Een AI-ontwikkelaar betaalt 1,5 miljard na het trainen van een taalmodel op 7 miljoen gestolen boeken. Het gaat om een schikking met rechthebbenden, zodat verdere rechtszaken stoppen. De zaak speelt internationaal en raakt zowel uitgevers als techbedrijven. Het doel is schade vergoeden en duidelijkheid scheppen over het gebruik van trainingsdata.
Schikking na datadiefstal
De betaling draait om boeken die zonder toestemming zijn gekopieerd en gebruikt als trainingsdata. Trainingsdata zijn voorbeelden waarmee een algoritme leert patronen herkennen. In dit geval gaat het om volledige boeken, niet om korte citaten. Rechthebbenden stelden dat dit direct inbreuk op auteursrechten is.
De AI-ontwikkelaar kiest voor een schikking in plaats van een lange rechtszaak. Een schikking betekent dat partijen een bedrag en voorwaarden afspreken buiten de rechter om. Zo vermijden zij extra kosten en onzekerheid. Het bedrijf erkent daarmee ook het financiële risico van de claims.
Welke taalmodellen of productnamen precies zijn betrokken is op het moment van schrijven niet publiek bevestigd. Wel is duidelijk dat het gaat om generatieve systemen. Generatieve systemen zijn algoritmen die nieuwe tekst of beeld maken op basis van voorbeelden. Die voorbeelden zijn hier de gestolen boeken.
7 miljoen titels en 1,5 miljard neerkomt op ruim 200 euro per boek aan compensatie.
Auteursrecht staat centraal
In Europa geldt de Auteursrechtrichtlijn (DSM) met een uitzondering voor tekst- en datamining. Die uitzondering staat gebruik voor onderzoek toe, maar rechthebbenden mogen via een opt-out verbieden. Een opt-out is een duidelijke, machineleesbare blokkade, bijvoorbeeld in robots.txt. Training op illegale kopieën valt sowieso niet onder de uitzondering.
Voor Nederlandse uitgevers en auteurs betekent dit dat zij hun rechten actief kunnen beschermen. Collectieve beheersorganisaties zoals Lira en Pictoright kunnen eisen stellen of licenties regelen. Ook kunnen zij opt-out regels afdwingen bij platforms. Het gebruik van schaduwbibliotheken omzeilt die bescherming en is onrechtmatig.
De zaak onderstreept dat volledige boeken meer zijn dan “open data”. Open data zijn vrij te gebruiken gegevens, vaak van de overheid. Boeken zijn beschermde werken met duidelijke eigendomsrechten. AI-bedrijven moeten dus vooraf licenties afsluiten.
AI-verordening vraagt transparantie
De Europese AI-verordening (AI Act) eist extra transparantie van algemene-doeleinden AI (GPAI), zoals grote taalmodellen. Grote taalmodellen, oftewel LLM’s, zijn systemen die veel tekst begrijpen en maken. Ontwikkelaars moeten samengevatte informatie geven over gebruikte trainingsdata. Ook moeten zij het auteursrecht respecteren en redelijke stappen zetten om schending te voorkomen.
Voor aanbieders in de EU wordt documentatie verplicht. Denk aan modelkaarten met herkomst van data, beperkingen en risico’s. Dit helpt toezichthouders en klanten de herkomst te controleren. Het verkleint de kans op verborgen illegale bronnen.
De schikking geeft aan dat niet voldoen grote financiële gevolgen heeft. Boetes komen nu niet alleen van toezichthouders, maar ook uit civiele claims. Voor Europese scale-ups is dit een duidelijke waarschuwing. Goed databeleid is geen optie, maar noodzaak.
Gevolgen voor Nederlandse markt
Nederlandse uitgevers, bibliotheken en edtech-bedrijven krijgen meer duidelijkheid over licenties. Voor training van AI-systemen is vooraf toestemming of een geldige uitzondering nodig. Universiteiten kunnen vaak terecht onder de onderzoeksuitzondering. Commerciële partijen moeten meestal een licentie afsluiten of datasets inkopen met heldere rechten.
Overheden en publieke instellingen moeten bij inkoop eisen stellen. Vraag altijd naar de herkomst van trainingsdata en het licentiemodel. Dit past bij Europese aanbestedingsregels en de AVG. De AVG speelt mee als datasets ook persoonsgegevens uit boeken of metadata bevatten.
Voor start-ups kan dit de kosten verhogen, maar ook risico’s verlagen. Een schone dataset voorkomt claims en reputatieschade. Dat is belangrijk bij investeringen en samenwerking met de overheid. Transparante datastromen worden een concurrentievoordeel.
Techniek werkt, rechten ontbreken
De kern is niet dat de technologie faalt, maar dat rechten ontbraken. Generatieve AI werkt juist beter met rijke, lange teksten. Maar zonder licentie op boeken is dat juridisch kwetsbaar. De schikking laat zien dat kwaliteit zonder toestemming te duur kan uitpakken.
Er zijn alternatieven voor risicovolle datasets. Bedrijven kunnen licenties sluiten met uitgevers of kiezen voor open werken met heldere voorwaarden. Ook synthetische data kan helpen, al heeft die minder variatie. Een mix van legale bronnen is vaak het beste.
Voor gebruikers verandert er weinig aan functionaliteit, maar wel aan prijs en tempo. Meer licentiekosten kunnen doorwerken in abonnementen. Tegelijk groeit het aanbod van legaal gelicentieerde content. Dat maakt modellen voorspelbaarder en beter uitlegbaar.
Druk op dealmaking neemt toe
De markt beweegt richting licentiedeals met uitgevers, nieuwsmedia en databanken. Zulke afspraken maken het gebruik van beschermde werken duidelijk en controleerbaar. Ze passen bij de AI-verordening en het Europese auteursrecht. Daarmee daalt het juridische risico in de keten.
Voor Nederland ligt hier een kans voor collectieve afspraken. Sectoren als educatie, zorg en media kunnen gezamenlijke raamwerken opzetten. Denk aan standaardlicenties en auditpaden voor datasets. Dat versnelt innovatie zonder rechten te schenden.
De recente betaling van 1,5 miljard is een signaal aan de hele sector. Illegale data zijn geen snelkoppeling, maar een molensteen. Wie nu investeert in legale datamodellen, wint later aan snelheid. En houdt nieuw Europees toezicht met vertrouwen op afstand.