Wikipedia, zbiory bibliotek i zasoby na wolnych licencjach stały się jednym z fundamentów, na których uczy się sztuczna inteligencja. To rodzi pytania, na które nie ma jeszcze gotowych odpowiedzi: kto ponosi koszty, kto decyduje o sposobie wykorzystania wiedzy i co z tego mają ludzie, którzy ją tworzą. Na świecie trwa intensywna praca nad tymi kwestiami – w laboratoriach uniwersyteckich, w organizacjach standaryzacyjnych, w sądach i w samym ruchu Wikimedia. Przygotowałam mapę, zbiór najważniejszych pomysłów i badań. Niektóre z wątków rozwinę w osobnych tekstach.
AI korzysta z Wikipedii. Wiadomo.
Prawie każdy duży model językowy uczył się na tekstach z Wikipedii. To zrozumiałe: to ogromny, wielojęzyczny i stale aktualizowany zbiór wiedzy, w którym każda informacja powinna być oparta na weryfikowalnym źródle. Ta wartość nie bierze się jednak znikąd. Stoją za nią tysiące wolontariuszy i wolontariuszek, którzy piszą, sprawdzają i poprawiają artykuły, a także infrastruktura techniczna utrzymywana w dużej mierze z drobnych darowizn.
W kwietniu 2025 roku Fundacja Wikimedia opisała, jak boty pobierające treści na potrzeby AI wpływają na jej serwery. Od stycznia 2024 roku transfer danych związany z pobieraniem plików multimedialnych z Wikimedia Commons wzrósł o 50%. Boty generują około 35% wszystkich odsłon, ale odpowiadają za co najmniej 65% najbardziej kosztownego ruchu. Wynika to z tego, że czytelnicy zwykle oglądają popularne artykuły, które łatwo serwować z pamięci podręcznej, a roboty pobierają masowo także rzadko odwiedzane strony. Fundacja podsumowała to zdaniem, które dobrze oddaje istotę problemu: treści są dostępne za darmo, ale infrastruktura już nie.
Treści są dostępne za darmo, ale infrastruktura już nie.
Jesienią 2025 roku pojawił się drugi sygnał. Po udoskonaleniu metod odróżniania ludzi od botów okazało się, że część ruchu, który wyglądał na ludzki, pochodziła od automatów udających zwykłych użytkowników. Po korekcie danych liczba odsłon wykonanych przez ludzi w okresie marzec–sierpień 2025 była o około 8% niższa niż rok wcześniej. Fundacja wiąże ten spadek z tym, że coraz więcej osób dostaje odpowiedzi bezpośrednio od wyszukiwarek i chatbotów, często opartych właśnie na treściach z Wikipedii. Mniej odwiedzin może z czasem oznaczać mniej nowych edytorów i darczyńców, co może osłabić fundamenty na których opiera się Wikipedii.
Jednocześnie ruch Wikimedia nie odrzuca sztucznej inteligencji. W strategii przyjętej na lata 2025–2028 Fundacja zapowiedziała, że będzie wykorzystywać AI przede wszystkim do wspierania ludzi: moderatorów i patrolujących, osób tłumaczących artykuły na mniej reprezentowane języki oraz nowych edytorów. Zasada wydaje się prosta: technologia ma odciążać wolontariuszy w zadaniach technicznych, a nie zastępować ich w tworzeniu treści.
Przykładem jest też Projekt Embeddingów Wikidanych (Wikidata Embedding Project) prowadzony przez Wikimedia Deutschland. To otwarta baza wektorowa, która ułatwia aplikacjom AI korzystanie z ustrukturyzowanej, weryfikowalnej wiedzy z Wikidanych. Kamila Neuman, czytając ten tekst dodała także: ważne, że z tego moga korzystać wszstkie modele, wiec projekt wspiera też te modele niezależne. I warto to tutaj podkreśli
Domena publiczna i wolne licencje jako dane treningowe AI
W 2025 roku, w Lizbonie, podczas międzynarodowej konferencji GLAM, wraz z Kamilą Neuman, menadżerką ds. otwartej kultury, miałyśmy okazję wysłuchać wystąpienia Grega Lepperta z Harvard Law School Library i Institutional Data Initiative (IDI). To był moment, gdy zaczęłam przeglądać różne inicjatywy naukowe związane z domeną publiczną, AI czy prawem autorskim.
