Copyright Laundering Through the AI Ouroboros: Adapting the 'Fruit of the Poisonous Tree' Doctrine to Recursive AI Training

Sintesi Tecnica: Riciclaggio del Diritto d'Autore Attraverso l'Ouroboros dell'IA

Dichiarazione del Problema: Il Crollo del Patto Probatorio
Il documento individua un fallimento critico nei meccanismi attuali di applicazione del diritto d'autore quando applicati a pipeline di addestramento dell'IA multi-generazionali, un fenomeno che gli autori definiscono "Ouroboros dell'IA". La responsabilità tradizionale per violazione del diritto d'autore si basa su un patto probatorio che richiede ai ricorrenti di provare due elementi: (1) l'accesso dell'imputato a un'opera protetta e (2) la somiglianza sostanziale tra l'opera protetta e l'output dell'imputato.

Questo quadro crolla nel contesto dell'addestramento con dati sintetici ricorsivi. In questo scenario, un modello fondazionale (IA1) viene addestrato su un corpus contenente materiale protetto da diritto d'autore. I suoi output vengono poi "puliti" (filtrati o elaborati per rimuovere le violazioni palesi) e utilizzati come dati di addestramento sintetici per un modello successore (IA2), che a sua volta può addestrare IA3, e così via. Man mano che la discendenza si approfondisce, l'astrazione statistica del materiale originale protetto da diritto d'autore diventa sempre più diffusa. Il risultato è un "punto cieco probatorio" in cui:

• L'accesso diventa impossibile da provare perché i dati originali sono sepolti all'interno di miliardi di parametri e astrazioni statistiche opache.
• La somiglianza sostanziale diventa indetectabile perché gli output "riciclati" appaiono coincidenti o stocastici piuttosto che direttamente derivati.
• La provenienza viene sistematicamente cancellata, creando un meccanismo di "riciclaggio del diritto d'autore" in cui il confronto forense tradizionale non riesce a distinguere tra una coincidenza genuina e una violazione riciclata.

Il documento sostiene che gli strumenti dottrinali esistenti — come la responsabilità secondaria, l'estesa protezione dello "stile" o i mandati di trasparenza — sono insufficienti. La trasparenza da sola non risolve l'onere della prova, e l'espansione dell'oggetto della protezione per includere lo "stile" viola la dicotomia tra idea ed espressione.

Metodologia: Adattamento del "Frutto dell'Albero Avvelenato" (FOPT)
Per far fronte a questa crisi probatoria, il documento propone un nuovo standard giuridico: IA-FOPT (Frutto dell'Albero Avvelenato dell'Intelligenza Artificiale). Questa dottrina adatta il principio di procedura penale secondo cui le prove derivanti da una perquisizione illegale sono inammissibili, applicandolo per analogia alla discendenza del diritto d'autore.

La metodologia è strutturata come un quadro giuridico amministrabile in cinque fasi:

1. Il Trigger (Albero Avvelenato): La dottrina si attiva solo dopo che un tribunale ha stabilito che un modello fondazionale (IA1) è stato addestrato tramite copia non autorizzata che non supera il vaglio dell'uso equo. Questo stabilisce l'"albero avvelenato".
2. L'Ambito della Contaminazione (Principalmente Derivato): La contaminazione si estende a qualsiasi modello successivo (IA2, IA3, ecc.) che sia "principalmente derivato" dall'albero avvelenato. Ciò è definito da:
   • Inizializzazione/Distillazione: IA2 è inizializzato dai pesi di IA1 o distillato da esso.
   • Dipendenza Sintetica Sostanziale: Il corpus di addestramento di IA2 è costituito materialmente da dati sintetici generati da IA1.
   • Derivazione a Livello di Componente: In architetture modulari (ad es. Mixture-of-Experts), componenti specifici addestrati su dati contaminati sono considerati derivati.
3. La Presunzione (Spostamento degli Oneri): Una volta dimostrata prima facie l'esistenza del trigger e della derivazione, si applica una presunzione refutabile di contaminazione. Crucialmente, l'onere della produzione e della persuasione si sposta sullo sviluppatore a valle. Questa riallocazione è giustificata dall'accesso unico e a basso costo dello sviluppatore alle prove di provenienza, che il ricorrente non può realisticamente ottenere.
4. Percorsi di Refutazione: Lo sviluppatore può refutare la presunzione dimostrando, con una preponderanza delle prove, una delle due vie:
   • Discendenza Pulita: Fornire un "Pacchetto di Provenienza" auditabile (hash, licenze, grafi di discendenza) che dimostri un addestramento indipendente e da fonti legittime.
   • Contaminazione Epurata: Dimostrare una "ricostruzione curativa" (riaddestramento da zero su dati puliti) o un efficace "dimenticamento automatico" che rimuova verificabilmente l'influenza dell'albero avvelenato, validato da audit indipendenti basati sulle prestazioni.
5. Rimedi (Scala Calibrata): Se la presunzione non viene refutata, i rimedi sono calibrati proporzionalmente:
   • Provvedimenti Inibitori Mirati: Disattivazione di specifici componenti contaminati o imposizione di inibitori di "testa di serie".
   • Risarcimento Monetario: Royalty correnti o profitti ripartiti.
   • Sequestro/Distruzione: Riservato a casi eccezionali di contaminazione volontaria e inestricabile.

