Lisensvask i KI-kjeden: under 7 % av kravlisensene overlever helt frem

Permissive lisenser som MIT og Apache 2.0 kommer helskinnet gjennom hele leddet i 95,1 % av tilfellene. Alle lisenskategorier som faktisk pålegger noe, som deling på like vilkår eller forbud mot kommersiell bruk, havner under 7 % overlevelse fra datasett til ferdig applikasjon. Tallene kommer fra en arXiv-studie lagt ut 22. juli 2026, som fulgte 232 270 kjeder der et datasett blir til en modell på Hugging Face og videre til en applikasjon på GitHub.

Forskerne beskriver to former for lisensvask. Den første er at et artefakt uten deklarert lisens plutselig får en tydelig lisensetikett lenger ned i kjeden: ingen sier noe om vilkårene oppstrøms, og nedstrøms fylles tomrommet med noe som ser ryddig ut. Den andre er ren utskifting, der én lisenskategori erstattes av en annen ved videredistribusjon. 62,3 % av kjedene går gjennom minst ett artefakt uten deklarert lisens, og studien peker på at hullene er konsentrert i et lite antall grunnleggende datasett som svært mange modeller stammer fra.

For deg som henter en modell fra Hugging Face og pakker den inn i noe du selv distribuerer, er poenget at lisensfeltet på modellkortet ikke er en kvittering. Det beskriver hva den som lastet opp har fylt inn, ikke hva som fulgte med datasettet modellen ble trent på. Studien er et preprint uten fagfellevurdering, og klassifiseringen er automatisk, så enkelttilfeller kan være feilmerket.

Retningen er tydelig nok til at «modellen er Apache 2.0» ikke holder som eneste dokumentasjon når en kunde eller revisor spør hvor treningsdataene kom fra. Sporbarheten brister nettopp der forpliktelsene ligger, så compliance-arbeidet må gjøres oppstrøms i kjeden, ikke på det siste modellkortet du så.