AI मॉडेल्सना ट्रेनिंग देण्यासाठी वापरल्या जाणाऱ्या डेटाबाबतचे कायदेशीर वाद आता केवळ कॉपीराईट उल्लंघनापुरते मर्यादित राहिलेले नाहीत, तर ते आता बाजारातील मक्तेदारी (Monopoly) आणि अँटीट्रस्ट (Antitrust) मुद्द्यांकडे वळले आहेत. भारतातील न्यायालयाच्या अलीकडील निकालांनुसार, संशोधनासाठी 'वाजवी व्यवहार' (Fair Dealing) ग्राह्य धरला जात आहे. मात्र, यातून टेक कंपन्यांना मिळणारा प्रचंड डेटाचा विशेष अधिकार बाजारातील स्पर्धेसाठी अडथळा ठरू शकतो का, याकडे गुंतवणूकदारांचे लक्ष आहे.
AI डेटा वॉर्स: नवीन वळण
कृत्रिम बुद्धिमत्ता (Artificial Intelligence - AI) मॉडेल्सच्या निर्मितीमागील डेटा वापरावरील जागतिक चर्चा आता केवळ कॉपीराईट उल्लंघनाच्या पलीकडे गेली आहे. सुरुवातीला, AI कंपन्या पुस्तके किंवा लेख परवानगीशिवाय वापरू शकतात का, यावर कायदेशीर वाद केंद्रित होते. मात्र, आता हा वाद अधिक व्यापक होत असून, तो बाजारातील मक्तेदारी (Monopoly Power) निर्माण करण्याच्या धोक्याकडे वळला आहे. मोठ्या टेक कंपन्या विशेष आणि उच्च-गुणवत्तेचा डेटासेट तयार करण्यासाठी मोठी गुंतवणूक करत आहेत. यामुळे, नियामकांना (Regulators) प्रश्न पडला आहे की, या 'डेटा ॲडव्हान्टेज'मुळे लहान स्पर्धकांना बाजारात येण्यास अन्यायकारक अडथळा निर्माण होत आहे का?
भारतातील कायदेशीर दृष्टिकोन
भारतातील कायदेशीर चौकट काही स्पष्टता देत आहे, जरी ती अमेरिकेपेक्षा वेगळी आहे. २४ जुलै २०२६ रोजी, दिल्ली उच्च न्यायालयाने ANI ने OpenAI विरुद्ध दाखल केलेली अंतरिम मनाई याचिका फेटाळून लावली. न्यायालयाने निकाल दिला की, AI मॉडेल्सना प्रशिक्षण देण्यासाठी सार्वजनिकरित्या उपलब्ध डेटा वापरणे हे कॉपीराईट कायदा, १९५७ अंतर्गत 'वाजवी व्यवहार' (Fair Dealing) मानले जाईल. हा निर्णय भारतीय गुंतवणूकदार आणि टेक कंपन्यांसाठी महत्त्वाचा आहे, कारण यातून संशोधनाच्या उद्देशाने AI प्रशिक्षण चालू कायद्यांतर्गत संरक्षित केले जाऊ शकते, असे सूचित होते. अमेरिकेतील 'वाजवी वापर' (Fair Use) सिद्धांतापेक्षा हा वेगळा आहे, जो उत्पादनाच्या परिवर्तनीय स्वरूपावर लक्ष केंद्रित करतो. भारतीय न्यायालये प्रशिक्षणाच्या संशोधन-आधारित स्वरूपावर भर देत आहेत. तथापि, हा डेटा वापरासाठी सरसकट परवाना नाही. सार्वजनिक डेटावरून शिकणे आणि संरक्षित सामग्रीची नक्कल करणे यातील फरक कंपन्यांना जपून हाताळावा लागेल.