Contributi Chiave

• Concettualizzazione del "Riciclaggio del Diritto d'Autore": Il documento definisce formalmente l'uso strategico di pipeline sintetiche ricorsive per cancellare la provenienza ed eludere i tradizionali test di violazione.
• Lo Standard IA-FOPT: Propone una regola probatoria specifica e focalizzata sulla discendenza che sposta l'onere della prova alla parte che controlla la storia dei dati, invece di richiedere ai ricorrenti di provare connessioni statistiche impossibili.
• Meccanismi Procedurali: Delinea un protocollo concreto di scoperta in due fasi (Produzione Documentale di un "Pacchetto di Provenienza" seguito da Esame Forense di Esperti Neutrali) per bilanciare la protezione dei segreti commerciali con le esigenze probatorie.
• Integrazione Dottrinale: Dimostra come questo nuovo standard si inserisca all'interno dei principi equitativi esistenti (ad es. fattori eBay per i rimedi, standard Daubert per le prove esperte) senza espandere l'ambito della materia tutelabile dal diritto d'autore.

Risultati e Affermazioni
Il documento non presenta risultati sperimentali empirici, bensì un'analisi dottrinale e un quadro proposto. I suoi "risultati" sono teorici e giuridici:

• Dimostra che i test attuali di accesso e somiglianza sono funzionalmente inapplicabili per l'IA multi-generazionale, creando un rischio sistemico in cui la violazione rimane impunita.
• Sostiene che la dottrina IA-FOPT è amministrabile, utilizzando strumenti procedurali esistenti (ordini protettivi, maestri speciali, leggi sullo spostamento dell'onere della prova come il 35 U.S.C. § 295) per gestire dispute tecniche complesse.
• Afferma che il quadro è equo, preservando la primazia dell'analisi dell'uso equo nella fase iniziale di ingestione (il "trigger") mentre impedisce agli attori a valle di "riciclare" quella illegalità iniziale attraverso l'astrazione.
• Postula che la dottrina sia neutrale rispetto all'innovazione, sostenendo che, internalizzando i costi dell'approvvigionamento illecito di dati, incentiva lo sviluppo di certificazioni di "corpus pulito" e mercati di dati legittimi, simile al cambiamento post-Napster nella licenza musicale.

Significato
Il documento afferma che, senza un approccio basato sulla discendenza, il diritto d'autore affronta una "crisi probatoria" in cui la struttura degli incentivi per la creatività umana è minata da macchine che si addestrano su macchine. Il significato della dottrina IA-FOPT risiede nella sua capacità di:

1. Ripristinare il Patto Probatorio: Ristabilisce un percorso percorribile per i ricorrenti per far valere i propri diritti in un'epoca di addestramento dell'IA opaco e ricorsivo.
2. Prevenire l'Evasione Sistemica: Chiude il "buco" del riciclaggio in cui gli sviluppatori potrebbero teoricamente proteggere la violazione iniziale stratificando generazioni di dati sintetici.
3. Allineare gli Incentivi: Incoraggia l'approvvigionamento etico dei dati e lo sviluppo di strumenti di provenienza verificabili, promuovendo un ecosistema dell'IA sostenibile in cui innovazione e protezione del diritto d'autore possono coesistere.

Gli autori concludono che questo approccio non è una rottura radicale, ma un adattamento necessario per garantire che l'"Ouroboros dell'IA" non divori le fondamenta legali della creatività che cerca di emulare.