Jedna z najciekawszych zmian ostatnich lat dotyczy samych danych. Przez długi czas zakładano, że wydajnego modelu językowego nie da się zbudować bez masowego pobierania treści z internetu, w tym utworów chronionych prawem autorskim. Kilka zespołów badawczych postanowiło sprawdzić, czy to prawda.
W grudniu 2024 roku właśnie przy Bibliotece Wydziału Prawa Uniwersytetu Harvarda powstała Institutional Data Initiative (IDI), kierowana właśnie przez wspomnianego wcześniej Grega Lepperta. Celem Institutional Data Initiative (IDI) jest współpraca z bibliotekami, archiwami i instytucjami publicznymi przy porządkowaniu i udostępnianiu zbiorów w formie danych, z których mogą korzystać także twórcy AI. I ten niezwykle ciekawy projekt automatycznie budzi pewną niechęć. Czemu mamy (jako konkretna instytucja, państwo czy po prostu.. ludzkość) dawać AI coś za darmo, żeby sztuczna inteligencja miała łatwiej?
Pierwszy duży projekt w ramach IDI to kolekcja niemal miliona książek z domeny publicznej, zeskanowanych w ramach projektu Google Books. W opisie z 2025 roku podano 983 004 tomy i około 242 mld tokenów. IDI współpracuje też z Boston Public Library przy digitalizacji historycznych gazet. Ten projekt otrzymał wsparcie m.in. Microsoftu i OpenAI. Oczywiście, samo finansowanie nie przesądza o wpływie tych firm na decyzje projektu, ale skłania do pytań o przejrzystość i warunki dostępu do efektów pracy. Warto też pamiętać, że to przykład uporządkowania konkretnego zasobu, a nie uniwersalne rozwiązanie problemów prawa autorskiego.
W 2025 roku opublikowano dwa kolejne ważne zbiory. Common Pile v0.1, przygotowany przez EleutherAI we współpracy m.in. z Uniwersytetem w Toronto, Hugging Face i Allen Institute for AI, liczy 8 TB tekstów z domeny publicznej i na otwartych licencjach z 30 źródeł. Autorzy wytrenowali na nim dwa modele, których wyniki były porównywalne z modelami o podobnej skali uczonymi na danych bez licencji. Z kolei Common Corpus, rozwijany przez francuską firmę Pleias, obejmuje około 2 bln tokenów i wyróżnia się wielojęzycznością. Znaczną część stanowią w nim europejskie zasoby dziedzictwa kulturowego, takie jak książki i gazety. Oba projekty pokazują, że otwarte zasoby mogą być podstawą przejrzystej sztucznej inteligencji. Pokazują też, ile pracy wymaga ustalenie, czy dany tekst rzeczywiście jest wolny od ograniczeń.
Dla polskich czytelników ważny jest też kontekst krajowy. Rodzina modeli PLLuM, rozwijana przez konsorcjum polskich instytucji naukowych przy wsparciu Ministerstwa Cyfryzacji, opiera się m.in. na publicznych dokumentach urzędowych i zasobach Creative Commons. Twórcy modelu podkreślają, że największym wyzwaniem było legalne pozyskanie danych. To kolejny argument za tym, by instytucje kultury i nauki dbały o porządkowanie i otwieranie swoich zbiorów.
Zgoda, licencje i sygnały czyli jak powiedzieć AI, czego oczekujemy
Drugi wielki obszar badań dotyczy tego, jak twórcy i instytucje mogą wyrażać swoją wolę wobec AI. Ważnym punktem odniesienia jest praca „Consent in Crisis” zespołu Data Provenance Initiative, kierowanego przez badaczy z MIT i zrzeszającego ponad 50 osób z 15 krajów. Autorzy przeanalizowali 14 tys. domen, z których pochodzą popularne zbiory treningowe. Okazało się, że w ciągu jednego roku (2023–2024) ponad 28% najważniejszych, aktywnie aktualizowanych źródeł w zbiorze C4 całkowicie zablokowało dostęp robotom AI w pliku robots.txt. Badacze zwracają uwagę na skutek uboczny: blokady tworzone z myślą o wielkich firmach uderzają też w archiwa internetu, badania naukowe i mniejsze, otwarte projekty. Wspólne zasoby internetu kurczą się, choć nikt tego świadomie nie zaplanował.
