Har språket blivit en råvara?

I projektet SE.LLMA sitter forskare, tidningar och förlag vid samma bord. Ambitionen är att bygga svensk AI med det som många rättighetshavare saknat hos andra modeller: tillstånd, inflytande och ersättning.

En roman är fortfarande en roman. Ett reportage är fortfarande journalistik. En barnbok är fortfarande skriven för någon som ska lära sig läsa, skratta, gråta eller somna.

I februari fick sådana texter en ny plats i AI-politiken. I regeringens strategi lyfts svenska språkmodeller fram som en del av Sveriges AI-arbete. Parallellt driver forskningsprogrammet WASP arbetet med projektet SE.LLMA, där företrädare för författare, förlag och nyhetsmedier deltar för att ta fram en språkmodell.

En språkmodell är tekniken bakom AI-system som kan skriva, sammanfatta, översätta och svara på frågor. Ska den fungera på svenska räcker det inte med ordlistor och myndighetsfraser. Den behöver romaner, nyheter, sakprosa, debatt, barnböcker och vardagligt språk. Texter där någon redan har kontrollerat fakta, prövat formuleringar, vägt tonfall och byggt sammanhang.

Författare, förlag och redaktioner har i många år fått höra att deras arbete är viktigt men svårt att få ekonomi i. Nu behövs samma arbete för att maskinerna ska lära sig tala svenska.

TU deltar i WASP:s arbete med SE.LLMA och vill bidra med både data och språkkompetens. Erfarenheten från många andra språkmodeller är en annan, menar Johan Taubert, vd för Tidningsutgivarna: journalistiken används utan avtal, samtidigt som läsarna betalar för samma innehåll.

– Medan dagstidningarnas läsare tecknar prenumerationer för att få ta del av journalistiken, så tillgodogör sig språkmodellerna journalistiken utan att de vare sig ber om tillåtelse eller ersätter rättighetshavarna.

Annonsintäkter har redan flyttat från svenska redaktioner till internationella plattformar. Läsaraffären har blivit viktigare. Om journalistiken också används för att bygga tjänster som kan sammanfatta och ibland konkurrera med mediernas eget innehåll, hamnar licensen mitt i affären.

– Att skapa journalistik kostar pengar, och att tidningarna tar betalt för sin journalistik är helt enkelt nödvändigt för att de ska kunna finansiera sin journalistiska verksamhet, säger Johan Taubert.

När journalistik används utan avtal handlar det enligt honom inte längre bara om teknik, utan om vem som ska betala för materialet som modellerna bygger på.

– Då är språkmodellernas olovliga utnyttjande av upphovsrättsskyddat material ett allvarligt hot mot tidningarnas finansiering och därmed också tidningarnas existens.

På bokmarknaden börjar frågan inte i prislappen. Mikaela Zabrodsky, vd för Svenska Förläggareföreningen, ser WASP som ett ovanligt exempel på forskare och rättighetshavare vid samma bord. Men även ett samarbetsprojekt måste passera bokbranschens grundvillkor.

– När böcker används till träning av AI är det en användning av upphovsrätt, och det kräver tillstånd ifrån den som innehar upphovsrätten till varje enskild bok.

Principen är enklare än praktiken. En språkmodell kan behöva breda delar av bokutgivningen. Därför vill hon se kollektiv licensiering, där rättighetshavare ger exempelvis Förläggareföreningen och Författarförbundet i uppdrag att teckna avtalslicenser. Då kan bokbranschen delta utan att släppa kontrollen över verken.

– Det är ett mycket användarvänligt sätt att licensiera en stor mängd rättigheter på en och samma gång.

AI-licensiering blir ingen huvudmarknad, betonar hon. Boken har fortfarande sin läsare först. I WASP-projektet är poängen att användningen ska ske på villkor som rättighetshavarna kan acceptera.

– Det är en slags sekundär marknad där syftet är att bidra till hållbar AI-utveckling, där respekten för upphovsrätten är en nyckel.

Men avtal räcker inte. När rättigheterna är klarerade återstår nästa fråga: vilka texter ska modellen faktiskt tränas på? Alla svenska texter gör inte samma jobb. Amy Loutfi, professor i datavetenskap vid Örebro universitet och Linköpings universitet samt programdirektör för WASP, talar om en svenska som rymmer både de stora offentliga språken och sådant som lätt hamnar utanför.

– För att en svensk språkmodell ska representera hur svenska används i olika sammanhang behöver den möta svenska i många former, till exempel nyhetstexter, sakprosa, skönlitteratur, essäer, debatt, kultur, myndighetsspråk och vardagsnära resonemang. Dialekter, slang, informellt språk, minoritetsperspektiv, nischade forum och samtida digitala uttryck är också viktiga delar av svenskan.

Men bredd är inte samma sak som att allt ska in. Spam, maskinöversatt text, sökoptimerat innehåll, rena annonstexter, felaktig eller vilseledande information och material med oklart ursprung hör inte hemma där. Det användbara materialet behöver ge modellen mer än ord och meningar.

– En text är användbar när den hjälper modellen att representera inte bara vad något betyder bokstavligt, utan hur det fungerar i vår kultur och i vårt samhälle, säger Amy Loutfi.

Journalistik där fakta har kontrollerats kan ge modellen bättre grepp om samhällsfrågor, institutioner, skeenden och källkritik. Litteratur kan bidra med variation, stilkänsla och mänskliga perspektiv. Slumpmässigt material kan ge en torftigare svenska och svagare känsla för nyanser, särskilt i offentlig sektor, utbildning, medier och forskning.

I dag används många AI-modeller i Sverige utan att de har byggts utifrån svenska språkmiljöer eller svensk offentlighet. Många är utvecklade i USA och Kina. De påverkar redan hur information tolkas, prioriteras och presenteras, ofta utan insyn i data, träning och underliggande antaganden.

– Det skapar ett beroende av system vi inte fullt ut kan granska eller förstå, säger Amy Loutfi.

För den som vill bygga svenska språkmodeller blir frågan praktisk. Tidningarna vill ha betalt. Förlagen vill att upphovspersoner och andra rättighetshavare först får säga ja och sedan förhandla om ersättning. Forskarna behöver texter som visar hur svenskan används: i nyheter, böcker, myndighetsbeslut, debatt, vardag och kultur. WASP-projektet SE.LLMA blir ett försök att få de kraven att rymmas i samma modellbygge.

– Det är ett unikt samarbetsprojekt med ömsesidig nytta mellan parterna. Vi bygger kunskap och kompetens både inom nya AI-teknologier och upphovsrättsfrågor tillsammans, säger Amy Loutfi.

***

Läs även: När reklamen var en del av folksjälen

Läs även: Vem tjänar egentligen pengar på kulturen?