Er det lovligt at træne AI på bøger uden tilladelse
TechCrunchs gennemgang rammer et ømt punkt: “Most published authors have, without their knowledge or consent, contributed to the development of the same AI tools that threaten to undermine their livelihoods.” Den påstand er svær at affeje i 2026, hvor store sprogmodeller er flettet ind i alt fra søgning til kontorsoftware. Samme weekend rullede Harvey en research‑preview af den juridiske model Tenet ud, som i praksis viser en alternativ vej for specialiserede modeller. To spor, der skærer hinanden: rettigheder og drift.
Spørgsmålet, som alle nu må forholde sig til, er både banalt og bøvlet: Er det lovligt at træne på ophavsretsligt beskyttede bøger uden tilladelse fra forfatter eller forlag? TechCrunch svarer nøgternt: “it’s complicated”. Det er desværre det mest præcise svar lige nu. Loven halter efter teknikken, og dokumentationen fra modeludviklere er fortsat tynd.
Hvad TechCrunch faktisk lægger frem
TechCrunch fremhæver, at størstedelen af udgivne forfattere formentlig er endt i træningsdata uden samtykke; den centrale sætning er citeret ordret ovenfor. Artiklen peger dermed på en udbredt praksis med potentielle lovbrud — men uden at fremlægge en fuld, verificerbar liste over de korpora, de største modeludviklere har brugt. Det er ikke en mangel kun hos TechCrunch; de fleste selskaber offentliggør slet ikke komplette dataspor.
Derfor lander bevisførelsen et sted mellem solide indikationer og sandsynligheder. Historisk er store webcrawl‑datasæt som Common Crawl og bogsamlinger brugt i forskningsmodeller. Kombinér de kendte datakanaler med branchens tavshed, og det er nærliggende at antage, at store mængder ophavsretligt materiale er i blandingen. Dokumentationen er bare ikke lagt åbent frem. Det burde den være.
Hvorfor loven er mudret
I USA hviler diskussionen ofte på “fair use”. Authors Guild v. Google (2015) anerkendte, at digitalisering og søgning i Google Books kunne være fair use, fordi brugen var transformativ og ikke erstattede markedet for bøger. Men Højesterets afgørelse i Andy Warhol Foundation v. Goldsmith (2023) gjorde det klart, at “transformativ” ikke er et fripas — kommerciel substitution og licensmarkedet vægter tungt. Ingen af sagerne handlede direkte om træning af sprogmodeller på massive tekstmængder, men de er de nærmeste pejlemærker.
I EU er rammen anderledes. Ophavsretsdirektivet (DSM) giver undtagelser for text and data mining til forskning (artikel 3) og kommerciel anvendelse med opt‑out (artikel 4), så rettighedshavere kan forbyde TDM via maskinlæsbare forbehold. I praksis: modeludviklere skal respektere opt‑outs, og bevisbyrden for korrekt efterlevelse flytter ind i compliance. Dertil kommer, at der endnu ikke findes klokkeklar højesteretspraksis i EU om træning af generative modeller på bøger. Ja — “kompliceret” er dækkende.
Konsekvenserne for udgivere og skabere
Brancheorganisationer har gentagne gange krævet licensering og kompensation. Authors Guild i USA argumenterer for, at brug af bogværker i modeltræning bør ske på licens og med betaling; lignende bekymringer høres fra forfatterforbund i Storbritannien og Europa. Også søgsmål — som New York Times’ sag mod OpenAI og Microsoft i december 2023 — viser, at debatten ikke forbliver teoretisk. Den går i retten. Udfaldet er åbent.
Hvordan træning faktisk foregår — og hvorfor det støder mod rettigheder
Store sprogmodeller fodres typisk med enorme korpora fra nettet og andre tekstsamlinger. Rå data crawles, deduplikeres, renses, tokeniseres og bruges til selve træningen. Senere følger finjustering og reinforcement learning med mere målrettede datasæt. At et værk “er i træningsdata” betyder ikke, at modellen kan gengive hele bogen ved prompt (det kan ske, men er ikke normen). Det betyder, at værkets mønstre og indhold statistisk har påvirket modellens sandsynligheder. Juridisk handler striden om, hvorvidt kopieringen i pipelines og anvendelsen udgør en krænkelse, og om brugen er undtaget, licenskrævende eller fair use/TDM‑lovlig.
Det lyder klinisk, men praksis er jordnær: uden dokumenteret provenance kan ingen bevise, at rettigheder er respekteret eller brudt. Her knirker meget stadig. Der er undtagelser — gennemsigtigheden er bare tynd.
Case: Harvey Tenet som teknisk og kommercielt alternativ
MarkTechPost beskriver, at Harvey har frigivet Harvey Tenet som research‑preview. Tenet er bygget på Kimi K3 som base og post‑trænet med Fireworks via asynkron reinforcement learning målrettet langsigtede juridiske agentopgaver. Træningskorpusset kombinerede syntetiske data, offentligt tilgængelige juridiske data og bidrag fra menneskelige eksperter. Harvey oplyser, at kundedata ikke indgik.
På benchmarks rapporterer Harvey, at Tenet næsten fordobler andelen af løste opgaver på virksomhedens Legal Agent Benchmark (LAB) i forhold til K3‑basen og giver cirka 20 procentpoint forbedring på LAB: Contracts, med all‑pass‑rater, der stiger med 9 og 2 procentpoint. Effekterne overførte også, uden særskilt træning, til Mercors APEX Agents og Crosbys Redline Bench. Det lyder stærkt. Men bemærk: Tenet er et research‑preview uden offentliggjorte vægte, modelkort eller API‑endpoint. “Opskriften” er ude; selve checkpointet er lukket.
