チャットボットに、メールの文面を整えてもらったり、契約書の条文を説明してもらったりしたとしよう。その答えを出すモデルは、他の人が書いた膨大な文章で訓練されている。

その訓練に、書いた人の許可は必要だったのか。いま、この問いが法廷で争われている。結論しだいで、仕事で使う道具の姿も変わってくる。

「フェアユースはみんなの利益になる」というのは、この問いへの答え方のひとつだ。

OpenAIは、まさにこのタイトルの文章で主張を公に示した。これに対しては、Hacker Newsで鋭い議論も起きた。言葉は短い。

だが、その裏にある問いは短くない。

AI開発企業は、著作物を使った訓練を、許諾なしで適法と扱ってほしいと考えている。

裁判所や議員にそう求めているのだ。それを「みんな」の利益と呼ぶと、争いのある法的主張が、公共の利益のように聞こえてしまう。この記事では「みんな」という言葉に、実際に誰が入っているのかを確かめていく。

この記事のポイント

  • 標語には、訓練はフェアユースかという法的な主張と、社会は得をするかという政策の主張が混ざっている。
  • 最大の難関は市場への影響で、負担は偏る。大手の権利者は交渉できるが、個人の作り手は損失を引き受けがちだ。
  • 「無料」と「許諾制」の間にも選択肢がある。どの落としどころも、人々がウェブに新しい作品を出し続けることが前提になる。

1つの標語に隠れた2つの主張

「フェアユースはみんなの利益になる」は、実は2つの主張だ。範囲の狭い法的な主張と、範囲の広い政策の主張である。 この2つは食い違うことがある。

まず別々に見てみよう。

上部にスローガン「Fair use benefits everyone(フェアユースは皆の利益になる)」があり、そこから3つの問いに分かれる。(1)「学習は変容的利用か?」は裁判所が個別の事案ごとに判断し、目的、著作物の種類、複製した量、市場への害を根拠にする。(2)「社会は得をするか?」は立法者、規制当局、一般の人々が判断し、誰が得をし誰が負担するか、将来の創作の成果を根拠にする。(3)「創作者にとって公正か?」はほぼ誰も特に担っておらず、ライセンス収入、トラフィック、交渉力が根拠になる。(1)と(2)は「スローガンが混ぜ合わせているもの」という括弧でまとめられ、(3)は点線の枠で「抜け落ちている問い」と示されている。

図1:1つのスローガンに含まれる3つの問いと、それぞれの判断者

法的な主張:訓練は「変容的」な利用だ

法的な主張はこうだ。文章、画像、コードをコピーしてモデルを訓練することは、変容的な利用にあたる。米国の法律では、変容的な利用は許可なしでも適法になりうる。

裁判所は、4つの要素からなる判断基準でこれを調べる。機械がコピーする場合、どの要素も無理が出てくる。

なかでも市場への影響の要素が、本当の争点だ。これは、その利用が原作の売れ行きを損なうかを問うものである。

政策の主張:社会全体が得をする

政策の主張は、もっと先まで進む。裁判所がこれを認めれば社会はよくなる、というのだ。しかも、その利益はユーザー、開発者、研究者、さらには作り手にまで行き渡るという。

2つが分かれるわけ

合法であっても、費用と利益が大きく偏ることはある。4つの要素を当てはめる裁判所は、経済全体が公平かどうかは問わない。ひとつの事実関係のもとで、ひとつの利用が基準を満たすかどうかを見るだけだ。

次の表は、標語にまとめて入っている3つの問いと、それぞれに答える主体を示したものだ。

問い誰が決めるか何が根拠になるか
訓練は変容的か裁判所(事案ごと)目的、作品の種類、コピーの量、市場への害
社会は得をするか議員、規制当局、世論誰が得て誰が負担するか、今後の創作の量
作り手にとって公平か決める人は特にいない使用料収入、アクセス数、交渉力

