Код от ИИ и авторское право: 5 мифов под проверкой
Код, написанный ИИ, — это public domain? Наследует ли он лицензии open source? Проверяем 5 мифов об авторском праве и даём план по учёту происхождения кода.

Один мой коллега из прошлой команды однажды полушутя спросил, вообще ли 400 строк, которые ему только что написал Copilot, принадлежат компании. Внятного ответа ни у кого не нашлось, а юристы, к которым мы в итоге обратились, дали самый худший ответ: «это неясно». Этот вопрос сейчас висит на главной странице Hacker News в виде провокации — что весь сгенерированный ИИ код должен быть открытым — и тред под ней наглядно показывает, насколько плохо наши интуитивные представления об авторском праве, обучающих данных и авторстве совпадают с тем, что говорит закон. Я несколько лет занимаюсь и обучением моделей, и выпуском кода, написанного с их помощью, поэтому разберу пять убеждений, которые вижу чаще всего, и проверю каждое по тому, что нам действительно известно.
Миф 1: «Код, сгенерированный ИИ, — это public domain, точка»
Это миф с самой весомой юридической базой, и всё же он верен лишь наполовину. Бюро авторского права США последовательно придерживается позиции: авторское право защищает человеческое авторство, а материалы, созданные исключительно машиной, не подлежат регистрации. Эта позиция опирается на дело с «селфи обезьяны» (Naruto v. Slater), где Девятый апелляционный суд постановил, что макака не может владеть фотографией, которую сделала сама, а также выдержала прямую проверку в деле Thaler v. Perlmutter, где суды отказались регистрировать картину, в которой ИИ был указан единственным автором. Пока всё довольно чисто.
Но почти никто не выпускает чисто сгенерированный ИИ софт. Собственное руководство Бюро авторского права проводит черту, которая важна на практике: использование ИИ как вспомогательного инструмента не лишает работу в целом авторско-правовой защиты, а отбор, компоновка и модификация человеком результата ИИ сами по себе могут быть охраняемым выражением. Ваше приложение на 50 000 строк, где агент написал большую часть функций, а человек спроектировал систему, выбрал границы, проверил и отредактировал результат? Такая кодовая база почти наверняка охраняется авторским правом в целом, даже если отдельная сгенерированная функция, взятая в отрыве, возможно, и не охраняется. Утверждение «всё это public domain» рушится в тот момент, когда человек делает что-то большее, чем вставляет промпт и коммитит результат.
И США — не весь мир. Закон Великобритании Copyright, Designs and Patents Act прямо защищает компьютерно-генерированные произведения, относя авторство к тому, кто организовал необходимые для создания действия, и делает это на пятьдесят лет. Похожие положения есть и в некоторых других юрисдикциях. Так что один и тот же файл может быть незащищённым в Сан-Франциско и охраняемым в Лондоне. «Public domain, точка» — это не юридическая позиция, а лозунг, который случайно указывает примерно на доктрину одной страны для одного узкого случая.
Миф 2: «Обучение на open source означает, что результат наследует лицензию»
Это моральный двигатель аргумента «сделаем всё открытым»: модели впитали десятилетия работ под GPL, MIT и Creative Commons — ответы на Stack Overflow распространяются под CC BY-SA, которая юридически требует указания авторства и распространения на тех же условиях, — поэтому превращение этого в закрытый код — это отмывание лицензий. Я во многом сочувствую этой позиции. Мой собственный код под AGPL тоже есть в обучающих выборках. Но как юридическое утверждение оно уже проверено в суде и в основном проиграло.
