生成AIの学習とCC理念の摩擦、技術と補償で探る共有文化の現実解

何が起きているのか：多層化するデータ収集とクリエイティブ・コモンズの摩擦

OpenAIなどの生成AI事業者は、単一の無制限な収集を行っているわけではありません。OpenAIは学習データを公開ウェブ情報、第三者との提携情報、ユーザや研究者の提供情報の3系統として説明しています[1]。公開情報については無料の公開データを利用し、ペイウォール内やダークウェブなどは意図的に除外しています[2]。

またOpenAIは、公開資料の学習を米国法上のフェアユース（公正な利用を認める例外規定）と位置づけつつ、出版社向けのアクセス拒否手段を提供しています[3]。企業向けサービスでは入出力を原則として学習に使わず、オプトイン（明示的同意）を用意しています[4]。他社も、サービスによって異なるデータ利用方針やオプトアウト手段を設けています。Anthropicは商業契約やユーザー提供データを利用し、商用チャットの学習利用を原則除外しています[5, 6]。

GoogleはGeminiの履歴オフや一時チャットを学習に使わず、Google-Extendedやrobots.txtによるオプトアウト（利用拒否の意思表示）を提供しています[7, 8]。Microsoftも、ペイウォール内のサイトや、オプトアウトを表明したサイトを収集対象から除外しています[9]。AWSのAmazon Bedrockも顧客データの学習利用を否定しています[10]。このように、生成AIのデータ収集は多経路型であり、法域やサービス種別ごとの制度の組み合わせとして捉える必要があります[11, 12, 13]。

次の表は、主要事業者における学習データの取得経路とオプトアウト手段の違いを整理したものです。

事業者	主な学習データ取得経路	個人向けサービスのデータ利用	企業向けサービスの学習方針	ウェブ運営者向けオプトアウト
OpenAI	公開ウェブ、第三者提携、ユーザー提供情報など [1]	個人向けコンテンツをモデル改善に利用する場合がある [4]	企業向けサービスやAPIでは原則として入出力を学習に使わない [4]	出版社向けにアクセス拒否の手段を提供 [3]
Anthropic	公開ウェブ、商業契約、作業者提供データなど [5]	明示的に参加した場合などに改善目的に利用 [6]	商用チャットやセッションは原則学習に使わない [6]	—
Google	ウェブデータ	履歴オフや一時チャットは改善に使われない [7]	—	Google-Extendedやrobots.txtによるオプトアウトを提供 [8]
Microsoft	公開データ、機械学習データセットなど [9]	ペイウォール内やオプトアウト利用サイトを除外 [9]	—	業界標準のオプトアウト手段を利用したサイトを除外 [9]
Amazon (AWS)	—	—	Amazon Bedrockでは入出力を基盤モデル等の学習に使わない [10]	—

こうしたデータ収集に対し、クリエイティブ・コモンズ（CC：作品の共有条件を事前に明示するライセンス体系）との間で摩擦が生じています。Creative Commonsは、CCライセンスがAI学習を一律に禁止する仕組みではないと説明しています[14, 15, 16, 17]。著作権法上の例外規定が適用される場合、ライセンス条件は法的に発動しません[14, 15, 17]。

CCの表示（BY）、継承（ShareAlike）、改変禁止（NoDerivatives）の条件は、作品や翻案物が公衆に共有される際に問題となります[18, 19]。非営利（NonCommercial）条件も著作権上の許諾が必要な利用に関係します[18]。従来のCCライセンスは、モデル内部の学習を直接追跡・表示する仕組みとしては限定的です[19]。追跡が困難な学習と生成物の大量再配布が連鎖する点に、理念上の緊張が生じています[20]。

なぜ今問題が深刻化しているのか：エージェントの台頭とモデル性能競争

問題が顕在化した背景には、基盤モデル（汎用的なAIの基礎となる大規模モデル）の性能競争があります。大規模モデルの開発において、公開データの収集は研究上の作業から事業の中核資産へと変化しました[21]。従来の検索用クローラーが検索インデックス（検索用の索引データ）作成を目的とするのに対し、生成AI向けクロールは将来の学習やグラウンディング（外部根拠の照合）など多用途に使われます[22]。文書をパラメータ（内部変数）へ取り込み、生成能力へ変換する点が特徴と指摘されています[23]。

さらに、自律的に動くAIエージェントの台頭がデータ利用量を拡大させています。エージェントは単発の検索にとどまらず、ウェブ閲覧、ツール呼び出し、自己修正、再検索を連続して実行します[24]。これにより、公開データへのアクセス頻度と利用量が増幅されます[24]。NVIDIAは、長時間稼働するエージェントが通常の推論と比べ最大15倍のトークン（AIが扱う言語単位）を生成し得ると説明しています[25]。

また、生成AIサービスでは利用者の入力や出力そのものがモデル改善や再学習の候補になります[26, 27]。これにより、収集、生成、再学習が循環するフィードバックループが形成されます[26, 27]。

