生成式AI训练数据和输出内容的著作权风险

围绕生成式AI的著作权争议，已经不再只是“AI训练是否属于合理使用”这一抽象问题。近期美国案件和政策讨论显示，实务风险取决于更具体的问题：数据从哪里来、如何被复制或保存、训练后原始文件是否继续存在，以及AI服务或输出内容是否替代权利人的市场。

Bartz v. Anthropic：训练和非法数据保存是不同问题

Bartz v. Anthropic的重要意义并不是宣布AI训练总是合理使用。关键在于，法院没有把AI开发过程视为一个单一行为，而是区分了模型训练使用、合法购买纸质书后的数字化转换，以及盗版复制品中央资料库的建立和保存。

对企业而言，即使模型最终不输出原文，数据取得阶段的风险也不会自动消失。企业应能够说明数据是否合法取得、训练后是否保存源文件、是否可被其他团队访问、是否可被用于其他项目。

Thomson Reuters v. Ross：与许可市场竞争会削弱合理使用抗辩

Thomson Reuters v. Ross Intelligence说明了另一类重要风险。被告为了开发与Westlaw竞争的法律检索服务，使用了包含著作权内容的资料。法院认为该使用具有商业性和竞争性，并可能影响许可市场或衍生市场。

如果企业使用专业数据库、新闻、法律资料、教育内容、图片、音乐等已有许可市场的高价值内容，尤其需要谨慎。如果AI产品与权利人的市场竞争，仅凭“AI训练”这一技术理由，很难当然获得合理使用保护。

输出内容风险同样重要

训练数据不是唯一问题。企业将AI生成的图片、广告文案、报告、角色、代码、音乐或视频用于商业活动时，应确认两个问题。第一，公司是否可以对输出内容主张著作权保护。第二，输出内容是否可能侵犯第三方权利。

人类创作性贡献仍然重要。单纯输入提示词未必足以形成可保护的作者贡献。企业应保留记录，说明谁选择、排列、编辑、修改并最终确定输出内容。同时，如果输出实质性再现了他人作品的表达，使用AI这一事实并不会自动排除侵权责任。

企业治理清单

• 按来源区分自有数据、许可数据、公有领域资料、开放许可资料、网页抓取数据、第三方提供数据、来源不明数据和疑似盗版数据
• 区分训练用复制和长期保存复制，并记录删除、访问控制和再利用限制
• 建立输出审查，包括长文本复现防止、相似度检查、RAG来源标注和商业使用前人工审查
• 审查AI供应商条款，包括输入数据是否用于再训练、输出权利归属、第三方索赔赔偿和敏感资料上传限制

Pine IP Firm的观点

AI著作权风险不能靠一段免责条款解决。它是从数据收集、模型开发、服务上线、输出审查到合同管理的治理问题。企业在依赖合理使用之前，应先审查数据供应链，并在AI输出成为业务资产时记录人类贡献。