Hak Cipta vs Technology:

31 Juli 202612 tampilan

Analisis dari 89 publikasi pers industri selama sembilan bulan menunjukkan bahwa diskusi tentang Al dalam industri buku merebus ke hal-hal hukum dan produk, sementara sisi teknis - dari bagaimana model bekerja sampai evaluasi mereka - tetap berada di belakang layar. Pada saat yang sama, nada cakupan berbeda terlihat di seluruh negara.

Hak Cipta vs Technology:

Media See Only Lawyers, Not Engineers, in AI for Books

Ketika berhubungan dengan kecerdasan buatan dalam industri buku, fokus adalah pada pengadilan, lisensi, dan hak cipta. Sisi teknis - bagaimana model dibangun, bagaimana mereka diuji, dan di mana mereka benar-benar gagal - hampir tidak dibahas. Itu adalah kesimpulan dari sebuah studi oleh Fred Zimmerman, diterbitkan pada arxiv pada 2 Agustus 2026, di bawah identifier 2608.00964. Sang penulis menganalisa bagaimana pers perdagangan menutupi AI dalam penerbitan buku dari November 2025 sampai Agustus 2026.

Apa yang analisis menunjukkan: 89 artikel, delapan bahasa

Penelitian ini disusun sebagai tinjauan bukti yang cepat: 89 item dikumpulkan dari publikasi buku-bisnis, ulasan buku di surat kabar utama, dan kolom oleh komentator teknologi. Corpus mencakup delapan bahasa - dari Inggris dan Cina ke Italia dan Jepang. Setiap publikasi dikodekan oleh topik, nada, kedalaman teknis, dan suara yang mendominasi itu.

Nada ini terpecah hampir merata: kira-kira sepertiga dari item yang berfokus pada risiko, 42% dicampur, dan sekitar 28% terfokus pada kesempatan. Pada saat yang sama, publikasi Cina terlihat lebih mungkin untuk menulis tentang penerapan praktis dan manfaat potensial, sedangkan seluruh corpus bersandar terhadap keprihatinan dan regulasi.

Headline berbicara tentang hak, bukan kesempatan

Topik utama dari corpus dapat diprediksi: hak cipta, lisensi, regulasi, kepercayaan pembaca, adopsi alur kerja, dan pengumuman produk. Tapi kedalaman bervariasi sangat. Komenter dan kolom analitis terlihat lebih teknis daripada laporan berita. Namun, pemeriksaan teknis berkelanjutan muncul hanya dalam sepuluh dari 89 item. Tak satu pun dari penulis mewawancarai seorang peneliti dari laboratorium perbatasan atau seorang insinyur yang mengevaluasi model.

Celah utama: tak ada yang menghubungkan arsitektur model dengan keputusan penerbitan

Yang paling mengkhawatirkan adalah tidak adanya skenario positif, tapi tidak adanya hubungan antara bagaimana model bekerja dan bagaimana penerbit menggunakannya. Penerbitan hampir tidak mendiskusikan hal-hal seperti:

  • kapabilitas elicitation - bagaimana kemampuan tersembunyi diekstrak dari model;
  • RAG (retrieval- augmented generasi) - generasi dengan pengambilan dari sumber eksternal;
  • cepat injeksi - serangan melalui instruksi berbahaya;
  • Ketergantungan agen dalam aliran kerja panjang;
  • Persentase ekonomi - apa yang menjalankan model sebenarnya biaya;
  • drift model - bagaimana perubahan kualitas setelah pemutakhiran;
  • provenance data - di mana isi dalam jawaban berasal;
  • penelitian pembaca dan evaluasi reproduksi dari arus kerja.

Tanpa ini, percakapan tentang Al dalam penerbitan buku turun ke dua ekstrem: baik "semuanya hilang" atau "semuanya akan menjadi lebih baik". Baik membantu penerbit memutuskan apakah akan mengadopsi alat, bagaimana mengevaluasi, dan risiko yang nyata.

