AI ડેટા વોર: કોપીરાઈટમાંથી હવે મોનોપોલી સામે લડાઈ

AI ટ્રેનિંગ ડેટા પર વૈશ્વિક ચર્ચા

આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) મોડલ કેવી રીતે બને છે તેની વૈશ્વિક ચર્ચા હવે માત્ર કોપીરાઈટ ઉલ્લંઘનના મુદ્દાઓથી આગળ વધી ગઈ છે. શરૂઆતમાં, કાનૂની પડકારો AI કંપનીઓ દ્વારા પુસ્તકો કે લેખો પરવાનગી વિના વાપરવાની બાબત પર કેન્દ્રિત હતા. પરંતુ હવે વાતચીત વધુ માળખાકીય ચિંતા તરફ વળી રહી છે: મોનોપોલી (Monopoly) ની શક્તિ.

જેમ જેમ મોટી ટેક કંપનીઓ (Tech Companies) વિશિષ્ટ (Exclusive) અને ઉચ્ચ-ગુણવત્તાવાળા ડેટાસેટ્સ (Datasets) બનાવવામાં ભારે રોકાણ કરી રહી છે, તેમ તેમ નિયમનકારો (Regulators) એ પ્રશ્ન ઉઠાવવાનું શરૂ કર્યું છે કે શું આ 'ડેટા એડવાન્ટેજ' (Data Advantage) નાના સ્પર્ધકોને બજારમાં પ્રવેશતા અટકાવવા માટે અયોગ્ય અવરોધ ઊભો કરે છે.

ભારતીય કાનૂની પરિપ્રેક્ષ્ય

ભારતમાં, કાનૂની માળખું સ્પષ્ટતા પ્રદાન કરી રહ્યું છે, જોકે તે યુનાઇટેડ સ્ટેટ્સ (United States) થી નોંધપાત્ર રીતે અલગ છે. 24 જુલાઈ, 2026 ના રોજ, દિલ્હી હાઈકોર્ટે (Delhi High Court) OpenAI સામે ANI ની વચગાળાની મનાઈ (Interim Injunction) અરજીને ફગાવી દીધી હતી. કોર્ટે ચુકાદો આપ્યો હતો કે AI મોડેલોને તાલીમ આપવા માટે સાર્વજનિક રીતે ઉપલબ્ધ ડેટાનો ઉપયોગ, કોપીરાઈટ એક્ટ, 1957 હેઠળ 'ફેર ડીલિંગ' (Fair Dealing) તરીકે લાયક ઠરે છે.

આ નિર્ણય ભારતીય રોકાણકારો (Investors) અને ટેક કંપનીઓ માટે નિર્ણાયક છે, કારણ કે તે સૂચવે છે કે સંશોધન હેતુઓ માટે AI તાલીમ વર્તમાન કાયદા હેઠળ સુરક્ષિત હોઈ શકે છે. યુ.એસ.ના 'ફેર યુઝ' (Fair Use) સિદ્ધાંતથી વિપરીત, જે આઉટપુટની પરિવર્તનશીલ પ્રકૃતિ પર ધ્યાન કેન્દ્રિત કરે છે, ભારતીય અદાલતો તાલીમ પ્રક્રિયાની સંશોધન-લક્ષી પ્રકૃતિ પર ભાર મૂકી રહી છે. જોકે, આ તમામ ડેટા ઉપયોગ માટે મફત પાસ આપતું નથી, અને જાહેર ડેટામાંથી શીખવા અને સુરક્ષિત સામગ્રીનું પુનઃઉત્પાદન કરવા વચ્ચેની રેખા કંપનીઓએ વ્યવસ્થાપિત કરવી પડશે.

