Waarom levert het trainen op mijn schrijfwerk me niets op wanneer het model wordt uitgebracht?

Kans

Elk groot taalmodel is gebouwd op miljarden documenten geschreven door individuen, maar er bestaat geen technisch mechanisme om te traceren hoeveel het werk van een specifieke maker een specifieke modeluitvoer heeft beïnvloed. Data-attribuutiemethoden zoals invloedsfuncties bestaan in de onderzoekswereld, maar schalen niet naar modellen met honderden miljarden parameters die zijn getraind op corpora van biljoen tokens. Een position paper uit 2025 betoogt dat trainingsdata het duurste onderdeel van een LLM zou moeten zijn, juist omdat de waarde ervan momenteel wordt afgewenteld op makers die niets ontvangen. Een voorstel uit maart 2026 genaamd het Sovereign Context Protocol en een kader voor mensgerichte data-attributie uit februari 2026 proberen deze kloof te dichten, maar geen van beide is op productieschaal ingezet door een grote modelprovider. Zonder een werkend attribuutieprimitief bestaat er geen technische basis voor compensatie of licentieonderhandelingen,

Waarom het belangrijk is

Attributie op schaal is het ontbrekende stuk dat ongecompenseerd scrapen onderscheidt van een markt waar datamakers en modelbouwers voorwaarden kunnen onderhandelen, en zonder dat kan geen enkel vrijwillig of regulatoir licentiemodel functioneren.

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.

Ernst9/10

Hoeveel pijn het veroorzaakt wanneer het zich voordoet.

Frequentie8/10

Hoe vaak mensen er daadwerkelijk tegenaan lopen.

Witruimte7/10

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?

Waarom is het leren van een nieuw vakgebied nog steeds afhankelijk van weten wat je moet vragen?

Waarom kan een niet-expert niet verifiëren wat een AI hem zojuist heeft verteld?

Waarom testen we modellen op benchmarks maar brengen we ze op de markt op gevoel?

Waarom hebben AI-agenten geen geheugen voor hun eigen fouten?

Waarom kan ik niet controleren waarop een model daadwerkelijk is getraind?

← Alle problemen die het oplossen waard zijn Over Anurag →