Apa yang penulis usulkan: bukan "kolom lain", tapi sistem

Untuk menutup celah ini, Zimmerman mengusulkan tidak satu - off potongan tetapi infrastruktur cakupan permanen. Rekomendasi termasuk:

  • mendedikasikan bagian AI reguler dalam publikasi perdagangan daripada potongan ad hoc langka;
  • secara teratur wawancara laboratorium, tidak hanya pengacara dan konsultan;
  • catatan yang menjanjikan apa, dan memverifikasi itu;
  • mengembangkan protokol tes umum dan reproduksi arus kerja;
  • membuat panel pembaca untuk menilai pengalaman dunia nyata;
  • mengundang kolumnis teknis yang dapat menjelaskan pekerjaan dalam model.

Studi itu sendiri adalah tujuh halaman panjang; lima belas lainnya membuat usus buntu tambahan. Ini termasuk kode lengkap dari 89 item, lintas-tabulasi, sebuah glossary, sebuah basis data BibTeX sumber, dan audit kutipan. Hal ini membuat pekerjaan tidak hanya manifesto jurnalistik tetapi alat untuk verifikasi dan analisis ulang.

Pada akhirnya, masalahnya bukan karena media takut pada teknologi. Masalahnya adalah bahwa mereka menggambarkannya dari kejauhan - sebagai abstraksi hukum daripada realitas rekayasa. Sampai itu berubah, pembaca industri akan terus mendapatkan berita utama tentang tuntutan hukum yang sama bukannya pemahaman yang kemampuan AI benar-benar dapat dilaksanakan dan yang masih hanya janji-janji.

Pertanyaan yang sering ditanyakan

Bahan terkait

Semua bahan
Toollery: memilih alat untuk agen LLM dari puluhan ribu opsi tanpa fine-tuning
Berita

Toollery: memilih alat untuk agen LLM dari puluhan ribu opsi tanpa fine-tuning

Toollery membangun indeks pencarian berdasarkan deskripsi keterampilan dan alat, lalu saat ada permintaan hanya meneruskan sekumpulan kandidat terbatas ke model. Dalam eksperimen pada pustaka berskala hingga puluhan ribu fungsi, pendekatan ini mampu mempertahankan kualitas pemilihan dengan top-K tetap, meskipun dampak akhirnya bergantung pada profil beban dan caching di penyedia.

11 November 2026
Diagnostik bertahap agen GUI dalam analisis dasbor: benchmark DashAct
Penelitian

Diagnostik bertahap agen GUI dalam analisis dasbor: benchmark DashAct

DashAct diperkenalkan sebagai tolok ukur yang terdiri atas 348 trajektori yang diverifikasi manusia, yang menguraikan kerja agen GUI dengan panel interaktif menjadi tiga tahap dan empat kondisi visual. Hasilnya menunjukkan masalah yang terus berulang dalam memprediksi tindakan dan mengaitkannya dengan target visual, serta ketergantungan respons agen pada dukungan kontekstual dan spasial.

11 November 2026
WILSON: menggabungkan tingkat pembesaran dan preparat pasien untuk analisis patomorfologi dan penyusunan laporan
Berita

WILSON: menggabungkan tingkat pembesaran dan preparat pasien untuk analisis patomorfologi dan penyusunan laporan

Pracetak ini memperkenalkan WILSON — model vision-language yang mengodekan gambar seluruh slide dan rangkaian preparat dari satu pasien pada berbagai tingkat pembesaran, bukan hanya satu slide “terbaik”. Tanpa pelatihan lanjutan untuk tugas tertentu, model ini mengungguli model slide khusus dan berukuran lebih besar pada sejumlah metrik dengan beban komputasi yang jauh lebih rendah, sementara deskripsi diagnostiknya mendapat penilaian lebih tinggi dari para ahli patologi.

11 November 2026
AI dan Book Publishing: Apa Miss Media dalam Diskusi Hak Cipta