Odpowiedzią na ten problem mają być nowe narzędzia. Na MIT Media Lab powstał projekt Humans Commons, który proponuje licencje opisujące wprost stosunek do AI: warianty AI0 ograniczają wykorzystanie utworu przez AI i automatyczne narzędzia, a AI100 wyraźnie je dopuszcza. Autorzy sami określają to jako pierwszą wersję i zapraszają do dyskusji, więc nie należy traktować tego jako standardu ani stanowiska całego MIT. Licencje AI0 idą zresztą bardzo daleko, bo ograniczają także automatyczne pobieranie i przetwarzanie treści. Dobrze pokazuje to napięcie między kontrolą autora a otwartym obiegiem wiedzy, na którym opierają się projekty Wikimedia.
Creative Commons wybiera inną drogę. We wrześniu 2026 roku organizacja opublikowała wytyczne dotyczące korzystania z licencji CC w świecie AI. Główny wniosek brzmi: dotychczasowe zalecenia nadal obowiązują i warto dzielić się wiedzą na możliwie otwartych zasadach. CC przypomina jednocześnie, że licencje działają tam, gdzie zastosowanie ma prawo autorskie. W wielu krajach wyjątki prawne obejmują niektóre zastosowania AI niezależnie od warunków licencji, a same licencje nie rozwiążą wszystkich problemów, takich jak atrybucja czy przejrzystość. Dlatego CC rozwija CC Signals, osobny, elastyczny system komunikowania oczekiwań wobec AI. To nie jest nowa licencja, tylko uzupełnienie istniejących narzędzi, wspierające wzajemność i uznanie autorstwa. Równolegle w IETF, organizacji tworzącej standardy internetu, trwają prace nad wspólnym słownikiem preferencji dotyczących AI, który ma pozwolić zapisywać takie oczekiwania w sposób zrozumiały dla maszyn.
Prawo autorskie a AI w Unii Europejskiej
W Europie podstawą prawną dla trenowania modeli jest wyjątek eksploracji tekstów i danych (ang. text and data mining, TDM) z dyrektywy w sprawie prawa autorskiego na jednolitym rynku cyfrowym z 2019 roku. Do celów badań naukowych pozwala on analizować utwory bez zgody autora. Do pozostałych celów również, chyba że twórca wyraźnie zastrzeże swoje prawa. W przypadku treści dostępnych w internecie takie zastrzeżenie musi być wyrażone w sposób „odczytywalny maszynowo”. Właśnie to sformułowanie wywołuje najwięcej sporów.
Najważniejszym jak dotąd wyrokiem w tej sprawie jest niemiecka sprawa Kneschke przeciwko LAION. LAION to organizacja non-profit, która stworzyła ogromny, otwarty zbiór obrazów z opisami. W grudniu 2025 roku Wyższy Sąd Krajowy w Hamburgu oddalił apelację fotografa i uznał, że LAION mógł skorzystać z wyjątku TDM. Sąd stwierdził też, że zastrzeżenie zapisane zwykłym językiem w regulaminie strony nie było w 2021 roku wystarczająco czytelne dla maszyn. Jednocześnie wskazał, że ocena zależy od technologii dostępnej w danym momencie, więc standard może się zmieniać. Sąd dopuścił skargę do Federalnego Trybunału Sprawiedliwości, więc sprawa może jeszcze trafić do najwyższej instancji.