В деле Doe v. GitHub, групповом иске против Copilot, суд разгромил центральную теорию о том, что результаты модели автоматически несут обязательства своих обучающих данных. Требования по DMCA о информации об управлении авторскими правами в основном отклонили, а претензии по лицензиям open source в большинстве провалились из-за отсутствия права на иск — истцы не смогли показать, что их код воспроизводился в результатах. Логика судьи важна для вашей модели рисков: лицензия привязывается к копии. Если модель никогда не выдаёт ваш код, то копии нет, нет производного произведения, и лицензии не к чему прикрепиться. Статистическое влияние — это не копирование, так же как программист, научившийся на исходниках Linux, не обязан выдавать лицензию ядра на всё, что напишет потом.
Есть деталь, которую люди упускают: исключение реально, и именно оно должно не давать вам спать по ночам. Когда модель действительно воспроизводит обучающие данные почти дословно — а ранние модели так и делали с узнаваемыми файлами open source, иногда даже удаляя заголовки с авторскими правами, — вы вполне можете выпустить производное от чьего-то GPL- или AGPL-кода и даже не узнать об этом. Один из комментаторов в треде, автор широко используемых систем под AGPL, описал ровно такую ситуацию: компания убрала его уведомления, её поймали, а потом LLM «клонировала» его систему — с багами, но с явно его архитектурой. Является ли такой клон производным произведением, по-настоящему не решено, и это тот вопрос, который решают дорого, в суде, в каждом случае отдельно. Общее правило «результат наследует лицензии обучения» ложно. Узкое правило «почти дословное воспроизведение — реальный риск» верно. Умные команды планируют именно под второе.

Миф 3: «Я написал промпт, значит, код мой»
Переверните первый миф, и получите этот — его с такой же уверенностью придерживаются люди с другой стороны спора. Бюро авторского права рассмотрело это прямо в своём докладе о охраноспособности: промпты сами по себе, как правило, не дают достаточного человеческого контроля над выразительными элементами результата, чтобы сделать автора промпта создателем. Промпт — это инструкция; выразительные решения принимает модель. Суды уже какое-то время применяют ту же логику к генерации изображений, и код в этом смысле ничем принципиально не отличается.
Вот где становится по-настоящему интересно — в итеративной работе с агентами. Несколько практиков в обсуждении описали циклы, в которых агент двадцать минут пишет код, а за ним следуют часы или дни тестирования человеком, обратной связи от реальных пользователей, переработки и повторных промптов. Этот паттерн важен юридически, потому что самая сильная теория авторского права для работы с ИИ — это не авторство отдельных строк, а творческий вклад человека в работу в целом: отбор, координация, компоновка и модификация. Система, сформированная через сотни направленных циклов доработки, гораздо больше похожа на компиляцию, созданную человеком, чем на обезьянье селфи. Но обратите внимание, что из этого следует: ваше право собственности опирается на процесс, а процесс, который не можете задокументировать, вы не можете отстаивать. Если компании когда-нибудь понадобится защитить авторские права на эту кодовую базу — против бывшего сотрудника, команды due diligence покупателя, конкурента, — фраза «поверьте, человек участвовал» доказательством не является. Поэтому ниже есть практический раздел.
Ещё один нюанс, который редко всплывает: трудовые и подрядные договоры и так делают основную работу. Доктрина work-for-hire передаёт работодателю авторское право — то, что вообще существует. Поэтому практический вопрос владения внутри компании обычно решается договором независимо от метафизики авторства. Неудобный вопрос в том, что именно утверждает договор, если части результата окажутся неподлежащими владению никем.
Миф 4: «Принудительная открытость кода ИИ решила бы проблему справедливости»
Отнеситесь к предложению всерьёз хотя бы на минуту — и оно рассыплется при встрече с реальностью по трём независимым причинам. Во-первых, это самоотменяющийся юридический механизм: лицензии open source — это лицензии на авторское право. Они существуют, чтобы правообладатель мог выдавать разрешения на то, чем владеет. Если код, сгенерированный ИИ, не подлежит авторскому праву, лицензировать нечего — MIT, GPL и всё остальное недействительны за отсутствием предмета. Единственная связная версия предложения — это отказ от прав в пользу public domain наподобие CC0, а отказ, который нельзя обеспечить, — это не мандат, а пожелание.