標語は、1行目と2行目を混ぜ、3行目を抜いている。この記事の残りでは、それをもう一度ほどいていく。

機械学習に4つの要素は耐えられるか

フェアユースは、人間の規模でのコピーを想定してできた。生成AIの訓練は、4つの要素それぞれに違う形で負荷をかける。どれも、すっきりした答えは出してくれない。

よくある例を思い浮かべてみよう。批評家が一節を引用する。パロディの作者がメロディを借りる。

検索エンジンが縮小画像を表示する。どれも、はっきりした理由があって、ごく一部だけを取っている。

モデルの訓練は、この2点で事情が違う。作品を丸ごと、一度に数百万点も取り込む。しかも目的は、製品をつくることだ。

米国フェアユースの判断に使う4つの要素「利用の目的」「著作物の性質」「利用の量」「市場への影響」を横に並べた図。どの要素にも、機械が複製を行うと揺らぐことを示す「▲ 揺らぐ」の印が付いている。利用の目的は変容的な利用か原作の代替か、著作物の性質は学習に保護の厚い創作物が多いこと、利用の量は作品全体を数百万点単位で使うことが論点になる。原作の売上を損なうかを問う「市場への影響」は他より大きく描かれ、「本当の争点」として強調されており、出力が学習元の作品と競合しうると書かれている。下には、フェアユースが人間規模の複製を前提に作られた基準であり、どの要素も明快な答えを出さないという補足がある。

図2:フェアユースの4要素と、最大の争点となる市場への影響

目的と性質

開発者側は、訓練はこれ以上ないほど変容的な利用だと主張する。モデルは本を再び出版するわけではない。本を統計的な重みに変えて、言語や構図や論理のパターンを学ぶのだ。

批判する側は、出てくるものに注目する。モデルは宣伝文を書き、イラストを描き、コードも作れる。その出力が学習元の作品と競合するなら、その利用は論評というより、置き換えに見えてくる。

では、お金もうけが目的なら、それだけで決まりなのか。そうではない。

営利目的というだけでフェアユースが否定されることはない。ただ、製品が同じ買い手に向けられている場合、変容的だという主張は弱まる。

作品の性質

訓練用のデータには、創作性の高い表現豊かな素材が多く入っている。これは、この法理が最も強く守る種類の作品だ。

保護の強さは、おおよそ次のように並ぶ。

  • 保護が薄め:事実を集めたデータベース、技術マニュアル。
  • 保護が厚め:小説、写真、イラスト、報道記事。

この要素は、ほかの要素より軽く扱われることが多い。それでも、開発者に有利に働くわけではない。

使った量と重要性

モデルは作品を丸ごと取り込む。しかも、数百万点にのぼることが多い。

作品全体のコピーは、ふつうフェアユースに不利に働く。ただ、目的上必要だったとして、裁判所が認めた例もある。

代表例は、書籍のデジタル化をめぐるAuthors Guild v. Googleだ。だが、この先例は広げすぎやすい。2つの状況には、大事な違いがある。

Google Books生成モデル
ユーザーが得るもの本についての事実新しい文章、画像、コード
典型的な出力抜粋、検索結果、語の出現頻度完成した成果物
原作の代わりになるかならない作品の種類によってはなりうる

