リード:訴状の解封により、OpenAI幹部がBooks3の海賊版データ源を認識しながらGPT-4の学習を継続していた事実が明らかになった。533ポイントの獲得コメント数を記録したスレッドで、エンジニアたちの論点は「盗用は許されるか」ではなく「最終的に誰がその代償を支払うのか」に絞られている。
訴状が示す核心——「クロールして終わり」ではない
8月末、Authors Guild v. OpenAI 訴訟における重要訴状の封印が解かれた。Authors Guild公式サイトは同日、《AG v OpenAI: Top Execs Knew Mass Book Piracy Was Illegal》という記事を公開し、結論を端的に提示している(出典)。
訴状の中核は「OpenAIが海賊版書籍を利用した」という事実そのものではない——それはすでに業界の公然の秘密となっている。争点とされているのは時系列の問題だ:
- OpenAI内部(Sam Altman、Brad Lightcapらの幹部を含む)に対し、「これらの書籍は海賊版ソース由来である」との警告が複数回寄せられていた
- 社内メールやSlackのログから、Books3のデータ系譜がLibrary GenesisやAnna's Archiveといった影の図書館に遡れることが具体的に指摘されていた
- それにもかかわらずOpenAIは当該データをGPT-4の学習パイプラインに投入した
本来OpenAIの弁護方針としてありえたのは「海賊版と認識していなかった」というinnocent infringementの主張だろう。しかし訴状が立証しようとしているのはwillful infringement——認識した上で継続的に侵害したという構図だ。
両者の賠償額には桁違いの差がある。米国著作権法 17 U.S.C. § 504(c)(2) によれば、故意侵害における損害賠償(statutory damages)の上限は作品1点あたり$150,000に設定されている。Books3の19.6万冊・170GBのテキスト量を踏まえれば、理論上の賠償上限は天文学的数字に達する。実際の判例で上限通りの判決が出ることはまずないが、「CEOが認識していた」という一点だけでも和解金は8桁ドル規模に跳ね上がる計算だ。
なぜOpenAIだけの問題にとどまらないのか
仮にOpenAIへの罰金だけで済む案件なら、HNが533ポイントを付けることもないだろう。
エンジニアコミュニティを震撼させている真の理由は、Books3がOpenAI専用のデータではなかったことだ。
- MetaのLLaMAシリーズ学習データには、Books3が公的かつ公然に含まれている
- Mistral初期モデルも同じデータを消費している
- AnthropicはClaude学習において「コンプライアンスに準拠した調達」ルートを採っていたとされるが、2023年8月にBooks3派生のデータセットを使用していたことが報じられた
- Hugging Face上には現在も「重複排除済み」「クリーンアップ済み」と銘打った派生データセットがいくつも公開されている
訴状にはとりわけ手厳しい一節がある。要約すると「OpenAIの行為は例外ではなく、業界慣行である」という主張だ。もしfair useという防壁が破られれば、業界全体のデータ調達契約が書き直しを迫られる。
だからこそHNではMetaやMicrosoftの従業員までもが観察を続けている。彼らが知りたいのは、自社も被告の一員になる可能性があるのかどうかだ。
HNのコメント欄で議論されている本音
元スレッド news.ycombinator.com/item?id=49863864 は533ポイント・468コメントを獲得し、通常の著作権トピックを大きく上回る盛り上がりを見せた。読んでみると、意見が分かれているのは「本を盗むことの是非」ではない——OpenAIを擁護する声はほぼ存在しない——別の論点だ。
賠償が必要だとして、誰が負担するのか?