પ્રવેશ માટે ડેટા એક અવરોધ તરીકે

કોર્ટરૂમની બહાર, બજાર નિયમનકારો માટે મુખ્ય ચિંતા શક્તિનું કેન્દ્રીકરણ (Concentration of Power) છે. ફ્રન્ટિયર AI મોડેલો બનાવવા માટે મોટા પ્રમાણમાં ટેક્સ્ટ, પુસ્તકો અને મીડિયાની જરૂર પડે છે. જે કંપનીઓએ પહેલેથી જ આ ડેટાને મોટા પાયે સુરક્ષિત કર્યો છે તેઓ નોંધપાત્ર વ્યવસાયિક લાભ ધરાવે છે, જેને ઘણીવાર 'ડેટા મોટ' (Data Moat) તરીકે વર્ણવવામાં આવે છે. જો માત્ર થોડી સારી રીતે ભંડોળ ધરાવતી કંપનીઓ આ ડેટા એકત્રિત કરવાના ખર્ચ અને કાનૂની જોખમો પરવડી શકે, તો તે અસરકારક રીતે બંધ ઇકોસિસ્ટમ (Closed Ecosystem) બનાવે છે.

વિવેચકો દલીલ કરે છે કે આ નવીનતાને મર્યાદિત કરે છે, કારણ કે નવા સ્ટાર્ટઅપ્સ (Startups) સ્થાપિત ખેલાડીઓના તાલીમ વાતાવરણની નકલ કરી શકતા નથી. આના કારણે EU AI એક્ટ (EU AI Act) ની દેખરેખ રાખતા નિયમનકારો સહિત વૈશ્વિક નિયમનકારોને મોટા મોડેલો માટે કડક પારદર્શિતા (Transparency) આવશ્યકતાઓ દાખલ કરવા પ્રેર્યા છે, જે કંપનીઓને તેમના તાલીમ સ્ત્રોતો વિશે વધુ માહિતી જાહેર કરવા દબાણ કરે છે.

રોકાણકારો માટે જોખમો અને નિરીક્ષણ

રોકાણકારો માટે, આ કાનૂની અને માળખાકીય ચર્ચાઓ અનિશ્ચિતતાના અનેક સ્તરો રજૂ કરે છે. પ્રથમ ઓપરેશનલ જોખમ (Operational Risk) છે; જો કોર્ટ અથવા નિયમનકારો કોપીરાઈટ ઉલ્લંઘનને કારણે તાલીમ ડેટાસેટ્સનો નાશ કરવાનો આદેશ આપે, તો R&D રોકાણમાં નોંધપાત્ર નુકસાન થઈ શકે છે. બીજું નિયમનકારી અને એન્ટિટ્રસ્ટ જોખમ (Regulatory and Antitrust Risk) છે, જ્યાં સરકારી સંસ્થાઓ હસ્તક્ષેપ કરી શકે છે જો તેઓ માને છે કે કોઈ કંપની માત્ર બાકાત ડેટા પદ્ધતિઓ દ્વારા પ્રભાવશાળ સ્થિતિ પ્રાપ્ત કરી છે. છેવટે, કંપનીઓ સંભવિત ગૌણ જવાબદારી (Secondary Liability) નો સામનો કરે છે, જ્યાં તેમના AI મોડેલો તૃતીય-પક્ષ બૌદ્ધિક સંપદા અધિકારો (Intellectual Property Rights) નું ઉલ્લંઘન કરતી સામગ્રી ઉત્પન્ન કરે તો તેઓ જવાબદાર ઠેરવી શકાય છે.

રોકાણકારોએ ભારતમાં અને મુખ્ય વૈશ્વિક બજારોમાં નિયમનકારી માળખા કેવી રીતે વિકસિત થાય છે તેનું નિરીક્ષણ કરવું જોઈએ. ધ્યાન સરળ મુકદ્દમાઓથી નીતિ ફેરફારો તરફ સ્થળાંતરિત થઈ રહ્યું છે જે AI કંપનીઓને વધુ પારદર્શિતા પ્રદાન કરવા દબાણ કરી શકે છે, સંભવતઃ તેમને તાલીમ ડેટા સ્ત્રોતો શેર કરવાની જરૂર પડી શકે છે અથવા એન્ટિટ્રસ્ટ તપાસનો સામનો કરવો પડી શકે છે. આવનારા વર્ષોમાં નૈતિક રીતે મોડલ બનાવવાની અને અનુપાલન આવશ્યકતાઓને સંતોષવાની કંપનીઓની ક્ષમતા એક મુખ્ય ભેદભાવકર્તા બનશે.