Polscy pisarze i muzycy odkrywają swoje dzieła w danych treningowych AI

Setki utworów polskich pisarzy i muzyków trafiły do danych treningowych największych modeli językowych bez wiedzy, zgody i wynagrodzenia twórców, wynika z analizy opisanej przez Spider's Web. Dzieła Olgi Tokarczuk, Jerzego Pilcha, Jacka Dukaja czy Wojciecha Chmielarza, a także piosenki Sanah, Tede czy Quebonafide, znalazły się w zbiorach wykorzystanych do trenowania modeli OpenAI, Mety, Anthropic, Google i xAI.

Skala zjawiska wynika z tego, jak trenuje się dzisiejsze duże modele językowe. Firmy technologiczne potrzebują gigantycznych ilości tekstu, żeby modele dobrze radziły sobie z językiem, stylem i wiedzą o świecie, a polska literatura i muzyka, mimo niszowego zasięgu międzynarodowego, stanowi wartościowy materiał językowy. Zamiast negocjować licencje z wydawcami czy organizacjami zbiorowego zarządzania, część firm sięgnęła po gotowe, nielegalne zbiory tekstów krążące w sieci od lat.

LibGen jako źródło danych

Library Genesis to piracki serwis z milionami zeskanowanych książek, funkcjonujący w różnych odsłonach od ponad dekady i wielokrotnie blokowany przez sądy na wniosek wydawców. Mimo to stał się jednym z podstawowych źródeł danych treningowych dla modeli językowych, co ujawniły dokumenty sądowe w sprawach przeciwko Meta i Anthropic w Stanach Zjednoczonych. Wewnętrzna korespondencja pracowników tych firm pokazywała, że wybór pirackich zbiorów zamiast negocjacji licencyjnych był świadomą decyzją biznesową, uzasadnianą kosztem i czasem, jakie zajęłoby uzyskanie zgód od tysięcy autorów i wydawców z całego świata.

Dziwne byłoby, gdyby ten potwór jeszcze nie trawił naszych książek w swoim żołądku - Mariusz Szczygieł, pisarz i reportażysta

W języku potocznym, bez wahania użyłbym słowa 'kradzież' - Wojciech Chmielarz, pisarz

Ugoda Anthropic jako precedens

Sprawa Anthropic, która zgodziła się zapłacić 1,5 miliarda dolarów po pozwie zbiorowym autorów i wydawców zarzucających jej wykorzystanie ponad 7 milionów książek bez zgody, stała się punktem odniesienia dla twórców na całym świecie. Firma zobowiązała się też zniszczyć oryginalne pliki pozyskane z Library Genesis i Pirate Library Mirror wraz z wszystkimi pochodnymi kopiami w ciągu 30 dni od prawomocnego wyroku. Ugoda utknęła jednak w sądzie, bo prawnicy prowadzący pozew zażądali dla siebie ponad 320 milionów dolarów, zostawiając poszczególnym autorom ułamek kwoty.

Piotr Siemion z Unii Literackiej pomógł dwojgu polskim autorom uzyskać kilka tysięcy dolarów odszkodowania w ramach amerykańskiego postępowania, co określił jako sprawę przełomową, mimo skromnej kwoty w przeliczeniu na pojedynczego twórcę. To pokazuje, że polscy pisarze mogą dziś dochodzić rekompensaty głównie za pośrednictwem zagranicznych postępowań sądowych, bo krajowe przepisy nie dają im podobnego narzędzia.

Luka w polskim prawie

Dr Gabriela Bar, ekspertka prawa nowych technologii, wskazuje, że firmy powołują się na doktrynę fair use w Stanach Zjednoczonych oraz na przepisy o eksploracji tekstów i danych (text and data mining) w Unii Europejskiej, argumentując, że nie kopiują dzieł, lecz przekształcają je w nowy produkt. Przepisy TDM, wprowadzone do polskiego prawa autorskiego we wrześniu 2025 roku, w praktyce dopuszczają takie wykorzystanie utworów bez konieczności uzyskania zgody twórcy, o ile nie zastrzegł on wyraźnie inaczej.

Olga Gitkiewicz, cytowana w materiale, nazywa to zjawisko nową odsłoną internetowego piractwa, tyle że w znacznie większej skali. Dla pojedynczego pisarza czy muzyka praktyczna możliwość dochodzenia swoich praw jest w tej sytuacji ograniczona, bo koszty prawne sporu z korporacją technologiczną wielokrotnie przewyższają potencjalną rekompensatę.

Co to oznacza dla polskich twórców

Problem uderza nie tylko w znanych autorów z ugruntowaną pozycją na rynku, ale przede wszystkim w twórców, którzy nie mają zasobów, by walczyć w sądzie z firmami wartymi setki miliardów dolarów. Organizacje zbiorowego zarządzania i stowarzyszenia twórcze, takie jak Unia Literacka, próbują wypracować mechanizmy zbiorowego dochodzenia roszczeń, ale na razie każdy przypadek rozstrzyga się osobno i najczęściej za granicą.

Big Tech w odpowiedzi na zarzuty stosuje strategię odpierania pojedynczych pozwów bez zmiany całościowej praktyki pozyskiwania danych, twierdząc że wdrożenie systemu zgód na masową skalę jest technicznie niewykonalne. Dla polskiego rynku wydawniczego i muzycznego oznacza to, że kolejne modele językowe będą trenowane na krajowej twórczości, zanim powstaną krajowe przepisy chroniące twórców skuteczniej niż unijne TDM.

Źródła: Spider's Web (spidersweb.pl), Notebookcheck.pl (notebookcheck.pl)