Во-вторых, масштаб неподъёмен. Открыть код — это не состояние, а действие: кто-то должен вычистить секреты, убрать бизнес-логику, написать README, выбрать репозиторий. Подавляющее большинство мирового кода проприетарное, мучительно специфичное для внутренних процессов одной компании и теперь в подавляющем большинстве написано с помощью ИИ. Что именно будет значить принудительно опубликовать всё это? Кто оплатит проход по очистке, который не даст данным клиентов утечь в дамп? На это никто, предлагающий идею, ответа не даёт, потому что его нет. Похожий сбой мы разбирали в статье о приложениях на ИИ, которые уходят в продакшн без row-level security: инструменты охотно выдают код, который утекает данные, когда вообще работает; а теперь представьте, что его обязаны публиковать.
В-третьих, это даже не достигает заявленной цели. Претензия в том, что поставщики моделей присвоили общее достояние. Обязывать пользователей моделей публиковать результаты не заставляет вендоров что-либо отдавать обратно — просто лишается защиты самая слабая сторона в цепочке. Если вы считаете, что сделка с обучающими данными была несправедливой, средство, направленное на тех, кто написал скрейпленный код, бьёт мимо цели. Самая сильная версия аргумента, с которой я действительно согласен, — моральная, а не юридическая: те из нас, кто огромно выигрывает от инструмента, обученного на общем достоянии, обязаны вернуть ценность в общее достояние. Публикуйте библиотеки. Финансируйте мейнтейнеров. Апстримьте свои исправления. Но это этика, которую нужно принять, а не закон, который переживёт первое столкновение с законодательным собранием.
Миф 5: «Наш сканер лицензий и так с этим справляется»
Хотелось бы. Инструменты комплаенса лицензий — FOSSA, Black Duck и их собратья — построены на допущении о происхождении кода, которое ИИ тихо ломает. Эти инструменты отвечают на вопрос «что вы включили?», сопоставляя ваши зависимости и вендорные файлы с известными пакетами. Они работают, потому что код, написанный людьми, приходит по каналам с метаданными: через реестры пакетов, скопированные файлы, которые сохраняют заголовки, вендорные директории с нетронутыми текстами LICENSE. Код, сгенерированный ИИ, приходит по каналу вообще без метаданных. Модель может выдать тридцать строк, которые почти перефразируют утилитарную функцию под AGPL, без заголовка, без указания авторства и без пакета, с которым можно было бы сверить, — и ваш сканер увидит оригинальный код. Риск лежит не в дереве зависимостей, а в ваших исходниках, где инструменты почти не смотрят.
Это та же слепая зона, с которой мы сталкивались и раньше: как и в случае с атакой на цепочку поставок LiteLLM, проблема была не в коде, который люди проверяли, а в канале, которому они слепо доверяли. Решение в обоих случаях — перестать доверять каналу и начать фиксировать то, что через него проходит. Это и есть отслеживание происхождения, и это то, что вашей команде стоит делать в этом квартале независимо от того, как решат суды, — потому что любое правдоподобное юридическое будущее (код ИИ не охраняется, код ИИ охраняется при направлении человеком, дословное воспроизведение — нарушение) вознаграждает команду, которая может показать свою работу, и наказывает ту, которая не может.

Что делать на практике: плейбук по происхождению и гигиене кода
Ничего из этого не требует новых законов или новых вендоров. Это четыре привычки, все недорогие, все защитимые при любом из юридических сценариев, которые сейчас на столе.
