Innholdslisensavtaler

To forskjellige rettigheter er til salgs, ofte i samme kontrakt. Treningsrettigheter dekker inntak av et arkiv i en modells vekter. Visningsrettigheter dekker oppsummering av live-artikler og lenking til dem i et svarprodukt, som er den delen som kan returnere trafikk. Under Associated Press-avtalen med Google vil AP "levere en strøm av sanntidsinformasjon for å ytterligere forbedre nytten av resultater vist i Gemini-appen"^[6]. Nines avtale med Microsoft lar "Microsoft Copilot bruke journalistikken sin i sanntid når den lager AI-svar"^[7], og Metas Reuters-avtale er formulert på samme måte^[8]. En tredje form betaler per bruk i stedet for per arkiv: signerte utgivere under Perplexitys program "vil kunne dele inntektene generert av interaksjoner der innholdet deres refereres"^[9].

De fleste avtaler offentliggjør ingenting. Av de som lekker et tall, ble News Corps OpenAI-avtale rapportert til "mer enn $250 millioner over fem år"^[2], dens senere Meta-avtale til "opptil $50 millioner per år i minst tre år"^[10], og New York Times-avtalen med Amazon til "$20 millioner til $25 millioner per år"^[11]. Mer konkrete tall kommer fra innleveringer. Reddit fortalte SEC i februar 2024 at de hadde "inngått visse datalisensavtaler med en samlet kontraktsverdi på $203,0 millioner og vilkår som varierer fra to til tre år"^[12]. Inntektslinjen disse kontraktene ligger i, gikk fra $15,2 millioner i 2023 til $140,0 millioner i 2025^[13], og $143,7 millioner i fremtidige inntekter var fortsatt under kontrakt ved utgangen av 2025^[14].

Det kommersielle presset for å lisensiere kommer fra at det åpne nettet stenger. En longitudinell revisjon av samtykkeprotokollene bak de vanlige treningskorporaene fant at, når man teller Terms of Service-gjennomsøkingsrestriksjoner snarere enn robots.txt alene, er hele 45 % av C4-korpuset nå begrenset^[15]. En crawler som bare leser filen, undervurderer hva nettstedets egne vilkår forbyr, og en kontrakt er det som lukker dette gapet.

Proveniens i de eksisterende korporaene er svak i den andre retningen. En revisjon som sporet mer enn 1800 tekstdatasett, fant lisensutelatelse over 70 % og lisensfeilrater over 50 % på mye brukte datasettvertssteder^[16], så en kjøper kan ikke ut fra offentlige registre alene fastslå hva et samlet korpus noensinne hadde tillatelse til å inneholde. Se AI-crawlere for hvordan restriksjonene uttrykkes.

En kontrakt er ikke et rangeringssignal. Googles veiledning for utgivere sier at "for å være kvalifisert til å vises som en støttende lenke i AI-oversikter eller AI-modus, må en side være indeksert og kvalifisert til å vises i Google Søk"^[4], noe som setter gjennomsøking og indeksering foran enhver kommersiell avtale. Tow Center testet 200 sitater fra 20 publikasjoner i ChatGPT og fant at det "returnerte delvis eller helt feilaktige svar ved hundre og femtitre anledninger"^[17]. Lisensierte utgivere ble ikke spart: New York Post og The Atlantic "har lisensavtaler med OpenAI og tillot tilgang til alle crawlerne, men innholdet deres ble ofte sitert unøyaktig eller feilrepresentert"^[5]. En revisjon fra 2026 av siteringer for 44 Web3-bedrifter fant at eksponeringen var skjev mot "allerede fremtredende stemmer"^[18].

Noen lisensieringer selger levering snarere enn tillatelse. Wikimedia Enterprise selger API-er, øyeblikksbilder og sanntidsstrømmer av Wikipedia-innhold, beskrevet som "Bygget for AI, søk og kunnskapsgrafer"^[19]. Innholdet er allerede gratis å gjenbruke under en Creative Commons-lisens, så det kjøperne betaler for er røret og servicenivået, ikke retten.

De samme utgiverne vises på begge lister. Rundt seks saker er anlagt mot Perplexity, og en føderal dommer avviste i stor grad et forslag om å avvise Reddits sak, og sa at Reddit plausibelt hadde hevdet at Perplexity "konspirerte med minst en av de tre dataskraperne for å omgå tilgangskontroller og skaffe Reddits materiale"^[20].