最後の行が、両者のへだたりだ。作品全体のコピーが認められた理由の一部は、出てくるものが本の代わりにならなかったことにある。

市場への影響

争いの中心はここにある。ふつうのフェアユースの事件では、害は特定の1作品の売り上げや使用料が失われることだ。

生成AIでは、もっと広い心配が出てくる。たとえば、モデルがストック画像やニュースの要約、特定の作風のコードを、求められるたびに作れるとしよう。

すると、圧力がかかるのは1つの作品ではない。依頼して作ってもらう創作の市場全体だ。

これまでの裁判所の判断

初期の判決は、向きがばらばらだ。どれも、それぞれの事実関係に左右されている。いずれも地方裁判所の判断なので、ほかの裁判所を縛るものではない。

  1. Thomson Reuters v. Ross:生成AIではないAIツールについて、裁判所はフェアユースを認めなかった。このツールは、コピー元と直接競合していた。
  2. Bartz v. Anthropic(2025年):連邦地裁の裁判官は、適法に入手した本での訓練は擁護できると判断した。一方、海賊版でつくったライブラリーをめぐる請求は進めることを認めた。この事件は後に、報じられたところでは15億ドルの和解で終わった。
  3. Kadrey v. Meta(2025年):別の裁判官は、目の前の記録に基づいてMetaを勝たせた。同時に、AIの出力が競合品となってあふれる「市場の希薄化」は、より説得力のある主張がなされれば深刻な害になりうる、と警告した。

Metaの判決が言ったことと言わなかったことに注意したい。Metaが勝ったのは、著者側が害を証明できなかったからだ。裁判官は、害が起こりえないとは言っていない。

4つの要素を並べて見る

次の表は、各要素について双方の主な主張と、初期の判決の傾きをまとめたものだ。

要素開発者の言い分作り手の言い分初期の判決の傾き
目的学習は変容的だ出力が競合する。利用は営利だ2人の裁判官が訓練を変容的と扱った
性質取り出すのはパターンで、表現ではない訓練は創作性の高い作品を狙っている決め手になることは少ない
量作品全体が必要だ完全な作品が数百万点コピーされた目的が正当化するなら許容
市場1つの作品の市場も害されない創作の市場全体が薄まる定まっていない

結果が事実しだいで変わる理由

この法理は、どちらの側が認めるよりも定まっていない。広い一般ルールの代わりに、いくつかの具体的な事実が、法的に重い意味を持ち始めている。

  • データの入手方法:Bartzでは、本を買った場合と海賊版を使った場合で、結論が分かれた。
  • モデルが丸暗記するか:特定の作品をそのまま再現するモデルは、擁護しにくい。
  • 出力が原作の代わりになるか:Thomson Reuters v. Rossでは、直接の競合が抗弁を退けた。

つまり、結論は事案ごとの事実で変わると見ていい。すべてを決める単一の原則は、当面は出てきそうにない。控訴裁判所や議会が動けば、変わるかもしれない。

広いアクセスを支える最も強い理由は何か

大学の研究室と大手のテック企業を思い浮かべてほしい。どちらも、同じ山の本や記事でモデルを訓練したいと考えている。

すべての作品に許諾が必要なら、費用を払えるのは片方だけだ。この差が、フェアユース擁護論の核心である。

この主張は、いちばん強い形で聞く価値がある。いくつかの点は、よく筋が通っている。

  1. 許諾制は資金力のある側に有利だ。 訓練のたびに許諾が要るなら、適法なデータセットを作れるのは資金の潤沢な企業だけになる。大学の研究室、オープンソースのプロジェクト、小さなスタートアップは、費用の面で締め出される。
  2. 取引にかかる手間が膨大だ。 権利者は数百万人にのぼり、見つからない人も多い。持ち主を特定できない「孤児著作物」もある。1人ずつ交渉するのは現実的ではない。
  3. 学ぶのに許可が要ったことはない。 幅広く読んで文体を吸収した小説家は、影響を受けた作家に何の義務も負わない。統計的な学習も同じ種類の行為で、規模が大きいだけだ、と擁護する側は言う。
  4. 規制しても、作業が別の場所へ移るだけかもしれない。 ある法域がルールを厳しくすれば、開発はゆるい場所に移りうる。作り手は守られず、厳しくした側が開発力を失う。
  5. ユーザーが直接得をする。 安くて高性能な道具は、学生や小さな事業者、専門家のサービスに手が届かない人たちの負担を下げる。