次の図は、検索・推論時の参照、設定に応じたユーザ入力の改善利用、実際の再学習という別経路を示したものです。

モデルは単純な検索インデックスではありませんが、学習と再配布の境界は完全には分離できません[28, 29]。問い合わせによって訓練データを逐語的に抽出する攻撃が実証されています[28, 29]。ChatGPTから訓練データを出力させる攻撃では、通常形式の150倍の速度でデータが抽出された事例があり、教材やコードの再現リスクが残ります[30]。パターン学習であるという反論はあるものの、逐語的抽出が可能である以上、再現リスクをゼロにはできないと指摘されています[31]。

誰にどのような影響が及ぶのか：クリエイター、開発者、プラットフォームの苦悩

データ収集の多層化は、クリエイターにジレンマをもたらしています。AI事業者が公開ウェブや提携データなど複数経路を使うため、クリエイターは自作品の利用経路を完全には把握できません[32]。公開による認知と無許諾利用の損失が同時に広がり、公開するほど対価交渉やオプトアウトの負担を負う構造になり得ると指摘されています[33]。教育者や研究者にとっても、出典や利用範囲を追跡できない場合、共有へのインセンティブが弱まる懸念があります[34]。

オープンソース開発者の現場でも負担が増大しています。コード生成ツールの普及により、問題はモデル内部から利用者が配布・実行するコードのライセンス確認へと移行しました[35]。生成AIの出力には、第三者の著作権やライセンス対象コードが含まれる場合があります[36, 37]。GitHubの利用規約では、出力を利用する側が必要なライセンスを確認し、遵守する責任を負うと定めています[37]。

ソフトウェアライセンスの条件確認も重要です。MITライセンスは著作権表示と許諾表示を求めます[38]。GPL（ソフトウェアの自由な利用と改変版の公開を求めるライセンス）は、改変版を公衆提供する際に対応ソースコードの提供を要求します[39]。ただし、ネットワーク越しの利用が譲渡に当たるかは提供形態に依存し、出力全体が自動的にGPL対象になるわけではありません[39, 40]。ライセンス条件を実質的に再現された保護対象部分との関係で捉える整理も提案されていますが、法域や個別事実に依存します[41]。

GitHub Copilotでは、65レクシーム（言語の最小単位）以上の長さを検査する重複検出や脆弱コード検査を提供しています[42, 43]。公開コードと一致する提案は調査上1%未満とされますが、最終的な確認責任は利用者に残ります[42, 44]。開発者にとってはレビューや保守のコストが上昇し得るとされています[45]。CCライセンスを保守的に適用する場合も、データセット出典へのリンクや、RAG（検索拡張生成）による出力ごとの出典表示、ShareAlike（同一ライセンス継承）の適用が課題となります[46, 47, 48]。

プラットフォーム運営者も対応に追われています。Anthropicでは明示的許可等がない限りデータを改善に使わず、Incognitoチャットも学習対象外です[49]。Amazon Bedrockなどの企業向け環境では、顧客データを学習に使わない設計が信頼の基盤です[50]。運営者はrobots.txtやGoogle-Extendedなどのオプトアウトやフィルタを整備していますが、AI用途の拡大に伴い権利管理の運用は複雑化しています[51]。

法制度と司法判断は何を示しているのか：フェアユースの境界線と規制の進展

生成AIのライセンス問題は、取得時の著作権例外、学習中の複製、出力による再現などを分けて判断する実務問題として捉えるべきと指摘されています[52]。公開状態だけで適法と判断せず、取得経路やアクセス制限、契約、市場への影響を個別に評価すべきだとする整理があります[53]。

米国の司法判断では、フェアユース（公正利用の法理）の境界線が具体化しています。Bartz対Anthropic訴訟では、購入した書籍をスキャンして訓練に使う行為は変形的利用としてフェアユースと認められました[54]。一方、海賊版サイトから取得して中央ライブラリを構築した複製行為はフェアユースではないと判断されました[54]。Kadrey対Meta訴訟では、原告が市場代替や損害の十分な証拠を示せなかったため抗弁が認められましたが、裁判所はAI訓練一般の適法性を意味しないと明記しました[55]。

市場での競合性も重視されます。Thomson Reuters対Ross Intelligence訴訟では、Westlawの編集済みヘッドノートを使った競合製品の開発について、商業的な市場代替性と編集表現の利用からフェアユースが否定されました[56]。英国のGetty Images対Stability AI判決では、英国内での画像保存・再現が立証されず著作権侵害は退けられた一方、透かしの再現による商標侵害が認定されました[57]。米国著作権局は、AI生成物の保護には人間が表現要素を十分に決定することが必要としています[58]。