Na poziomie unijnym czekamy na pierwsze orzeczenie Trybunału Sprawiedliwości UE dotyczące generatywnej AI. W sprawie Like Company przeciwko Google (C-250/25) węgierski wydawca prasowy zarzuca, że chatbot Gemini odtwarzał fragmenty jego artykułów. Sąd z Budapesztu zapytał TSUE m.in. o to, czy trenowanie modelu jest zwielokrotnieniem utworu i czy mieści się w wyjątku TDM. Rozprawa odbyła się w marcu 2026 roku, a opinia rzecznika generalnego była zapowiedziana na 3 września 2026 roku. Na dzień publikacje tego tekstu nie znalazłam informacji potwierdzającej, że opinia ta została już sporządzona.
Drugi filar to AI Act. Od 2 sierpnia 2025 roku dostawcy modeli AI ogólnego przeznaczenia muszą m.in. mieć politykę przestrzegania unijnego prawa autorskiego oraz publikować podsumowanie danych użytych do trenowania, według wzoru Komisji Europejskiej. Dobrowolny kodeks praktyk przewiduje m.in. respektowanie pliku robots.txt i podobnych sygnałów. Uprawnienia Komisji do egzekwowania tych obowiązków działają od sierpnia 2026 roku. Dla instytucji kultury i organizacji takich jak nasza oznacza to jedno: sposób, w jaki zapisujemy nasze oczekiwania wobec AI, zaczyna mieć realne skutki prawne.
Tekst ma charakter informacyjny i nie stanowi porady prawnej.
Wzajemność czyli kto korzysta z otwartej wiedzy, a kto ją utrzymuje
Skoro z otwartych zasobów korzystają komercyjne firmy technologiczne, naturalne jest pytanie, czy i jak powinny wspierać ich utrzymanie. W ruchu Wikimedia jedną z odpowiedzi jest Wikimedia Enterprise, płatny interfejs dla firm, które wykorzystują treści na dużą skalę, uruchomiony w 2021 roku. Nie zmienia on zasad: treści Wikipedii pozostają wolne dla wszystkich na tych samych licencjach. Firmy płacą za wygodny, szybki i niezawodny dostęp, który nie obciąża serwerów służących czytelnikom.
W styczniu 2026 roku, z okazji 25. urodzin Wikipedii, Fundacja Wikimedia ogłosiła, że do Google i innych dotychczasowych klientów dołączyły m.in. Amazon, Meta, Microsoft, Mistral AI i Perplexity. Wcześniej, w listopadzie 2025 roku, Fundacja zaapelowała do firm AI, by zamiast masowo pobierać treści ze stron, korzystały z odpowiedzialnego, płatnego dostępu. To model, w którym korzystanie z otwartej wiedzy łączy się z odpowiedzialnością za jej infrastrukturę.
Wzajemność to jednak więcej niż pieniądze. Coraz częściej mówi się o atrybucji, czyli o tym, by odpowiedzi chatbotów wskazywały źródła i kierowały ludzi z powrotem do Wikipedii. Od tego zależy, czy nowi czytelnicy staną się edytorami, a czytelnicy darczyńcami. Właśnie dlatego tak ważne są przypisy i weryfikowalność: w świecie, w którym tekst można wygenerować w sekundę, wiarygodne źródło staje się wartością samą w sobie. Pozostają też otwarte pytania o przejrzystość: jakie warunki obowiązują w umowach z firmami i jak zachować niezależność organizacji non-profit, gdy rośnie udział przychodów od wielkich korporacji.
AI jako dobro publiczne i dlaczego ludzka wiedza zyskuje na wartości
Coraz więcej osób twierdzi, że sztuczna inteligencja może być infrastrukturą publiczną, podobnie jak drogi czy sieć energetyczna. Najbardziej znanym przykładem jest szwajcarski model Apertus, opracowany przez politechniki ETH Zurich i EPFL oraz krajowe centrum superkomputerowe. Jest w pełni otwarty: dostępna jest architektura, opis danych i proces trenowania. Twórcy deklarują, że trenowali go na danych publicznie dostępnych i respektowali maszynowo czytelne zastrzeżenia stron. Równolegle działa Current AI, partnerstwo powołane podczas szczytu AI w Paryżu w 2025 roku, które buduje publiczną alternatywę dla zamkniętych systemów i korzysta m.in. z modelu Apertus. Polskim przykładem z tego nurtu jest wspomniana już rodzina modeli PLLuM.