高評価のコメントをいくつか紹介しよう:
「Microsoftが共同被告なら、Azureも共犯と見なされるのか?計算資源を提供したのはAzureだ」(+247)
「HFに重複排除済みのBooks3をアップロードしたことがある。今のうちに削除すべきだろうか」(+189)
「法定賠償$150k/点は上限で、実例では1/10から1/100で決着することが多い。ただOpenAIの規模なら、弁護士費用だけでも正規の書籍を買い直すコストを上回るだろう」(+134)
「本質的な問題は、2026年以降に学習される新モデルはデータの来歴(provenance)を記録しなければならないという点だ。Anthropicはもう着手しているのに、OpenAIはまだ知らんぷりを決め込んでいる」(+98)
エンジニアたちが気にしているのは「AI会社が潰されるかどうか」ではなく、「開発者として自分の立ち位置がセーフライン上にあるか」、「今使っているモデルの出所がクリーンか」、「次の契約書をどう書くべきか」だ。
日本語圏AI実務者への影響
この事例が国内および台湾・香港の開発者に与える影響は、三層に分けて整理できる。
第一層:モデル選定
現在Qwen、DeepSeek、Yiといったモデルを利用している場合、各社のモデルカードには「学習データは合法的にコンプライアンスを遵守」と記載されている。だが具体的にどのような手順でコンプライアンスを確保したのか、過去に存在した日本語版の海賊版書籍サイト(かつてのz-library日本語セクションや各種クラウドストレージ上の図書館)からのデータを除去したのかどうか、各社は詳細を公開していない。
今回の判例によって「provenanceの記録が必須」という業界標準が確立されれば、モデルカードの一文だけでの「コンプライアンス宣言」は不十分となり、監査可能なデータソース一覧の提示が求められる。
第二層:APIコスト
訴状で言及された法定賠償上限は$150,000/作品。和解金が$1B〜$5B規模(Anthropicが過去に直面した複数の著作権和解の推測レンジを参考に)で決着すれば、その費用は最終的にAPIの呼び出し価格に転嫁されることになる。
OpenAIのo1 APIはすでに値上げを実施している。ここに和解金が加われば、2026年にリリースされるGPT-5 / Claude 5のAPI価格はさらに20〜30%程度上昇する可能性がある。
第三層:国内データ調達モデル
国内で主流となっている「データ堂」型の調達モデル——清洗済みデータセットを一括購入し、広範なライセンス範囲を記載する方式——は、今回の判例がベンチマークとなる。仮に米裁判所が「認識した上で利用」したことを故意侵害と認定すれば、国内のデータサプライヤーが提示する免責条項は効力を失う可能性が高い。
すでにRAGやファインチューニングに着手している日本語チームには、使用している事前学習データの「トレーサビリティ」を今のうちに確認しておくことを推奨する。これまでは誰も精査しなかったが、今後は問われる時代になる。
編集部の見解
この案件で本当に注目すべきは著作権ではなく、AI業界にとっての「エンロン・ショック」になりうるという点だ。社内メールの公開によってwillful infringementの成立が裏付けられ、「知らなかった」という抗弁が通用しなくなる。
私見では、論点は二つある。第一に、本件はほぼ確実に賠償金額による和解で終結する見通しであり、生成AIの学習パラダイムを根底から覆すことはない。ただし2026年以降の新モデルについては、事前学習データに完全なprovenanceチェーンを残すことが必須となる——この動きはAnthropicがすでに着手している。
第二に、日本語圏のベンダーが「コンプライアンスを宣言するが詳細は非公開」という従来路線を続けるなら、今回の判例は繰り返し参照される反面教師となる。
従来との違いは、それまでの著作権訴訟(NYT v. OpenAI、Getty v. Stability)が争点としていたのは「出力の類似性」だったのに対し、今回は「入力段階での認識」が問われている点だ。前者はmemorization mitigationのような技術的フィルタリングで対処できるが、後者は調達プロセスの再設計でしか解決できない。willful infringementという認定が裁判所によって採用されれば、データ調達という工程は恒久的にコンプライアンス項目に組み込まれる——業界がかつて経験したことのない新たな制約だ。
不透明な点は、米裁判所による「業界慣行」の認定が米国以外のベンダーにまで波及するか否かだ。波及しないと判断されれば、日本語圏の「データ堂」モデルには当面の影響が出ない。しかし波及するとなれば、Qwen/DeepSeekの海外展開は直ちに影響を受けるため、判決の進捗を継続的にフォローする価値がある。
# 出典
https://authorsguild.org/news/ag-v-openai-top-execs-knew-mass-book-piracy-was-illegal/