Blader door de modellen en stijlen achter verhalen als dit — gratis account, meteen een galerij.
Atlantic-journalist Alex Reisner heeft een volledig doorzoekbare openbare database gepubliceerd van vier muziekdatasets die gebruikt zijn om AI-modellen te trainen — waarvan twee respectievelijk 12 miljoen en 9 miljoen tracks bevatten, waarmee dit de meest uitgebreide publieke verantwoording van AI-muziektrainingsdata tot nu toe is.
Reisners onderzoek — gepubliceerd door The Atlantic — bracht de vier datasets aan het licht via een combinatie van uitgelekte informatie en openbaar onderzoek. Twee zijn naar elke maatstaf enorm: één bevat ongeveer 12 miljoen tracks, de andere ongeveer 9 miljoen. De overige twee zijn kleiner, maar vertegenwoordigen nog steeds omvangrijke trainingscorpora. Samen vormen ze een dataset die de meeste openbaar bekendgemaakte AI-trainingssets in welk creatief domein dan ook ver overtreft.
De doorzoekbare interface stelt iedereen in staat een artiestennaam of songtitel in te voeren en te zien of die erin voorkomt. Dat is een betekenisvolle verschuiving ten opzichte van de gebruikelijke situatie, waarbij trainingsdata ofwel niet openbaar wordt gemaakt ofwel begraven ligt in technische papers die de meeste makers nooit lezen. Rechthebbenden die al lang vermoedden dat hun werk zonder toestemming werd gebruikt, beschikken nu over een concreet hulpmiddel om dat te controleren.
Deze onthulling staat niet op zichzelf. Meerdere lopende rechtszaken — van muzikanten, platenmaatschappijen en beeldend kunstenaars — hebben AI-ontwikkelaars in een ongemakkelijk daglicht geplaatst over de herkomst van hun trainingsdata. Rechtbanken in de VS en Europa worstelen met de vraag of het scrapen van auteursrechtelijk beschermd materiaal voor AI-training neerkomt op fair use of inbreuk, en tot nu toe heeft geen definitieve uitspraak de kwestie beslecht.
Voor AI-ontwikkelaars is de timing ongelegen. Verschillende grote op muziek gerichte AI-tools zijn in 2024 en 2025 gelanceerd of uitgebreid, en de vraag waarop die modellen zijn getraind is nu moeilijker te omzeilen. Een doorzoekbare database die elke journalist, advocaat of artiest kan raadplegen, verandert de dynamiek volledig — het zet een abstract juridisch debat om in een concreet, doorzoekbaar feit.
Dit reikt verder dan muziek. Dezelfde juridische logica die van toepassing is op trainen met auteursrechtelijk beschermde nummers, geldt ook voor trainen met auteursrechtelijk beschermde afbeeldingen, illustraties en beeldende kunst. De database van The Atlantic is een proof of concept: trainingsdata kan worden gedocumenteerd, doorzoekbaar worden gemaakt en als bewijs worden gebruikt. Als vergelijkbare databases opduiken voor beeldtrainingssets — iets waar onderzoekers in academische contexten al mee zijn begonnen — zal de druk op aanbieders van beeldgeneratiemodellen toenemen.
Voor makers die AI-beeldtools gebruiken, is de praktische consequentie modelrisico: platforms die geen schone of gelicentieerde trainingsdata kunnen aantonen, lopen een grotere kans op juridische aanvechting, gedwongen terugtrekking van modellen of door schikkingen opgelegde beperkingen op outputs. Bij het beoordelen van welke AI-beeldgeneratietools je een workflow omheen wilt bouwen, is de herkomst van trainingsdata niet langer alleen een ethische overweging — het is ook een kwestie van bedrijfscontinuïteit.
Het roept ook een moeilijkere vraag op over de toekomstige kostenstructuur van AI-modellen. Het op grote schaal licentiëren van muziek en beeldende kunst is duur. Als rechtbanken of toezichthouders AI-ontwikkelaars richting gelicentieerde trainingsdata duwen, verschuift de economie van het aanbieden van goedkope of gratis generatieve tools aanzienlijk. Het bekijken van huidige modelopties en prijzen voordat die druk zich manifesteert, is nu de moeite waard, zolang het landschap nog relatief open is.
Reisners database zal de onderliggende juridische strijd niet beslechten, maar stelt een precedent voor hoe verantwoording over trainingsdata er in de praktijk uit kan zien — en dat precedent ligt nu op het bureau van de juridische afdeling van elke AI-ontwikkelaar.