Jest też argument naukowy, który dobrze wyjaśnia, dlaczego otwarte zasoby tworzone przez ludzi będą jeszcze ważniejsze. W 2024 roku w czasopiśmie Nature ukazało się badanie zespołu Ilii Shumailova z uniwersytetów w Oksfordzie, Cambridge i innych ośrodków. Autorzy opisali zjawisko nazwane „załamaniem modelu” (ang. model collapse). Gdy kolejne generacje modeli uczą się na treściach wytworzonych przez wcześniejsze modele, stopniowo tracą różnorodność i najpierw gubią rzadkie, mniej typowe informacje. Wniosek badaczy jest jasny: wraz z rosnącą ilością tekstów generowanych przez AI rośnie wartość danych pochodzących od ludzi. Coraz większego znaczenia nabiera też oznaczanie treści tworzonych przez AI. Od sierpnia 2026 roku Anthropic dodaje niewidoczne znaki wodne do tekstów i obrazów generowanych przez nowe modele Claude, a Google stosuje podobne rozwiązanie o nazwie SynthID. OpenAI oznacza na razie obrazy i wideo, a znakowanie tekstu zapowiedziało. Firmy uzasadniają to przede wszystkim wymogami przejrzystości z AI Act, ale takie oznaczenia mogą też pomóc odróżnić treści pisane przez ludzi od tych generowanych przez maszyny.
Wraz z rosnącą ilością tekstów generowanych przez AI rośnie wartość danych pochodzących od ludzi.
Wikipedia jest jednym z największych na świecie zbiorów wiedzy tworzonej, sprawdzanej i opisanej przez ludzi, z historią każdej zmiany i przypisami do źródeł. To argument za tym, by traktować ją jako wspólną infrastrukturę, o którą warto dbać, a nie tylko jako darmowy surowiec.
Otwarta wiedza w epoce AI: co z tego wynika
Przegląd tych inicjatyw pokazuje kilka wspólnych wniosków. Otwartość nie przestała być wartością, ale wymaga nowych narzędzi: do wyrażania oczekiwań, do zapewnienia atrybucji i do sprawiedliwego dzielenia kosztów. Zamykanie zasobów nie jest dobrą odpowiedzią, bo najmocniej uderza w badaczy, archiwa i mniejsze, otwarte projekty, a nie w wielkie firmy. Kluczową rolę mają do odegrania instytucje publiczne, biblioteki, archiwa i muzea: to one dysponują wiarygodnymi zbiorami i mogą współdecydować o zasadach ich wykorzystania. Ważne miejsce ma też społeczność Wikimedia, która od 25 lat pokazuje, że wiedzę można tworzyć wspólnie, przejrzyście i w oparciu o źródła.
Jako Wikimedia Polska chcemy w tej rozmowie uczestniczyć. Wspieramy instytucje w otwieraniu zbiorów, uczymy, jak korzystać z wolnych licencji, i budujemy społeczność, bez której Wikipedia nie miałaby tej wartości, z której dziś korzysta także sztuczna inteligencja.
Źródła
- Fundacja Wikimedia: How crawlers impact the operations of the Wikimedia projects (2025)
- Fundacja Wikimedia: strategia AI dla edytorów 2025–2028
- Wikidata Embedding Project
- Institutional Data Initiative, Harvard Law School Library
- The Common Pile v0.1 (EleutherAI i in., 2025)
- Common Corpus (Pleias i in., 2025)
- Longpre i in., Consent in Crisis (NeurIPS 2024)
- MIT Media Lab: Humans Commons
- Creative Commons: Guidance on Using CC Licenses in an AI Ecosystem (2026)
- IETF: grupa robocza AI Preferences
- Kneschke v. LAION, omówienie wyroku (2025)
- Komisja Europejska: obowiązki dostawców modeli AI ogólnego przeznaczenia
- Wikimedia Enterprise: nowi partnerzy (2026)
- Shumailov i in., AI models collapse when trained on recursively generated data, Nature (2024)
- SiliconANGLE: Anthropic zaczyna oznaczać znakami wodnymi teksty i obrazy z Claude (2026)
- EPFL: Apertus
- PLLuM