डेटा: स्पर्धेतील अडथळा
न्यायालयाबाहेर, बाजार नियामकांची मुख्य चिंता ही सत्तेचे केंद्रीकरण आहे. अत्याधुनिक AI मॉडेल्स तयार करण्यासाठी प्रचंड प्रमाणात टेक्स्ट, पुस्तके आणि मीडियाची आवश्यकता असते. ज्या कंपन्यांनी मोठ्या प्रमाणात हा डेटा आधीच जमा केला आहे, त्यांना एक मोठा व्यावसायिक फायदा मिळतो, ज्याला अनेकदा 'डेटा मोट' (Data Moat) म्हटले जाते. जर केवळ काही मोजक्या, चांगल्या निधी असलेल्या कंपन्या हा डेटा गोळा करण्याचा खर्च आणि कायदेशीर जोखीम उचलू शकत असतील, तर ते एक बंद परिसंस्था (Closed Ecosystem) तयार करते. समीक्षकांचे म्हणणे आहे की, यामुळे नवनिर्मितीला (Innovation) मर्यादा येतात, कारण नवीन स्टार्टअप्स प्रस्थापित खेळाडूंसारखे प्रशिक्षण वातावरण तयार करू शकत नाहीत. यामुळे, युरोपियन युनियन (EU) AI कायद्याचे नियमन करणाऱ्यांसारख्या जागतिक नियामकांना मोठ्या मॉडेल्ससाठी कठोर पारदर्शकता आवश्यकता (Transparency Requirements) लागू करण्यास प्रवृत्त केले आहे, ज्यामुळे कंपन्यांना त्यांच्या प्रशिक्षण स्रोतांबद्दल अधिक माहिती उघड करावी लागत आहे.
गुंतवणूकदारांसाठी जोखीम आणि लक्ष ठेवण्यासारख्या गोष्टी
गुंतवणूकदारांसाठी, या कायदेशीर आणि संरचनात्मक चर्चा अनेक अनिश्चितता निर्माण करतात. पहिली म्हणजे कार्यान्वयन जोखीम (Operational Risk); जर न्यायालयांनी किंवा नियामकांनी कॉपीराईट उल्लंघनामुळे प्रशिक्षण डेटासेट नष्ट करण्याचे आदेश दिले, तर संशोधन आणि विकास (R&D) गुंतवणुकीचे मोठे नुकसान होऊ शकते. दुसरी म्हणजे नियामक आणि अँटीट्रस्ट जोखीम (Regulatory and Antitrust Risk), जिथे सरकार हस्तक्षेप करू शकते जर त्यांना वाटले की एका कंपनीने केवळ अपवर्जक डेटा पद्धतींद्वारे (Exclusionary Data Practices) वर्चस्व मिळवले आहे. शेवटी, कंपन्यांना संभाव्य दुय्यम दायित्वाचा (Secondary Liability) सामना करावा लागू शकतो, जिथे त्यांचे AI मॉडेल्स तृतीय-पक्षाच्या बौद्धिक संपदा हक्कांचे उल्लंघन करणारी सामग्री तयार करत असतील, तर त्यांना जबाबदार धरले जाऊ शकते.
गुंतवणूकदारांनी भारत आणि प्रमुख जागतिक बाजारपेठांमधील नियामक चौकटींच्या उत्क्रांतीवर लक्ष ठेवले पाहिजे. लक्ष आता साध्या खटल्यांवरून धोरणात्मक बदलांकडे सरकत आहे, ज्यामुळे AI कंपन्यांना अधिक पारदर्शकता प्रदान करण्यास भाग पाडले जाऊ शकते. त्यांना कदाचित त्यांचे प्रशिक्षण डेटा स्रोत सामायिक करावे लागतील किंवा अँटीट्रस्ट तपासाला सामोरे जावे लागेल. कंपन्या नैतिकतेने मॉडेल्स तयार करण्याची आणि अनुपालन आवश्यकता पूर्ण करण्याची क्षमता या पुढील वर्षांमध्ये एक महत्त्वाचा फरक ठरेल.