Waarom bevat trainingsdata geen machineleesbare registratie van of iemand toestemming heeft gegeven?
Kans
De juridische vraag of AI-training toestemming vereist is grotendeels beantwoord: rechtbanken en toezichthouders zeggen dat het ertoe doet. De praktische vraag hoe een toestemmingssignaal meegaat met een stuk tekst door de crawl-, deduplicatie-, filter- en mengfasen van een dataset-pipeline heeft geen antwoord. Robots.txt is binair en grof, geldt voor crawlers niet voor trainers, en wordt routinematig genegeerd door gesloten-bron pipelines. De EU TDM-opt-out onder artikel 4 van de DSM-richtlijn heeft geen standaard machineleesbaar formaat dat een pipeline op itemniveau kan verifiëren. De audit van het 2025 Data Provenance Initiative constateerde wijdverspreide ontbrekende en ambigue toestemmingssignalen in grote trainingssets, wat betekent dat zelfs een ontwikkelaar die toestemming wil respecteren dit technisch niet kan omdat de registratie niet aan de data is gekoppeld.
Waarom het belangrijk is
Een machineleesbaar toestemmingssignaal per item is het primitief dat regulering in technische praktijk omzet voor de gehele AI-trainingspipeline.
Hoe ik de kans beoordeel
De Opportunity Score is mijn eigen inschatting, geen meting: hoe ernstig het pijn doet, hoe vaak het toeslaat, en hoe weinig er vandaag de dag bestaat om het op te lossen. Hoger betekent dat ik denk dat het meer de moeite waard is om te bouwen.
Hoeveel pijn het veroorzaakt wanneer het zich voordoet.
Hoe vaak mensen er daadwerkelijk tegenaan lopen.
Hoe weinig goede tools er vandaag de dag voor bestaan.
Meer problemen die het oplossen waard zijn
Waarom vergeet elke AI-app mij op het moment dat ik het tabblad sluit?
AIWaarom is het leren van een nieuw vakgebied nog steeds afhankelijk van weten wat je moet vragen?
AIWaarom kan een niet-expert niet verifiëren wat een AI hem zojuist heeft verteld?
AIWaarom testen we modellen op benchmarks maar brengen we ze op de markt op gevoel?
AIWaarom hebben AI-agenten geen geheugen voor hun eigen fouten?
AIWaarom kan ik niet controleren waarop een model daadwerkelijk is getraind?