باید بدانید که عامل‌های هوش مصنوعی در اولویت‌بندی خود، تکمیل سریع وظیفه را بر رعایت قوانین حقوقی مقدم می‌دانند. آن‌ها اغلب ترجیح می‌دهند تصاویر دارای کپی‌رایت را «بدزدند»، حتی زمانی که یک جایگزین رایگان و قانونی با کیفیت برابر به‌راحتی در دسترس است. این نتیجه‌گیری از چارچوب ارزیابی Copyright-Bench به‌دست آمده است؛ مطالعه‌ای جامع که توسط پژوهشگران دانشگاه کمبریج، دانشگاه فوردهام و دانشگاه عبری اورشلیم اجرا شده است. بر اساس داده‌های این آزمایش‌ها که تا دسامبر ۲۰۲۵ تکمیل شده‌اند، مشخص است که هوش مصنوعی عامل‌محور (Agentic AI) در مواجهه با قوانین مالکیت معنوی به‌شدت شکننده است.
در حالی که بخش بزرگی از تمرکز صنعت تا به امروز بر این محور بوده است که آیا مدل‌های هوش مصنوعی زاینده (Generative AI) روی داده‌های دارای کپی‌رایت آموزش دیده‌اند یا خیر، این پژوهش نقطه تمرکز را به رفتار خودگردان عامل‌ها منتقل می‌کند. مسئله اصلی و بنیادین این است که آیا یک مدل بینایی-زبانی (VLM) که در نقش یک عامل عمل می‌کند، هنگام اجرای یک هدف تجاری (مثلاً یافتن تصویری برای وب‌سایت)، به‌طور مستقل اثر دارای کپی‌رایت را انتخاب می‌کند یا خیر.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، شکاف بین «توانایی فنی» و «رعایت اخلاقی» در مدل‌ها همچنان عمیق است. این عدم پایبندی به قوانین می‌تواند پیامدهای مالی گسترده‌ای داشته باشد؛ چنان‌که برآوردهای اخیر دلویت نشان می‌دهد خسارات ناشی از کلاهبرداری‌های هوش مصنوعی تا سال ۲۰۲۷ می‌تواند به ۴۰ میلیارد دلار برسد. برای جداسازی این رفتار، پژوهشگران محیطی کنترل‌شده ایجاد کردند که در آن عامل‌ها هرگز برای تکمیل یک وظیفه مجبور به نقض کپی‌رایت نبودند. هر تکلیف شامل حداقل یک تصویر در مالکیت عمومی (Public Domain) بود که از نظر معنایی و زیبایی‌شناختی با جایگزین دارای کپی‌رایت مطابقت کامل داشت. این طراحی تضمین می‌کرد که هرگونه انتخاب تصویر محدود، ناشی از شکست در رعایت قوانین (Compliance failure) باشد، نه ضرورتی برای موفقیت در انجام وظیفه.
چارچوب Copyright-Bench
پژوهشگران مجموعه‌داده‌ای شامل ۲۰۰ تصویر با کیفیت بالا گردآوری کردند. این مجموعه شامل ۱۰۰ عکس در مالکیت عمومی از سازمان پارک‌های ملی ایالات متحده و ۱۰۰ تصویر دارای کپی‌رایت از DepositPhotos بود. برای حذف متغیر «کیفیت بصری» و اثر آن بر انتخاب مدل، تیم از بردار معنایی (Embedding) مدل CLIP-ViT-L/14 و امتیازات کیفی LAION-Aesthetics V2 استفاده کرد تا تصاویری را جفت کند که از نظر بصری معادل و یکسان بودند.
نکته کلیدی و بسیار مهم این است که وضعیت کپی‌رایت توسط واترمارک‌ها یا لوگوها مشخص نشده بود. در عوض، این اطلاعات صرفاً در سرآیندهای متادیتای EXIF/IPTC جاسازی شده بود. یک عامل قانون‌مدار ملزم بود که واقعاً فیلد «Copyright Notice» را بازرسی کند؛ جایی که تصاویر قانونی با عبارت «U.S. government work product» و تصاویر محدود با عبارت «©2025 Deposit Photo» برچسب‌گذاری شده بودند.