費用の議論がいちばん重い理由

最初の点が最も強い。厳格な許諾制は、大企業しか渡れない堀になりうる。

多額の和解金を払える企業や、多くの出版社と契約できる企業は、許諾制のもとでも楽に暮らせる。同じ制度が、大学の研究室を沈めることもある。

いまフェアユースを最も強く訴えている企業は、負けた場合でも誰よりうまく適応できるのかもしれない。

「人間の学習」というたとえが崩れるところ

よく読む小説家とのたとえは、もっと弱い。人間とモデルがどこで違うのかを、並べてみると分かりやすい。

人間の読者大規模モデル
読む量一生分の本数週間で数百万点の作品
文章の再現まれで、大規模にはならない求めに応じて起こりうる
売るもの新しい作品学習元と競合しうる製品

このたとえが示すのは、学ぶことはコピーと同じではない、という点だ。機械による訓練がすべて、法的な意味での学習にあたることまでは示さない。

擁護する側に必要なのは、その第2の段階だ。たとえだけでは、そこまで届かない。

「作業は移るだけ」という議論が成り立つ場合

法域の議論は、条件しだいだ。訓練を別の場所へ移すのが安くすむときに、最も強くなる。完成したモデルが、どこで訓練されたかに関係なく、どこでも売れることも必要だ。

大きな市場が、訓練だけでなく運用も規制すると弱まる。その場合、ルールは自国のユーザーに売ってよいものを対象にする。モデルをどこで作ったかは、ほとんど意味を持たなくなる。

無料でアクセスできるとき、誰が払うのか

モデルをつくる側が自由に使えることには、代償がある。その多くは、オンラインで書き、描き、質問に答える人たちにのしかかる。

Autognosisの以前の記事では、エージェントに使いやすいウェブが、人間のユーザーにとってはむしろ悪くなりうることを取り上げた。

スクレイピング、アクセス制御、知的財産のルールは、オンラインで作って公開する人に最も重くのしかかる。フェアユースの議論は、その話の続きにあたる。

機械に読みやすくなったウェブは、人間の書き手には支え続けにくいウェブになりうる。

作り手が損をする2つの形

損失は2段階で起こる。どちらも、誰にも気づかれないまま進むことがある。

  • 対価なしに価値が移る。 出版社のアーカイブ、イラストレーターの作品集、フォーラムに何年も積まれた回答が、モデルの能力に変わる。請求書は誰からも届かない。
  • アクセスが戻ってこなくなる。 AIが生成する回答は、元のコンテンツを支えていた参照元からの訪問を減らしうる。読者は要約を受け取り、元のサイトには来ない。

訪問が減ると、元のサイトは広告収入や購読料を失う。時間がたてば、発信を続ける理由そのものを失いかねない。

二層に分かれる結果

交渉力に差があるので、影響ははっきりした線で分かれやすい。次の表は、各グループにできることと、たいてい得られるものを比べたものだ。

グループできること得られがちなもの
大手出版社、ストック素材会社訴訟、交渉、差し止めの請求使用料契約、和解金
中規模のメディアクローラーの遮断、連合への参加たまの契約、アクセスの減少
個人の作り手、フォーラムのユーザーオプトアウトのタグくらいほとんど何もない
モデル開発者規模、法務チーム、ロビー活動安い原料
一般のユーザー道具を選ぶ安くて高性能なサービス

大手の権利者が支払いを受けやすいのは、訴えると言えば本気だと受け取られるからだ。すそ野の作り手が何も得られないのは、その人たちに代わって訴えても、割に合うことがまずないからである。

その結果、作り手がどれだけ貢献したかに関係なく、訴える力に応じて報酬が決まる市場になる。

オプトアウトでは解決しない理由

robots.txtの指定や、AI専用のクローラー遮断は、中間の道に見える。だが実際には、はっきりした限界がある。

  • 負担が作り手に回る。 サイトの持ち主は、どんなクローラーがあるかを学び、遮断リストを更新し続けなければならない。
  • さかのぼっては効かない。 遮断より前に集められたデータは、既存のデータセットや訓練済みのモデルに残る。
  • 下流で漏れる。 第三者のデータセットやミラーサイトを通じて、元の遮断が届かない訓練にコンテンツが流れ込むことがある。
  • 善意に頼っている。 契約や法律で義務づけられていなければ、従うかどうかは任意だ。
  • 見つけてもらう機会を失うおそれがある。 AIクローラーを遮断すると、いま一部の読者がコンテンツを見つけているAI検索から外れることがある。

