Генеративный искусственный интеллект и web scraping
Доклад посвящён правовым ограничениям автоматизированного сбора общедоступных интернет-данных для обучения, дообучения и оценки генеративных моделей. Центральный вопрос исследования состоит не в том, может ли программа технически загрузить страницу, а в том, при каких условиях организация вправе извлекать, объединять, хранить и многократно использовать сведения о конкретных лицах. Исходная позиция авторов: общедоступность материала не заменяет правового основания обработки по статье 6 GDPR, ограничений статей 9 и 10 и прав субъектов данных.
Анализ охватывает GDPR, статью 53 AI Act об обязанностях поставщиков моделей общего назначения, рекомендации французского CNIL и британского ICO, а также проект Guidelines 03/2026 EDPB о web scraping в контексте генеративного ИИ, который на дату доклада остаётся документом для публичного обсуждения, а не новым законом. Рассмотрены роли контролёра, обработчика и продавца данных, трёхчастный тест законного интереса, прозрачность по статье 14 GDPR, минимизация, данные детей, сведения о здоровье и судимостях, memorisation в весах модели, проверка поставщиков готовых корпусов и соотношение с авторским правом.
Ключевые выводы: правомерность сбора требует оценки цели, основания, категорий данных, ожиданий людей и фактического движения информации по всей технической цепочке; независимая проверка должна опираться на реальные логи, источники и эффективность фильтров, а не на декларации; удаление записи из набора и устранение её влияния на уже обученную модель являются разными техническими задачами. Отдельно разобраны условные сценарии ошибочной санкционной атрибуции и устаревших сведений о международном розыске и экстрадиции.
Практическая часть включает 50 приложений: формы анализа законного интереса и DPIA, карточки источников и provenance-манифесты, процедуры проверки data brokers и запросов субъектов, программу независимого аудита и учебные кейсы. Observatoire ARGA формулирует авторские предложения к проекту EDPB — проверяемый минимальный стандарт происхождения данных, честное раскрытие пределов opt-out и machine unlearning, специальные предохранители для чувствительных категорий и воспроизводимые показатели аудита — с оговоркой, что их включение в окончательный текст не определено.
Исследование носит нормативно-методологический характер: авторы не имели доступа к внутренним обучающим наборам разработчиков и не приписывают нарушений какой-либо организации. Внешняя проверка не гарантирует полного восстановления обучающего корпуса, а дальнейшая программа предусматривает эмпирическую оценку фильтров на нескольких языках и сравнительный анализ практики государств ЕС.
Правила цитирования
- Обязательное указание источникаПри использовании материалов ARGA Observatory необходимо указывать полное название.
- Указание даты и версииДля аналитических отчётов обязательно указывать год публикации.
- Ссылка на оригиналЭлектронные материалы должны сопровождаться активной ссылкой на официальный сайт.
- Соблюдение контекстаЦитаты не должны сокращаться или изменяться таким образом, чтобы искажать смысл.
- Отдельная отметка при адаптацииЕсли текст сокращён или переведён, необходимо указать: «адаптировано из отчёта ARGA».
- Запрет на коммерческое использование без письменного разрешения организации
- Сохранение точности данныхГрафики и таблицы должны воспроизводиться без изменений.
Задайте вопрос экспертам ARGA
Четыре коротких шага. Ответим в течение рабочего дня.