Perché addestrare il modello sui miei testi non mi frutta nulla quando il modello viene distribuito?

Ogni grande modello linguistico è costruito su miliardi di documenti scritti da singole persone, eppure non esiste alcun meccanismo tecnico per tracciare quanto il lavoro di un creatore specifico abbia influenzato uno specifico output del modello. I metodi di attribuzione dei dati, come le funzioni di influenza, esistono nella ricerca ma non scalano a modelli con centinaia di miliardi di parametri addestrati su corpus da trilioni di token. Un position paper del 2025 sostiene che i dati di addestramento dovrebbero essere la parte più costosa di un LLM, proprio perché il loro valore viene attualmente esternalizzato sui creatori che non ricevono nulla. Una proposta del marzo 2026 denominata Sovereign Context Protocol e un framework del febbraio 2026 per l'attribuzione dei dati centrata sull'uomo tentano entrambi di colmare questo divario, ma nessuno dei due è stato distribuito su scala produttiva da alcun grande fornitore di modelli. Senza un primitivo di attribuzione funzionante, non esiste alcuna base tecnica per la compensazione, la negoziazione delle licenze,