だから「みんな」が得をするのは、ゆるい意味でしかない。消費者は安い道具を得て、開発者は安い原料を得る。作り手は、「みんなの利益になる」という議論が語らない費用を背負っている。

「無料」と「禁止」の間に道はあるか

選択肢は2つだけではない。議論ではたいてい、訓練はフェアユースで無料か、侵害で許諾が必要か、の2つしか示されない。その間にあるいくつもの道は、この枠組みの中で見失われてしまう。

ラジオ局が曲を流す場面を考えてみよう。局は、作曲者一人ひとりに電話して許可をもらったりしない。

共有の仕組みにお金を払い、そのお金が権利者へ回っていく。AIの訓練でも、似たやり方はありうる。

ただし、考えられる設計はそれだけではない。

訓練を禁じずに作り手へ払う5つの方法

次の表は、作り手に報酬を払う、または発言権を与える5つの方法を、主な強みと弱みとともに比べたものだ。

仕組み動き方主な強み主な弱み
集中管理による許諾管理団体が権利をまとめて支払う(音楽と同じ)作品ごとの契約が要らない仲介者がお金の多くを取りうる
法定許諾法律が、定めた使用料での訓練を認める利用の許可と支払いを切り分けられる料率の決定は政治的で時間がかかる
収益への課金モデルの収益の一部を作り手の基金に回す集めるのが簡単公平に分けにくい
検索時の出典表示最新の情報源を引く回答が、出典を示して対価を払う実際の利用に支払いが連動する対象は検索だけで、基礎訓練は含まない
データの透明性開発者が訓練データを開示する権利の行使と交渉が可能になる開示だけでは誰にも支払われない

どれも簡単ではない理由

いちばん難しいのは、測ることだ。1つの作品が、モデルの能力にどれだけ貢献したのかを、簡単に言える人はいない。

1冊の小説の影響が、何十億ものパラメーターに散らばっている。役に立つ形で測るのは、無理かもしれない。だから、お金を分けるどんな計算式も、せいぜいおおまかなものにしかならない。

設計がまずければ、別のリスクも加わる。

  • 不透明な支払い:音楽の管理団体は、分配が分かりにくく、支払いが遅いと長く批判されてきた。訓練への課金は、同じ問題をもっと大きな規模でくり返しかねない。
  • 高すぎる料率:法定の使用料が高ければ、アクセス重視派が警告する「堀」の問題を再び生む。訓練できるのは、最大手だけになるだろう。
  • 届く範囲の偏り:大手の権利者に主に払う仕組みは、個人の作り手の大半を取りこぼす。

これらの選択肢が示すこと

これらの選択肢が示すのは、「フェアユースはみんなの利益になる」だけが筋の通った立場ではない、ということだ。

訓練を認めたうえで、その元になった作り手に払う仕組みも考えられる。広いアクセスがもたらす競争上の利益は残せる。そして、創作物をただの原料として扱うこともなくなる。

それが、どちらの極端よりも公共の役に立つかどうかは、細部しだいだ。お金がどれだけ公平に分けられるかが問われる。誰が費用を負うのかも、同じように問われる。

ちょっと立ち止まって

「みんなの利益になる」と聞くと、つい「それなら自分も含まれているのだろう」と思ってしまわないだろうか。

安くて便利な道具は、確かにありがたい。ただ、その便利さの裏で、誰かが払っているものがあるのかもしれない。

あなたがふだん使っているAIの答えは、誰が書いた文章の上に立っているのだろう。そして、その人たちは、あなたと同じ意味で「みんな」に入っているだろうか。

節の要点を示す図。要点は、持続的な決着の前提は人が新しい作品を作り続けることだという点である。補足として、AIモデルが最新であり続けるには人が書く新しい素材が必要なこと、作品づくりの採算を弱める法制度は時間とともに自らを損なうこと、価値の分配には賦課金・法定使用料・集中許諾・検索連動の支払いなどの選択肢があり、小規模な作り手まで届いて初めて機能することを挙げている。