- Отмечайте участие ИИ в метаданных коммитов. Для этого есть git-трейлеры. Трейлер
Assisted-By:ничего не стоит и формирует проверяемую запись о том, в каком коде участвовала машина — это полезно для due diligence, для ревью лицензий и для демонстрации человеческого творческого процесса, на котором держится ваше авторское право. - Держите человеческий контур на виду. Описания PR вроде «сгенерировано агентом, я переписал логику повторов и граничные условия» — это юридическое доказательство, замаскированное под хорошую гигиену. Этап ревью — и то место, где вы ловите проблему дословного воспроизведения до релиза; похожий тезис мы развивали в статье проверки понимания кода ИИ против тестов: человек должен реально вникать в результат, а не штамповать его.
- Сканируйте код, а не только зависимости. Инструменты, которые делают сопоставление на уровне фрагментов с корпусами open source (это отличается от SCA-сканирования зависимостей), поймают почти дословные случаи, создающие реальный копилефт-риск. Запускайте их на коммитах с большой долей ИИ и переведите встроенные фильтры дублирования ваших ИИ-инструментов — настройку Copilot «блокировать предложения, совпадающие с публичным кодом» — в строгий режим.
- Считайте копилефт границей. Permissive-лицензии (MIT, BSD, Apache) несут минимальный риск даже в худшем сценарии дословного воспроизведения. GPL и особенно AGPL — там случайная производная становится дорогой. Если сканирование находит совпадение с копилефт-кодом, переписывайте по спецификации, а не по фрагменту.
Соглашение о трейлерах в коммитах — самый эффективный элемент, и настроить его можно за пять минут. Хук prepare-commit-msg может запрашивать трейлер, а CI может проверять, что он есть, когда PR помечен как созданный с помощью ИИ:
#!/bin/bash
# scripts/check-provenance.sh — run in CI on pull requests
# Fails if a PR labeled "ai-assisted" has commits without an Assisted-By trailer.
set -euo pipefail
BASE="${1:-origin/main}"
missing=$(git log --format='%H %(trailers:key=Assisted-By,valueonly)' "${BASE}..HEAD" \
| awk '{ if ($2 == "") print $1 }')
if [ -n "$missing" ]; then
echo "These commits lack an 'Assisted-By:' trailer:" >&2
echo "$missing" >&2
echo "Add e.g.: git commit --trailer 'Assisted-By: claude-code (reviewed)'" >&2
exit 1
fi
echo "Provenance trailers present on all commits."
Трейлер должен указывать инструмент и, что важнее, что человек проверил результат: Assisted-By: copilot (reviewed) расскажет будущему аудитору совсем другую историю, чем просто Assisted-By: copilot. Дополните это коротким разделом в инженерном руководстве, в котором определено, что в вашей команде считается значимым человеческим вкладом: архитектурные решения, дизайн тестов, нетривиальные правки. Делайте это не потому, что суд потребовал. Делайте, потому что как бы ни решился вопрос в законе, «мы отследили» лучше, чем «понятия не имеем».
Вердикт
Закон не требует решить, можно ли владеть кодом ИИ, прежде чем вы начнёте действовать: любой правдоподобный исход вознаграждает команду, которая задокументировала процесс, и наказывает ту, которая этого не сделала.
Итак, если сверить с доказательствами: код, сгенерированный ИИ, не находится в public domain поголовно, потому что человеческое авторство над работой в целом всё ещё учитывается, а юрисдикции расходятся. Обучение на open source не делает результаты открытыми — суды в основном отвергли эту теорию, — но дословное воспроизведение — реальный и недооценённый риск. Промпт не делает вас автором, хотя устойчивое, задокументированное человеческое руководство, вероятно, делает. Обязательный режим open source несостоятелен как закон и бесполезен как политика. А ваш сканер лицензий слеп к тому самому каналу, который сейчас производит большую часть вашего кода. Спор о том, должен ли код ИИ быть свободным, — хороший повод поговорить за пивом. Инженерный ответ от него не зависит: отслеживайте происхождение, держите людей наглядно в контуре, сканируйте на уровне фрагментов и считайте копилефт растяжкой-сигнализацией. Это верно сегодня и останется верным, как бы суды ни решили в итоге.


