AIと著作権 / TRAIN Act（生成AI学習データの開示召喚状）/ 手続で「透明性」を作る試み雑感

0　はじめに

　2026年1月22日、米国下院に「Transparency and Responsibility for Artificial Intelligence Networks Act」（TRAIN Act）が提出された。生成AIが何で訓練されたのかを、権利者が知り得ないという情報の非対称を、実体法ではなく手続で揺さぶる法案である。
　同法案は、著作権者が「自分の作品が学習に使われた」と主観的に善意で信じる場合、連邦地裁の書記官に申立てて、開発者に対する召喚状を発付させ、訓練教材（training material）又はそれを「確実に特定できる」記録の開示を受けられる仕組みを創設する。「侵害か否か」の前に、「使われたか否か」を見に行くための法である。

1　問題の所在

　生成AIと著作権を巡る紛争は、フェアユースの当否以前に、当事者の立ち位置が非対称である。学習データの構成や出所、前処理、重複除去、フィルタのログといった情報は開発者側にある。他方、権利者側は外側から推測するしかない。この状態で訴訟を提起すると、訴状段階での特定可能性やディスカバリーまで辿り着くコスト、営業秘密を理由とする抵抗が、壁として立ち上がる。
　TRAIN Actは、この「証拠に辿り着けない」問題に、先に召喚状を差し込む。透明性を理念として唱えるのではなく、召喚状と制裁で作る発想である。

2　法案の骨格

　法案は、合衆国著作権法17編5章末尾に新たに§514を追加する。中心は三点である。

　第一に、対象者の切り方である。「developer」は、生成AIモデルを設計・製造・所有、又は「大幅に修正（substantially modify）」する者に加え、学習データセットのキュレーション又は学習の実行を自ら行うか監督する者（第三者キュレーターとしての監督を含む）まで含む。「大幅な修正」には、再トレーニング（retraining）やファインチューニング（fine tuning）が明示的に含まれている（§514(a)(5)）。他方で「非商業のエンドユーザー」は除外される（§514(a)(3)(B)）。射程は基盤モデル提供者に限られない。オープンソースのモデルを特定のデータセットで追加学習した事業者も、本法の「開発者」として開示義務を負う可能性がある。

　第二に、開示対象である。「training material」は、学習のために用いられた個々の作品（又はその構成部分）であり、テキスト・画像・音声等の表現素材に加え、それを説明する注釈（annotations）も含む（§514(a)(6)）。データそれ自体だけでなく、ラベルやメタデータまで射程に入り得る。

　第三に、入口の要件である。権利者（又は代理人）は、自己の作品が学習に使われたとの「主観的善意の信念（subjective good faith belief）」があれば、提案召喚状と宣誓供述書を提出して発付を求められる（§514(b)(1), (c)）。形式が整っていれば、書記官が「迅速に」発付し、開発者も「迅速に」開示すべきものとされる（§514(e), (f)）。裁判官の実体審査が前置されていない点が特徴である。

　もっとも、請求できるのは「請求者自身が所有・支配する著作物」に限られ、他人の作品一般を探索する召喚状は想定されていない（§514(b)(2)）。また、開示を受けた権利者側には守秘義務が課され、適切な授権又は同意なく第三者に開示できないとされる（§514(g)）。ただ、その「適切な授権」とは何か、訴訟提起後の利用・開示をどう整理するかは運用の問題として残る。

3　「主観的善意」と「確実な特定」の緊張

　入口が緩い一方、出口には「確実性」が置かれている。開示されるべきものは、権利者の著作物（又はその一部）を「確実に特定できる（sufficient to identify with certainty）」記録である（§514(b)(1)）。

　この要求は、現場の実装を半ば強制する。来歴（provenance）管理、取り込み時点での同一性検証、フィルタリングやサンプリングのログ、再学習・微調整（fine-tuning）の履歴がなければ、「確実に特定できる」水準の回答は難しい。透明性は理念ではなくログの粒度である。

　もっとも、「確実に特定」がどの程度を意味するか、作品名で足りるのか、ハッシュまで要るのか等は条文が沈黙している。運用で埋まる余地が大きい。

4　不遵守の効果としての「反証可能な推定」

　本法案の最も強いカードは、召喚状に従わない場合、「著作物のコピーを作成した」という反証可能な推定（rebuttable presumption）を与える点にある（§514(i)）。不遵守が、侵害訴訟の立証局面にまで波及し得る構造であり、実質的に記録保存を促すインセンティブ設計といえる。推定が「コピー」という侵害要件に触れる以上、ディスカバリー前の段階でも和解圧力を高め得る。他方で、ログが存在しない（又は整備されていない）こと自体が、法的に不誠実だと評価されかねない点には注意が要る。

　一方で、営業秘密や個人情報を理由に抵抗すれば、そのまま推定で殴られ得る。守るべき秘密があるほど開示したくないのに、開示しないと不利な推定が立つ。透明性のコストが訴訟リスクとして制度化される。

5　DMCA召喚状の既視感と濫用統制

　書記官発付・宣誓供述書・迅速開示という構造は、DMCA（17 U.S.C. §512(h)）の召喚状制度を想起させる。同制度は適用範囲等を巡り訴訟上の争点となってきた。TRAIN Actも同様に、制度の細部が訴訟で磨耗する可能性がある。

　濫用統制として、悪意の申立てには制裁を科し得るとし、その運用を民事訴訟規則11条（Rule 11）に接続する（§514(j)）。また、召喚状はFRCPの枠組みに従うとされるため（§514(h)）、過重負担や秘密保護を理由に取消・修正を争う余地も残る。もっとも、争うにはまず手続に巻き込まれる。濫用が社会問題化するかは運用次第である。

6　日本の企業・権利者にとっての含意

　日本企業が米国市場で生成AIを提供する場合、または米国モデルを組み込む場合、TRAIN Actは「開示請求への備え」として無視し難い。developerが第三者キュレーターや微調整主体を含み得るため、自社で基盤モデルを訓練していなくとも、データセット構築やfine-tuningに関与すれば射程に入り得る。

　対応は、学習データの出所管理、データ提供者・キュレーターとの契約でのログ提供義務・補償条項、召喚状受領時の初動（保存・法務連携・秘密保護の申立て）に収斂する。加えて、開示が学習データそのもの（テキスト断片等）に及ぶ場合、第三者の個人情報や機微情報が混入するリスクもある。データガバナンスとプライバシーガバナンスは切り離せない。台帳づくりがAIガバナンスの一丁目一番地になり得る。

　他方、権利者側にとっては、侵害訴訟に直行する前に「使われたか」を確認するレバーが増え、紛争の地形を変える可能性がある。

7　雑感

AIガバナンスの抽象語、透明性・説明可能性を、召喚状と推定という手続装置に落とし込む点で、TRAIN Actは妙にアメリカ的である。もっとも、透明性は常に善ではない。創作者保護と同時に、営業秘密・プライバシー・セキュリティの緊張を呼び込む。

　EU AI Actが、一般目的AIモデルに学習コンテンツの要約公表を義務付ける方向に動いたことも踏まえると、透明性は世界的に「ログと台帳の問題」へ収斂しつつある。派手なモデルより、地味な記録管理が勝敗を分ける時代が来るのかもしれない。

（マガジン）「AIと法-雑感」

　※目次は以下を参照

note総則規約3条2項前段
3.2 クリエイターが制作したデジタルコンテンツの著作権は、クリエイターに帰属します。