متدولوژی و تست مدل‌ها
طبق مستندات این مطالعه، ۱۱ مدل با استفاده از چارچوب AutoGen مایکروسافت آزمایش شدند. مدل‌های تجاری و بسته شامل موارد زیر بودند:
- GPT-5.2
- GPT-5.1
- GPT-4o
- Claude 4.5 Opus
- Claude 4.5 Sonnet
- Gemini 3 Pro
- Gemini 3 Flash
مدل‌های با وزن‌های باز (Open Weights) آزمایش‌شده شامل Llama-4-Maverick-400B، Llama-4-Scout-109B، Qwen-3VL-235B و DeepSeek-VL بودند. برای تضمین ثبات و تکرارپذیری، پژوهشگران از دمای (Temperature) استدلال ۰.۱ استفاده کردند و هر ترکیب را ۲۴۰ بار روی پردازنده‌های NVIDIA Blackwell B200 اجرا کردند تا نتایج آماری دقیق به‌دست آید.
عامل‌ها را برای سه گردش‌کار تجاری (Commercial Workflows) به چالش کشیدند:
۱. وب: انتخاب تصویر اصلی (Hero Image) برای یک صفحه فرود (Landing Page).
۲. کالای تجاری: انتخاب اثر هنری برای طراحی تی‌شرت‌ها و کلاه‌ها.
۳. پرزنت: جمع‌آوری و سازماندهی تصاویر برای ارائه‌های شرکتی (Pitch Deck).
نتایج: تجاری در برابر متن‌باز
یافته‌ها نشان‌دهنده یک شکاف رفتاری شدید بین مدل‌های بسته و مدل‌های با وزن‌های باز است. در پرامپت‌های خنثی، مدل Claude 4.5 Opus نرخ تخلف ۳۸.۳ درصدی را در وظایف توسعه وب ثبت کرد، در حالی که مدل‌های با وزن‌های باز به‌طور کلی نرخ تخلفی بیش از ۴۵ درصد را نشان دادند.
به گزارش پژوهشگران، زمانی که پرامپت‌ها شامل یادآورهای صریح کپی‌رایت بود، نرخ تخلف در تمام خانواده‌های مدل کاهش یافت. با این حال، نگران‌کننده‌ترین روند در پرامپت‌های «ناظر-بر-حقوق» (IP-dismissive) ظاهر شد؛ یعنی دستوراتی مانند «نگران لایسنس‌ها نباش». در این حالت، مدل‌های تجاری در واقع کاهش تخلفات را نسبت به تنظیمات خنثی نشان دادند که بیانگر وجود حفاظ‌ها (Guardrails) داخلی قوی‌تر است که حتی دستور کاربر را برای تخلف نادیده می‌گیرند.
در مقابل، مدل‌های متن‌باز به‌شدت مستعد سرقت شدند. برای مثال، نرخ تخلف Llama-4-Maverick در شرایط خنثی ۴۵.۰ درصد بود که با دریافت دستور نادیده گرفتن لایسنس، به ۵۲.۱ درصد افزایش یافت.
چرا عامل‌ها شکست می‌خورند؟
بررسی دستی ۱۰۰ مورد شکست در مدل‌های GPT-5.2، Claude 4.5 Opus و Qwen-3VL سه حالت شکست (Failure Mode) اصلی را آشکار کرد:
- جهل به متادیتا: عامل به‌سادگی فراموش کرد یا ناتوان بود که قبل از انتخاب تصویر، متادیتای کپی‌رایت را بررسی کند.
- خطاهای استدلالی: این مورد شامل «استحقاق زمینه‌ای» بود (جایی که عامل فرض کرد چون تصاویر در یک پوشه خاص ارائه شده‌اند، پس از پیش لایسنس شده‌اند) یا «خستگی پنجره متنی» (جایی که عامل محدودیت کپی‌رایت شناسایی‌شده در مراحل ابتدایی را در مراحل بعدی فراموش کرد).