Hvad Tenet illustrerer — og ikke løser
Tenet viser en mulig rute for specialistmodeller: brug en open‑weight base, post‑træn målrettet på syntetiske, offentlige og ekspertdata, og beskyt det endelige checkpoint kommercielt. Forretningslogikken er klar. Compliance‑gevinsten er også tydelig: holder man sig til offentligt juridisk materiale og syntese, reduceres risikoen for uautoriserede bogværker i træningen. Men grundspørgsmålet forsvinder ikke: hvor kom base‑modellens viden fra, og hvordan dokumenterer man kæden tilbage?
Et andet, praktisk tradeoff er adoptionshastighed. Et research‑preview uden vægte eller endpoint er svært at evaluere bredt. Jurafirmaer vil spørge til drift, latency, support, ansvarsfordeling og forsikring. Og en ting mere: hvis metoden kræver ~150 NVIDIA B300 GPU’er i to måneder, som MarkTechPost skriver, er reproduktion forbeholdt aktører med tung regnekraft. “Opskrift” lyder folkeligt — udførslen er det ikke.
Juridisk status her og nu
Der er heller ikke klarhed om, hvor langt databaserettigheder, privatliv og kontraktret rækker, når træningsdata hentes fra licenserede platforme med scraping‑forbud. Flere forlag har eksplicitte vilkår mod automatiseret indsamling; brud kan udløse kontraktuelle krav uafhængigt af ophavsret. Små klausuler, stor effekt.
Hvem bærer bevisbyrden — og hvordan
Uden modeller med fuld datasporing bliver bevisbyrden mudret. Rettighedshavere peger på sandsynligheder og outputeksempler; udviklere svarer med statistiske forklaringer og ikke‑deterministiske outputs. Domstole vil efterspørge logfiler, datakilder, opt‑out‑respekt og deduplikationspraksis. Den dokumentation er sjældent moden i dag — måske det mest håndgribelige problem.
For dem, der arbejder med kontrakter: kig efter to sætninger i leverandøraftalerne. 1) En garanti for, at leverandøren har rettigheder til trænings‑ og finjusteringsdata. 2) En skadesløsholdelse, hvis ikke. Prosaisk, ja. Men forskellen på en rolig bestyrelsesrapport og en dyr sag.
Hvad udgivere og virksomheder kan gøre nu
Ingen magisk løsning, men der er greb at tage fat i. Gennemgå rettigheder og metadata i egne kataloger. Etabler content provenance — fx vandmærker eller maskinlæselige brugsvilkår, så TDM‑opt‑out faktisk kan læses af crawlere. Sørg for klare vilkår med freelancere om AI‑brug og sekundære rettigheder. Og auditér eksisterende AI‑leverandører: hvilke datasæt er brugt, respekterer de opt‑out, og kan de dokumentere det? Start der, hvor risiko og værdi er størst.
Specialistmodeller i praksis
Harvey Tenet peger på en retning, mange vil teste: domænespecifikke modeller oven på åbne baser. For juridiske teams betyder det, at evalueringen skal matche domænet: kontrakt‑redlining, juridisk argumentation, kildehenvisning, hallucinationsrate ved lang kontekst. Benchmarks som LAB og LAB: Contracts er nyttige, men skal suppleres med interne hold‑out‑opgaver. Og så er der driften: hvem logger sager, hvordan sikres fortrolighed, og hvad gør man, hvis modellen tager fejl i en kritisk paragraf? Banale spørgsmål — indtil en M&A‑klausul på 200 millioner kroner er forkert.
Et lille sidespor: “no customer data used” er blevet standardformulering. Vigtig, men utilstrækkelig. Se efter, om leverandøren dokumenterer adskillelsen teknisk (adgangskontrol, datasiloer, DLP), kontraktligt (forbud mod modeltræning på kundedata) og operationelt (auditlogs, revision). Ellers er det bare tekst på en slide.
Hvad der stadig mangler at blive besvaret
Der mangler åbne træningslister og dataspor fra de store modelhuse. Uden dem er den offentlige debat fanget i antagelser. Der mangler også klare udmeldinger fra flere forfatterforbund og forlag om de licensmodeller, de faktisk ønsker — kollektiv forvaltning, direkte licens, standard‑API’er? Endelig mangler en retsafgørelse, der tager hul på kernen: er maskinlæringskopien i træningsleddet en krænkelse, når kilden er en bog uden licens? Indtil da må branchen selv sætte hegnspæle.
Næste journalistiske skridt er ligetil: bed modeludviklere fremlægge dataspor, spørg til opt‑out‑respekt og efterprøv kontraktlige garantier. Få forfatterforbund på rekord om kompensation. Og følg pengene — hvem licenserer hvad til hvem, og til hvilken pris. De næste 12 måneder vil praksis blive formet mindst lige så meget af markedet som af lovgivningen.
Konklusion
Lovligheden af at træne AI på bøger uden tilladelse er uafklaret. Risikoen er reel — juridisk og kommercielt. TechCrunch rejser en nødvendig debat om omfattende brug af forfatteres værker, og Harvey Tenet viser, at nogle aktører prøver en mere dokumenterbar, snæver vej. Det ændrer ikke, at gennemsigtighed om data og klare licenser er nøglen. Den gode nyhed: det kan operationaliseres — med bedre kontrakter, bedre metadata og mere ærlige modelkort. Resten bliver afgjort i retten. Og forskellen mærkes først, når man står med den.