次の表は、AIモデルの学習や出力を巡る主要な訴訟の争点と司法判断を整理したものです。

訴訟名	対象データと利用態様	主な争点	司法判断の内容と要点
Bartz v. Anthropic	購入書籍のスキャン利用、海賊版サイトからの取得 [54]	LLM学習および社内ライブラリ構築におけるフェアユースの成否	スキャンによる訓練は変形的利用として認めた一方、海賊版サイトからの取得・蓄積は否定 [54]
Kadrey v. Meta	Metaによる書籍データのモデル学習利用 [55]	書籍の訓練利用に対するフェアユース抗弁の妥当性	原告側が市場損害の証拠を示せず抗弁を認容。ただしAI訓練一般の適法性は意味しないと明記 [55]
Thomson Reuters v. Ross Intelligence	Westlawの編集済みヘッドノートを用いた競合製品開発 [56]	商業製品の開発と編集表現の利用におけるフェアユースの成否	商業的な市場代替性と保護された編集表現の利用を重視し、フェアユースを否定 [56]
Getty Images v. Stability AI	画像生成モデルによる学習と画像出力 [57]	英国における著作権侵害および透かし表示	英国内での画像保存・再現が立証されず著作権侵害は否定。透かし再現による商標侵害を認定 [57]

欧州連合（EU）の法制度でも枠組みが進展しています。EU著作権指令では、合法的にアクセスした情報について、権利者が機械可読な方法で権利留保（拒否）していない場合、商業目的を含むテキスト・データマイニング（TDM：コンピュータによる大量データ解析）の例外が適用され得ます[59, 60, 61, 62]。これにより、公開状態とAI学習の禁止は同義ではないと整理されています[61]。

さらにEUのAI法（AI Act）は、汎用AIモデルの提供者に対し、EU著作権法を遵守する方針の策定と、学習コンテンツの十分に詳細な概要の公開を求めています[63, 64, 65, 66, 67, 68]。この義務はオープンソースモデルの提供者にも原則として適用されます[66, 67, 68]。学習データの由来は、自主的な説明から公開すべきコンプライアンス情報へと転換されています[65]。

理念の崩壊を防ぐ技術と仕組み：共有文化と共存するための現実解

「AIが共有文化を破壊する」という懸念に対し、AIが知識アクセスを広げて利用者を増やすという反論や指摘もあります[69]。Googleがシエラレオネで実施した比較試験では、AI学習支援を受けた48クラスの生徒の外部評価スコアが0.26標準偏差向上しました[70]。また55言語で訓練されたTranslateGemmaのように、端末上翻訳で言語格差を縮小する試みもあります[71]。AI検索のリンクや優先ソース表示は、元作品への導線を増やす方向に働き得ます[72]。

AI開発の成果を共有文化へ還元する実例も存在します[73]。NVIDIAは、180超のデータセットと650超のオープンモデルにまたがる2ペタバイト超の学習データを公開しています[74]。一方、Creative Commonsは、学習を一律禁止するために制限の強いCCライセンスへ変更しても、著作権例外が適用される場合は学習を止められない可能性が高いと説明しています[75]。

このため、一律禁止ではなく、学習の許諾や拒否、商用利用、表示、補償参加を機械可読に指定できる追加シグナル（CC Signals等）と、従来のCC条件の併用が妥当との見解が示されています[76]。実務策としては、データセット単位の出典リンクを示し、RAG（検索拡張生成）などで出力と元作品を対応付けられる場合は出力単位で表示する方法が推奨されています[77, 78, 79, 80]。ただし、出典付き検索でもモデル内部の全データの帰属を自動復元する仕組みにはならないと指摘されています[81]。

技術的オプトアウトの運用にも工夫が必要です。robots.txtやGoogle-Extendedは提供されていますが[82]、同一作品が別サイトにあると防げず、クローラーごとの設定が必要なため単独では完全ではありません[83, 84]。そのため、標準化された権利予約や作品単位のメタデータ、ライセンスレジストリとの組み合わせが現実的とされています[85]。

来歴証明と補償の仕組みも不可欠です。C2PA（暗号署名を用いたコンテンツ来歴管理仕様）は作成履歴や学習データセットの記録を提供します[86]。来歴記録仕様のC2PAだけでは補償制度を構成しないと考えられるため、許諾済みカタログ等の収益分配を別途設ける必要があります[87]。補償モデルに関してAdobeは、許諾済みコンテンツ等を使い、Adobe Stockの貢献者を補償すると説明しています[88]。

プラットフォーム運用では、推論時の参照、モデル学習、入力の改善利用を分離し、個別の許諾設定を設ける方向が採用されています[89]。共有の理念を維持するための現実解は、共有コストを権利者へ一方的に押し付ける構造を改めることにあります[90]。EU AI法が求める著作権方針や学習概要の透明性を基盤としつつ[91]、法定例外を残しながら、許諾データへの補償、機械可読オプトアウト、出力クレジット、苦情処理を監査可能な形で運用する段階的な制度設計が妥当であるとの見解が示されています[92]。