Коммерциализация исключительных прав авторов произведений в эпоху технофеодализма

Научно-технический прогресс с каждым днем все стремительнее меняет жизнь человечества. Искусственный интеллект стал незаменимым помощником человека во множестве сфер, в том числе в сфере творчества, а цифровые платформы дают шанс авторам довести свои произведения до многомиллионной аудитории. При этом следует отметить, что научно-технический прогресс не способствует усилению позиции авторов. Напротив, с развитием технологий характер взаимоотношений между автором и крупными участниками рынка меняется таким образом, что позиция последних все больше усиливается ввиду их обладания самыми важными ресурсами современности – информацией, персональными данными, доступом к таким технологиям, как рекомендательные алгоритмы, и, как итог, обладанием цифровыми экономическими пространствами. Такой тип социально-экономических отношений, при которых главной целью крупных компаний является получение прибыли не от производства товаров, а от контроля над экономическим пространством, где эти товары обращаются, называется технофеодализмом. Данный термин был введен Янисом Варуфакисом – профессором экономики Афинского и Техасского университетов, бывшим министром финансов Греции.

По мнению Я. Варуфакиса, доминирующим фактором производства при технофеодализме является облачный капитал, который представляет собой «совокупность объединенных в сеть компьютеров, программного обеспечения, алгоритмов на основе искусственного интеллекта и коммуникационного оборудования, обеспечивающих доступ в любой точке планеты и выполняющих широкий спектр новых и старых задач» [1, с. 273]. К числу таких задач экономист относит:

1) стимулирование к созданию контента и обогащению облачного капитала миллиардами людей на бесплатной основе (путем загрузки своих видеороликов в TikTok или YouTube, написания комментариев к фото, отзывов к фильмам на стриминговых платформах и т.д.);

2) рекомендация развлекательного контента в соответствии с интересами пользователей;

3) использование искусственного интеллекта (ИИ) и больших данных для организации труда работников и автоматизация производства (посредством автоматизированных производственных линий, беспилотных автомобилей и грузовиков).

Посредством алгоритмов облачного капитала продавцы и покупатели находят друг друга в пределах цифровой торговой платформы – облачного феода, – которая принадлежит некой крупной технологической организации. В результате взаимодействия продавцов и покупателей на таких облачных феодах владелец платформы получает прибыль в виде облачной ренты – платежа, взимаемого с продавцов за доступ к облачному феоду. Автор проводит прямую параллель такой схемы с классическими феодалами, которые ничего не производили на своем земельном участке, но получали ренту за доступ к нему.

Однако существует мнение, что такое описание современных отношений в цифровом пространстве некорректно. Так, А.Л. Кравченко считает, что уместнее говорить «об обновленном империализме, открывающем для себя новые рынки за счет экспансии цифрового пространства», в то время как «элементы феодальных отношений всегда были характерны для разных уголков мир‑системы» [2, с. 18].

Действительно, до создания цифровых платформ (от электронной коммерции до стриминг-сервисов) нечто похожее наблюдалось на примере торговых центров: сам по себе владелец торгового центра не производит товары, но взимает арендную плату с тех, кто торгует на его площади. Но при этом необходимо учитывать следующее. В случае с торговыми центрами у потенциального арендатора, как правило, есть выбор среди множества подобных центров, поскольку они конкурируют между собой на одном и том же рынке по рыночным правилам. В то же время, например, у автора программы для мобильного телефона такого выбора фактически нет: такие «торговые центры», как GooglePlay и AppStore между собой де‑факто не конкурируют – пользователь, обладающий смартфоном с операционной системой Android, не сможет скачать приложение, размещенное только в AppStore. Фактически рынки данных онлайн-магазинов мобильных приложений изолированы друг от друга, в результате чего автор программы вынужден загружать свое приложение в оба магазина, платить обеим корпорациям за возможность его размещения на платформе и заниматься продвижением своего приложения как в AppStore, так и в GooglePlay.

Аналогичная ситуация наблюдается и в отношении других площадок. Я. Варуфакис наглядно рассуждает о проблеме изоляции цифровых платформ следующим образом: «успех TikTok в переманивании внимания пользователей других социальных сетей обусловлен не более низкими ценами, которые он предлагает, или более высоким качеством «социальных связей» или ассоциаций, которые он обеспечивает. TikTok создал новый облачный феод для [пользователей], которые ищут другой онлайн-опыт. Disney Plus не предлагает зрителям те же фильмы и сериалы, что и Netflix, но по более низким ценам или в форматах с более высоким разрешением, – он предлагает фильмы и сериалы, недоступные на Netflix. Walmart не сбивал цены на товары на Amazon и не улучшал качество своих товаров – он использовал собственную базу данных, чтобы привлечь больше пользователей в свой недавно созданный облачный феод» [1, с. 157].

