и своя грань риска у каждого

Прежде чем разбираться, "можно или нельзя", стоит развести три принципиально разных случая, потому что правовые вопросы у них разные:

1. Обучение на собственных данных компании — внутренняя переписка, документация, код, база знаний. Это ваши данные, вы ими владеете или имеете права на использование.
2. Обучение на данных, собранных из внешних источников — веб-скрапинг сайтов, форумов, книг, статей для формирования датасета. Здесь встаёт вопрос авторского права третьих лиц.
3. Обучение на данных ваших клиентов — переписка пользователей вашего сервиса, их запросы, загруженные ими файлы. Здесь встаёт вопрос согласия конкретных людей.

Смешивать эти три случая — источник большинства недоразумений. Разберём каждый отдельно.

Свои данные компании — обычно самый спокойный случай

Если вы дообучаете модель на внутренней переписке компании, технической документации, кодовой базе, тикетах поддержки или базе знаний — с точки зрения авторских прав третьих лиц это обычно не создаёт правовых сложностей. Логика простая: это ваши материалы, созданные вашими сотрудниками в рамках трудовых отношений, права на них по умолчанию принадлежат компании (детали зависят от трудовых договоров и юрисдикции, но общий принцип именно такой).

Практический пример: компания разворачивает открытую модель на своём сервере и дообучает её на архиве переписки в поддержке, чтобы получить ассистента, отвечающего в стиле и терминологии компании. Датасет — это экспорт из собственной helpdesk-системы, никаких чужих текстов туда не попадает. Это тот сценарий, где юридических вопросов по авторскому праву третьих лиц, как правило, не возникает.

Нюанс, который всё же стоит держать в голове: если во внутренней переписке встречаются персональные данные сотрудников или клиентов (имена, контакты, содержание личных обращений), это уже вопрос не авторского права, а защиты персональных данных — тема отдельная и рассмотрена ниже, а также в статье о том, что считается персональными данными. Код и техническая документация обычно этой проблемы не несут, а вот переписка с клиентами — уже может.

Практическая настройка на своём сервере под такой сценарий не требует ничего специфического с юридической стороны — достаточно обычной гигиены доступа к серверу и данным. Если хотите разобраться с самой технической частью дообучения, у нас есть отдельный разбор обучения LoRA на арендованном GPU — там про параметры, VRAM и подготовку датасета.

Веб-скрапинг для датасета — спорная зона

Другая история — когда для обучения собственной модели вы собираете датасет со сторонних источников: сайтов, форумов, статей, книг, изображений из открытого интернета. Здесь возникает главный правовой вопрос последних лет: является ли использование чужого текста или изображения, защищённого авторским правом, для *обучения* модели (а не для прямого воспроизведения этого текста читателю) нарушением авторских прав?

Интуитивно кажется, что раз модель не выдаёт скопированный текст дословно, а "учится на нём" и генерирует что-то новое — то это ближе к тому, как человек учится, читая книги. Но юридически этот аргумент принимается судами не универсально и не однозначно. Есть доктрины вроде "добросовестного использования" (fair use в США) и аналогичные концепции в других странах, которые в некоторых случаях допускают использование защищённых материалов для трансформативных целей — но применение этих доктрин к обучению ИИ-моделей само по себе остаётся предметом спора, а не устоявшимся правилом.

Важно понимать: разные юрисдикции и разные суды дают на этот вопрос разные ответы. Что-то, признанное допустимым использованием в одной стране или одном судебном деле, может быть признано нарушением в другой юрисдикции или другим судом при похожих фактах. Единой мировой нормы здесь нет — и вряд ли появится в ближайшее время, пока законодатели и суды догоняют технологию.

Судебная практика: почему единого ответа пока нет

Тема активно оспаривается в реальных судебных процессах, идущих прямо сейчас в разных странах — авторы, издательства, художники и медиакомпании судятся с разработчиками моделей по поводу использования их материалов в обучающих датасетах. Мы намеренно не приводим здесь конкретные названия дел, номера исков или прогнозы по срокам решений — это область, где ситуация меняется быстрее, чем успевает устареть статья, и любая конкретика рискует оказаться неточной уже к моменту прочтения.

Что можно сказать без риска ошибиться — это структура проблемы, а не её текущий счёт:

• Истцы обычно утверждают, что копирование защищённых материалов в обучающий датасет само по себе является нарушением — независимо от того, воспроизводит ли модель эти материалы дословно на выходе.
• Ответчики обычно утверждают, что обучение — трансформативный процесс, извлекающий статистические паттерны, а не хранящий и не воспроизводящий исходные произведения.
• Суды в разных делах по-разному оценивают, где проходит грань между "выучил паттерн" и "скопировал произведение", особенно если модель при определённых запросах может воспроизвести узнаваемые фрагменты исходника.
• Регуляторное поле тоже не стоит на месте — в разных странах обсуждаются или принимаются отдельные нормы именно про обучение ИИ на защищённом контенте, отдельно от общего законодательства об авторском праве.

Практический вывод из этой неопределённости простой: если вы разворачиваете дообучение на собственном сервере на датасете, собранном скрапингом из открытого интернета, для коммерческого использования — вы принимаете на себя юридический риск, размер и реальность которого сегодня оценить точно нельзя. Это не значит "нельзя делать" — это значит "нужно осознанно взвешивать риск", желательно с юристом, а не полагаться на "все так делают".

Практический совет: что предпочесть для дообучения на своём сервере

Если вы разворачиваете дообучение на арендованном сервере и хотите избежать головной боли позже, разумный практический подход — не окончательная юридическая гарантия, а способ снизить риск:

• Предпочитайте явно лицензированные датасеты — с открытой лицензией, прямо разрешающей использование для обучения моделей, или коммерческие датасеты, купленные именно с этим правом.
• Предпочитайте собственные данные с понятными правами — переписку, документацию и код, которыми компания владеет или на которые имеет права по трудовым договорам с сотрудниками.
• Относитесь с осторожностью к непроверенным веб-скрапинг датасетам для коммерческого использования — то, что подходит для личного эксперимента или исследования, не обязательно безопасно для модели, встроенной в коммерческий продукт с реальными пользователями.
• Для данных клиентов — явное отдельное согласие, а не расчёт на то, что общая формулировка про обработку персональных данных покроет и обучение модели.
• Документируйте происхождение датасета — откуда взят каждый источник, на каких условиях. Если через год-два возникнет вопрос, у вас должна быть возможность объяснить, что и почему вы использовали.

С технической стороны сам процесс дообучения на своём сервере не зависит от происхождения данных — GPU, объём VRAM и параметры обучения одни и те же что для лицензированного корпуса, что для сомнительного скрапинга. Но именно поэтому легко упустить правовую сторону вопроса за технической рутиной — стоит явно проговорить происхождение датасета до начала обучения, а не после.

Частые вопросы