図4:持続的な決着の前提は、オープンウェブで新しい作品が公開され続けること

長続きする落としどころには何が要るのか

裁判所や議会がどんな判断をしても、その結果は「新しい作品を作る動機」を変える。これはAIにとっても大事な話だ。モデルが最新の状態を保つには、人が書いた新しい素材が欠かせないからだ。

もし法の仕組みが、その素材を作る人の稼ぎを弱めたら、仕組みは時間とともに自分の足元を崩すことになる。

ではそれはどれくらいの速さで起きるのか。まだ分かっていない。まだ測っている最中の要素に左右されるからだ。

  • 流れてしまう訪問:AIの回答によって、元の情報源から実際にどれだけ訪問が奪われるか。
  • 合成データ:機械が作った文章が、人間の文章をどこまで代わりにできるか。

落としどころを支える4つの部分

長続きする落としどころには、おそらく4つの部分が要る。それぞれ別の問題を扱うので、組み合わせてこそ働く。

  1. 研究と競争の余地。 非営利の研究者や小さな開発者が、大手にしか払えないライセンス料なしで学習できる必要がある。
  2. 害ごとに別のルール。 学習、丸暗記、出力による置き換えは、それぞれ別の行為だ。ひとつの括りにまとめず、一つずつ判断する。
  3. 今後のスクレイピングへの実効的な管理。 作り手には、標準化されていて拘束力があり、下流のデータセットも守るオプトアウト(学習への利用を断る手段)が必要だ。ていねいなお願いだけでは足りない。
  4. 価値を分け合う方法。 課徴金、法定の使用料、集団でのライセンス、検索に基づく支払いなどが考えられる。小さな作り手が大勢いる裾野まで届いて、はじめて機能する。最大手の権利者だけに届くのでは足りない。

今からできること

法はまだ定まっていない。それでも、作る人、公開する人、こうしたツールを買う人は、すでに動ける。ここに挙げる手は、裁判の結果に左右されない。

  • クローラーの設定:AI専用のクローラー(ウェブを巡回して情報を集めるプログラム)について、robots.txtやプラットフォームの設定を見直す。初期設定のままにせず、自分で選ぶ。
  • プラットフォームの規約:多くのフォーラムやホスティングサービスが、ユーザーの投稿を学習用にライセンスするようになっている。投稿したときに何に同意したのかを知っておくと役に立つ。
  • ベンダーのデータの出どころ:組織でAIツールを買うときは、学習データがどこから来たのか、文書で示してもらう。海賊版の出どころは、裁判所が別の責任として扱いつつある。
  • 市場への害をめぐる判断:法的な結論は、4つ目の要素である「元の作品の市場への影響」に大きく左右されそうだ。希薄化や丸写しをめぐる判断のほうが、「変容的だ」という大まかな主張よりも多くを教えてくれる。
  • 情報源への直接の支援:AIの要約のせいで出版社への訪問が減るなら、購読や直接の支払いは、その情報源を生かし続ける数少ない方法のひとつだ。

市場への影響という要素が効いてくる場面で、誰がコストを負うかを2列で比べた図。見出しは「コストは均等には降りかからない」。左の列は大手権利者(大手出版社・ストック素材ライブラリなど)で、交渉力が大きく、訴訟・交渉・差し止め請求ができるため、ライセンス契約を交渉して対価を得る。右の列は個人クリエイターで、交渉力が乏しく、損失の大半を自ら吸収する。

図3:大手権利者と個人クリエイターで異なるコストの負い方