Подобная практика постепенно складывается и в России – онлайн-кинотеатры нередко заключают договоры эксклюзивного сотрудничества с компаниями-производителями фильмов [3; 4]. В результате маркетинговая кампания онлайн-кинотеатров строится, в том числе, на лозунгах по типу «Снято специально для Кинопоиска» [5] или «Оригинальные проекты OKKO» [6] и т.п. Следует отметить, что такая стратегия является успешной лишь отчасти, поскольку такие эксклюзивы нередко способствуют распространению пиратства, так как потребители не могут оплачивать множество подписок одновременно [7].

Помимо рассмотренной изоляции платформ, следует отметить и иное отличие технофеодализма от классического капитализма. Для наглядности продолжим сравнение с торговыми центрами: чтобы войти на рынок и открыть свой торговый центр, предпринимателю, как правило, нужно преодолеть административный и финансовый барьеры. Первый преодолевается путем получения необходимых разрешений от представителей власти, второй может быть разрешен путем привлечения заемных средств (кредиты, займы, инвестиции и проч.). В случае со входом на цифровой платформенный рынок все становится куда сложнее: независимому предпринимателю практически невозможно создать свою платформу, на которой авторы могли бы коммерциализировать исключительное право на произведения. Для примера обратимся к российскому рынку онлайн-кинотеатров: на данный момент единственным крупным независимым субъектом на рынке является «Иви», тогда как все остальные онлайн-кинотеатры входят в ту или иную экосистему. Случай с «Иви» – исключение, подтверждающее правило; впрочем, не исключено, что и этот сервис будет поглощен более крупным субъектом рынка [8].

Исследователь В.С. Сопина считает причинами высоких барьеров для входа следующее: «потребитель настолько глубоко привязался к компании через услуги вертикалей ее экосистемы, что перейти к компании-конкуренту становится дорого из‑за возрастающих транзакционных издержек. Это создает барьеры для входа на рынок новым компаниям. Поэтому в условиях цифровизации значимым условием конкурентоспособности компании становится способность захватить и удерживать внимание потребителя» [9, с. 9]. Поставленную задачу по захвату и удержания внимания потребителя корпорации решают путем рекомендательных алгоритмов, речь о которых пойдет далее.

Поскольку такие алгоритмы создаются и функционируют на основе огромного массива персональных данных пользователей, то создать алгоритм и внедрить его в свою платформу проще всего тем, у кого уже есть такие данные – как правило, ими и оказываются создатели экосистем: IT‑гиганты (Яндекс), крупнейшие банки (Сбер), федеральные операторы сотовой связи (МТС) и так далее. В отличие от финансового барьера, который можно преодолеть путем привлечения денежных средств извне, барьер с накоплением персональных данных для поддержки работы рекомендательного алгоритма представляется практически непреодолимым для подавляющего большинства участников рынка (если исключить нелегальные способы такого преодоления). Ввиду выше изложенного конкуренция между цифровыми платформами либо фактически отсутствует, либо представляется сильно ограниченной; как следствие, у авторов, решивших коммерциализировать свои права в Интернете, остается крайне ограниченный круг возможных опций для получения дохода от своего творчества.

Я. Варуфакис также приходит к выводу о том, что электронные платформы изолированы друг от друга и не могут рассматриваться как рынки по причине работы рекомендательных алгоритмов, которые функционируют на каждой такой платформе. По словам исследователя, «алгоритм наделяется концентрированной властью сводить между собой покупателей и продавцов», в результате чего облачные феоды характеризуются наличием централизации, «достигаемой способностью алгоритма к сопоставлению и определению полного набора информации для каждого покупателя каждого продавца» [1, с. 277].

Ввиду всего сказанного выше можно сделать вывод о том, что изоляция цифровых площадок друг от друга, а также монополизация или олигополизация рынка ввиду высоких барьеров для входа являются существенным препятствием для осуществления авторами коммерциализации исключительных прав на свои произведения в цифровом пространстве. И поскольку причинами обозначенных проблем выступают рекомендательные алгоритмы, то для усиления позиции авторов в условиях технофеодализма необходимо исследовать указанную причину и установить возможные пути решения проблемы.

Рекомендательные алгоритмы (их также называют рекомендательными системами) представляют собой системы, позволяющие фильтровать информацию таким образом, чтобы пользователь таких систем получал рекомендации, контент или услуги на основе его интересов [10]. Сведения о таких интересах вносятся в систему самим пользователем либо формируются системой на основании истории взаимодействия пользователя с той или иной платформой, где задействован рекомендательный алгоритм [11, с. 77]. С помощью системы рекомендаций пользователи могут быстро находить видео, фильмы, музыку, книги, игры и прочие развлечения и услуги, которые с большей долей вероятности им понравятся.

Исследователями выделяются три основных (наиболее распространенных) модели рекомендательных алгоритмов:

1) контентная модель. Принцип действия алгоритма основан на оценках того или иного контента самим пользователем;

2) коллаборативная модель. Алгоритмы данной модели анализируют поведение отдельных групп людей по различным признакам (например, пол, возраст, предпочитаемый жанр фильмов или музыки). Рекомендательные системы составляют «общий портрет» интересов той или иной социальной группы и формируют общие рекомендации для членов данной группы в форме «понравилось пользователям, похожим на вас»;

3) гибридная модель. Данная модель объединяет в себе элементы предыдущих двух видов, позволяя тем самым компенсировать их недостатки и возможные ошибки, делая рекомендации более точными [11, с. 78].

Также встречаются модели, которые учитывают контекст: время, местоположение, социальные связи пользователя, а также модели, основанные на знаниях специалистов в узких областях, используемых, к примеру, в сферах продаж недвижимости, автомобилей, предметов роскоши [12, с. 143].

Алгоритмы могут помогать авторам коммерциализировать свои права на произведения. Так, Д.А. Цыбрик считает, что «рекомендательные системы оказывают положительное влияние на культурные тренды, помогая пользователям открывать новый контент и поддерживая культурное разнообразие» [13, с. 382], приводя в пример платформу Goodread, которая рекомендует пользователю новых авторов, а также YouTube, который помогает независимым блогерам в продвижении их контента. Однако автором подчеркивается, что зачастую платформы формируют так называемый «информационный пузырь», в котором пребывает пользователь. Исследователь приводит следующие примеры: в сервисе Spotify любителю жанра поп‑музыки не будут предложены песни другого жанра; верящий в теорию плоской Земли зритель не будет получать рекомендации о просмотре научных роликов об астрономии на YouTube; Google подстроит результаты поиска под историю запросов пользователя таким образом, чтобы подтвердить его убеждения [13, с. 382] и так далее.

Однако проблема состоит не в наличии таких «пузырей» самом по себе, ведь основная задача рекомендательных алгоритмов – предлагать пользователю те произведения, которые ему (предположительно, по прогнозам самого алгоритма) могут понравиться; иной механизм работы нарушил бы саму суть рекомендательной системы. Проблема состоит в том, что в условиях повсеместной «алгоритмизации» новому автору трудно заявить о себе на крупной популярной платформе, поскольку для того, чтобы алгоритмы продвигали его произведение, оно должно попасть в один из таких «информационных пузырей», а для этого произведению нужно обладать хотя бы минимальной популярностью. Данная проблема усугубляется тем, что алгоритмы способствуют популяризации того контента, который уже популярен среди пользователей. Описываемое явление называется «эффектом Матфея», который именуется таким образом по цитате из Притчи о талантах в Евангелии от Матфея: «ибо всякому имеющему дастся и приумножится, а у неимеющего отнимется и то, что имеет» (Мф. 25:29) [14].

Некоторые исследователи, отмечают, что благодаря такому эффекту, алгоритмы делают «богатых еще богаче», что негативно отражается на доходах авторов малоизвестных произведений. Например Р. Унгру пишет следующее: «уже популярные исполнители еще больше укрепляют свою популярность, в то время как менее известные артисты не получают должного внимания, несмотря на то, что их контент не уступает по качеству» [15, с. 2], что в свою очередь «приводит к ощутимым последствиям, в том числе к снижению финансовой выгоды и внимания СМИ к таким исполнителям» [15, с. 2].

Справедливости ради следует отметить, что далеко не все рекомендательные системы работают исключительно по принципу приоритета популярности. В некоторых исследованиях подчеркивается, что, например, большинство музыкальных рекомендательных систем хоть и используют указанный принцип, однако не основываются исключительно на нем [16, с. 25]; кроме того, разработчики таких систем активно разрабатывают технические средства преодоления обозначенной проблемы [16, с. 27-28].

Проблема оказывается еще глубже, если вспомнить, что любая алгоритмическая рекомендательная система работает на основе персональных данных пользователя. Если потребитель хочет получать любимый контент в разделе рекомендаций, то у него нет иного выбора, кроме как предоставить разрешение на сбор данных о себе, своей сетевой активности, цифровом следе и так далее. Я. Варуфакис отмечает власть алгоритмов «предсказывать наше поведение, направлять наши предпочтения, влиять на наши решения, менять наше мнение» [1, с. 97]. Автор на примере голосового помощника Amazon Alexa объясняет, как алгоритмы могут не только подбирать тот контент, который действительно нравится пользователю (о чем пользователь напрямую сообщил алгоритму ранее), но и постепенно корректировать его вкусы и предпочтения. Это происходит по «спирали»:

1) сначала мы обучаем Alexa показывать то, что нам нужно, предоставив ему информацию о наших привычках и желаниях;

2) затем Alexa «начинает обучать нас лучше ее обучать»: она просит предоставить больше информации о наших предпочтениях для более качественной и точной работы рекомендательных алгоритмов;

3) после того, как Alexa удовлетворяет запросы потребителя и предоставляет те видео, музыку и тексты, которые нравятся пользователю, система показывает, «помимо запрошенных, изображения, тексты и видео, которые она выбирает, чтобы деликатно скорректировать наши вкусы. Вскоре она начинает нас обучать ее обучать нас обучать ее обучать нас… ad infinitum [до бесконечности – прим. авт.]» [1, с. 81-82].

В результате данного бесконечного цикла у владельца алгоритмической системы появляется возможность по продвижению того контента, который сам владелец посчитает нужным продвигать среди неограниченного числа пользователей. Более того, по мнению Я. Варуфакиса, корпорации постепенно накапливают такой массив персональных данных о пользователях, что начинают знать, что нравится потребителям, лучше их самих: «Twitter помнит каждую короткую фразу, которая привлекла ваше внимание, каждое мнение, с которым вы согласились, которое привело вас в ярость, на котором вы лениво задержались, прежде чем пролистнуть дальше. Apple и Google лучше вас знают, что вы смотрите, читаете, покупаете, с кем встречаетесь, когда и где. Spotify владеет более полным профилем ваших музыкальных предпочтений, чем тот, что хранится в вашей сознательной памяти» [1, с. 90].

Логично предположить, что авторам для понимания того, как именно следует продвигать свой контент на той или иной платформе, нужно изучить «правила игры», то есть достичь базового понимания того, как именно работают рекомендательные алгоритмы на той платформе, на которой они намерены коммерциализировать свои исключительные права. А учитывая, что авторы вынуждены размещать свой контент сразу на нескольких платформах (как было установлено ранее в настоящем исследовании), задача становится сложнее в несколько крат. Однако в этот момент обнаруживается главная проблема – принцип работы рекомендательных алгоритмов скрыт корпорациями. Каждый владелец облачного капитала оберегает принципы работы своей рекомендательной системы как коммерческую тайну или секрет производства [17]. В результате алгоритм становится «черным ящиком», поскольку единственная часть его работы, которая доступна внешнему наблюдателю (будь то автор контента, потребитель или аудитор), – это результат, который рекомендательная система выдает в ответ на запрос пользователя [18, с. 214].

В связи с этим часть исследователей призывает к прозрачности рекомендательных алгоритмов, поскольку те «могут быть предвзятыми и отдавать предпочтение определенным заинтересованным сторонам или, наоборот, ставить их в невыгодное положение. Прозрачность позволяет выявить эти предубеждения и другие формы потенциальной несправедливости» [19, с. 1]. В это же время другая часть исследователей справедливо отмечает, что раскрытие принципов работы алгоритмов – вряд ли достижимая и реальная цель, поскольку «программное обеспечение, алгоритмы и данные, используемые в рекомендательных системах, считаются активом с высокой добавленной стоимостью, необходимым для сохранения позиций организации на конкурентном рынке» [12, с. 152]. Из этого следует, что раскрытие корпорациями, имеющими рекомендательные алгоритмы, своих секретов – крайне утопичная идея, поскольку она имеет смысл только при условии, что ее реализуют корпорации по всему миру примерно в одно и то же время; частичное же раскрытие (например, только европейскими корпорациями) приведет к снижению конкурентоспособности корпораций из соответствующего региона на международном рынке, что не отвечает ни частным, ни публичным интересам.

Таким образом, причинами проблемы коммерциализации исключительных прав авторов произведений в цифровом пространстве являются:

социально-экономическое неравенство сторон в отношениях между автором и корпорацией-владельцем цифровой платформы;

фактическое отсутствие либо сведение к минимуму конкуренции между такими корпорациями ввиду высоких барьеров для создания цифровых платформ;

а также непрозрачный принцип работы рекомендательных алгоритмов на таких платформах.

Сложившаяся социально-экономическая ситуация требует переосмысления правового положения автора в отношениях с владельцами цифровых платформ и установления дополнительных мер защиты интересов автора как слабой стороны таких отношений. Решение исследуемой проблемы заключается в сглаживании неравенства и усилении позиций авторов, однако не может сводиться к радикальному ограничению корпораций в их праве на обладание секретами производства и требует глубокого исследования тематики. Помимо этого, следует учитывать, что меры поддержки авторов должны носить глобальный, а не национальный или региональный характер, поскольку только при глобальном масштабе такие меры достигнут максимальной эффективности. Наиболее целесообразным представляется установление мер поддержки автора на уровне международных соглашений, в том числе находящихся в ведении Всемирной организации интеллектуальной собственности.