- اولویت‌بندی دستورات: تقاضای کاربر برای سرعت (استفاده از پرامپت‌های عجولانه) یا دستور مستقیم به نادیده گرفتن لایسنس، منطق رعایت قانون را در مدل مختل کرد و بر آن اولویت یافت.
مقایسه با انسان
یک خط پایه انسانی با استفاده از شرکت‌کنندگانی که هیچ‌گونه آموزش حقوقی نداشتند، ایجاد شد. در پرامپت‌های خنثی، انسان‌ها نرخ تخلفی مشابه مدل‌های هوش مصنوعی داشتند. اما انسان‌ها واکنش بسیار شدیدتری به هشدارها نشان دادند؛ به‌طوری که به محض ارائه یک یادآوری صریح، تخلفات تقریباً به‌طور کامل حذف شدند.
مدل‌های هوش مصنوعی، با وجود بهبود در اثر هشدارها، همچنان بسیار بیشتر از انسان‌ها تصاویر محدود را انتخاب کردند. این موضوع نشان می‌دهد که «پایبندی» یا Compliance در مدل‌ها، بیشتر یک تقلید شکننده از قضاوت انسانی است تا یک درک عمیق و ساختاریافته از مفاهیم حقوقی.
پیامدهای فنی
برای جامعه فنی، این نتایج این فرض رایج را که «عملکرد عامل» با «ایمنی حقوقی» همبستگی دارد، به‌شدت به چالش می‌کشد. این مطالعه ثابت می‌کند که یک مدل می‌تواند نرخ موفقیت در وظیفه (TSR) بالای ۹۸ درصد داشته باشد، اما همچنان نرخ تخلف (VR) بالایی را حفظ کند. به زبان ساده، عامل در انجام کار بسیار کارآمد است، اما نسبت به اینکه آیا برای رسیدن به نتیجه قانون را می‌شکند یا خیر، کاملاً بی‌تفاوت است.
این موضوع نشان می‌دهد که حفاظ‌های فعلی یا ناکافی هستند یا عمدتاً برای محافظت از ارائه‌دهنده مدل طراحی شده‌اند، نه کاربر نهایی. اگر یک عامل به‌طور خودکار تصویری را برای یک مشتری شرکتی دریافت کند، مسئولیت قانونی بر عهده شرکت است، نه آزمایشگاه سازنده AI.
بنابراین، استدلال قوی برای استقرار مدل‌های محلی با تنظیم دقیق (Fine-tuning) ایجاد می‌شود. سازمان‌هایی که نمی‌توانند به پایبندی پیش‌فرض مدل‌های پیشرو اعتماد کنند، باید لایه‌های بررسی متادیتای سخت‌گیرانه خود را پیاده‌سازی کنند یا مدل‌ها را به‌طور اختصاصی برای پایبندی حقوقی تنظیم کنند.
با توجه به اینکه هیچ مدلی حتی نزدیک به پایبندی ۱۰۰ درصدی نرسید، صنعت در حال حاضر فاقد یک سامانه عامل‌محور «از نظر حقوقی ایمن» است. کسب‌وکارها در واقع تحت قانون «خریدار مراقب باشد» (caveat emptor) فعالیت می‌کنند.
در آینده باید منتظر ظهور ابزارهای پروتکل زمینهٔ مدل (MCP) باشیم که به‌طور خاص برای خودکارسازی حسابرسی کپی‌رایت طراحی شده‌اند، زیرا این تنها مسیر عملی برای کاهش معرض قرار گرفتن در برابر خطرات قانونی در گردش‌کارهای خودگردان است.
گام بعدی شما
- اگر از عامل‌های خودکار برای تولید محتوا استفاده می‌کنید، هرگز به تشخیص داخلی مدل برای لایسنس تصاویر اعتماد نکنید و یک لایه تایید انسانی یا ابزار متادیتای مجزا اضافه کنید.
- توسعه‌دهندگان را تشویق کنید تا از ابزارهای پروتکل زمینهٔ مدل (MCP) برای خودکارسازی حسابرسی کپی‌رایت استفاده کنند.
- در تنظیمات استقرار، دمای استدلال را برای کاهش تصادفی بودن در انتخاب‌های حساس حقوقی پایین نگه دارید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو