บทนำ
AI Training Copyright กำลังเปลี่ยนเกม หลังรัฐบาลสหรัฐฯ เข้ามาแสดงจุดยืนในคดี OpenAI โดย DOJ ระบุว่าการนำงานที่มีลิขสิทธิ์ไปใช้ฝึก AI อาจเข้าข่าย Fair Use แต่ข่าวนี้ไม่ได้แปลว่าบริษัทไทยสามารถนำหลักเดียวกันมาใช้ได้ทันที เพราะโครงสร้างกฎหมายลิขสิทธิ์ของไทยแตกต่างจากสหรัฐฯ อย่างมีนัยสำคัญ
ลองนึกภาพบริษัทไทยแห่งหนึ่งต้องการสร้าง AI สำหรับตอบคำถามลูกค้า
ทีม Data พบว่าบนอินเทอร์เน็ตมีบทความ หนังสือ เอกสาร และเว็บไซต์จำนวนมหาศาล
คำถามจึงดูเหมือนง่ายมาก
“ข้อมูลอยู่บนอินเทอร์เน็ตแล้ว เอามาฝึก AI ได้หรือไม่?”
คำตอบที่อันตรายที่สุดคือ “ได้ เพราะสหรัฐฯ กำลังบอกว่า Fair Use”
เพราะเรื่องไม่ได้ง่ายแบบนั้น
DOJ สหรัฐฯ เพิ่งยื่นอะไรในคดี OpenAI
DOJ สหรัฐฯ ยื่น Statement of Interest ต่อศาลรัฐบาลกลางในเขต Southern District of New York เมื่อวันที่ 1 กันยายน 2026 ในคดีลิขสิทธิ์ที่เกี่ยวข้องกับ OpenAI โดยรัฐบาลไม่ได้เป็นคู่ความ แต่เข้ามาแสดงจุดยืนต่อประเด็นทางกฎหมายที่รัฐบาลเห็นว่ามีผลประโยชน์ต่อประเทศ
ใจความสำคัญคือ DOJ สนับสนุนแนวคิดว่า การฝึก LLM ด้วยงานที่มีลิขสิทธิ์ “โดยตัวการฝึกเอง” สามารถเป็น Fair Use ได้
แต่ต้องอ่านให้ครบ
นี่คือจุดยืนของรัฐบาลต่อศาล ไม่ใช่คำตัดสินว่าบริษัท AI ทุกแห่งในโลกมีสิทธิใช้ข้อมูลทุกอย่างได้ฟรี
Sterne Kessler อธิบายว่าจุดสำคัญของเอกสารอยู่ที่การแยก “การฝึกโมเดล” ออกจาก “การนำ Output ไปใช้” และ DOJ พยายามให้ศาลประเมินกิจกรรมแต่ละอย่างแยกจากกัน
Fair Use ของสหรัฐฯ ไม่ใช่คำว่า “ใช้ฟรี”
Fair Use ตามกฎหมายสหรัฐฯ เป็นหลักที่เปิดให้มีการใช้งานบางรูปแบบโดยไม่ถือเป็นการละเมิดลิขสิทธิ์ แต่การพิจารณาไม่ได้ใช้กฎข้อเดียวตัดสินทุกกรณี
ศาลสหรัฐฯ พิจารณาหลายปัจจัย เช่น
| สิ่งที่ศาลพิจารณา | อธิบายง่าย ๆ |
|---|---|
| จุดประสงค์ของการใช้ | เอาไปทำอะไร และใช้ในลักษณะใหม่หรือไม่ |
| ลักษณะของงานต้นฉบับ | งานนั้นมีลักษณะสร้างสรรค์มากน้อยแค่ไหน |
| ปริมาณที่นำไปใช้ | ใช้มากแค่ไหน และส่วนสำคัญของงานหรือไม่ |
| ผลกระทบต่อตลาด | การใช้ใหม่แย่งตลาดจากเจ้าของงานหรือไม่ |
หลักนี้มาจาก 17 U.S.C. §107 และแนวคำพิพากษาของศาลสูงสหรัฐฯ โดย Fair Use ไม่ได้ถูกกำหนดเป็นสูตรตายตัวเพียงสูตรเดียว
FAIR USE ≠ “ข้อมูลใด ๆ บนอินเทอร์เน็ตใช้ฟรี”
FAIR USE = ต้องดูว่า “การใช้แบบนี้ ในกรณีนี้”
เข้าข่ายข้อยกเว้นตามกฎหมายหรือไม่นี่คือเหตุผลที่บริษัทไทยไม่ควรตัดประโยคจากข่าวว่า “AI Training เป็น Fair Use” แล้วนำไปใช้เป็นนโยบายบริษัททันที
ทำไม DOJ มองว่า AI Training เป็นการใช้แบบใหม่
หัวใจของข้อโต้แย้งอยู่ที่คำว่า “เปลี่ยนหน้าที่ของข้อมูล”
หนังสือถูกสร้างขึ้นเพื่อให้คนอ่าน
ข่าวถูกสร้างขึ้นเพื่อให้คนอ่านข่าว
บทความถูกสร้างขึ้นเพื่อสื่อสารกับผู้อ่าน
แต่เมื่อข้อมูลเหล่านั้นถูกนำไปฝึก LLM ระบบ AI ไม่ได้ทำหน้าที่เป็นหนังสือหรือเว็บไซต์ต้นฉบับโดยตรง มันใช้ข้อมูลเพื่อเรียนรู้รูปแบบภาษา ความสัมพันธ์ของคำ และรูปแบบข้อมูล แล้วนำไปสร้างระบบที่ตอบสนองคำสั่งใหม่ของผู้ใช้
DOJ จึงมองว่าการฝึก AI มีลักษณะเป็น Transformative Use หรือการนำไปใช้ในลักษณะใหม่อย่างมีนัยสำคัญ
แนวคิดนี้สอดคล้องกับแนวคำพิพากษาสหรัฐฯ ที่เคยพิจารณาการใช้งานที่เปลี่ยนวัตถุประสงค์ของงานเดิม ไม่ใช่เพียงการทำสำเนาเพื่อขายแทนต้นฉบับ
พูดง่าย ๆ คือ
AI ไม่ได้อ่านหนังสือเพื่อขายหนังสือเล่มนั้นใหม่ แต่เอาหนังสือจำนวนมหาศาลมาเป็นวัตถุดิบในการสร้างระบบใหม่
นี่คือแกนกฎหมายที่ DOJ กำลังผลักดัน
AI Training กับ AI Output ต้องแยกกันอย่างไร
AI Training คือช่วงที่ระบบนำข้อมูลเข้าไปใช้สำหรับสร้างหรือปรับโมเดล
AI Output คือสิ่งที่โมเดลตอบกลับมาหลังจากนั้น
สองเรื่องนี้ไม่ใช่เรื่องเดียวกัน
Training
ข้อมูล → Dataset → Model
Output
ผู้ใช้ถาม → Model → คำตอบ / ภาพ / ข้อความDOJ จึงเสนอให้ศาลอย่าเอาข้อกล่าวหาว่า AI อาจสร้าง Output ที่ละเมิดลิขสิทธิ์ มาใช้ตัดสินการฝึกโมเดลทุกกรณีโดยอัตโนมัติ
จุดนี้สำคัญมากสำหรับธุรกิจไทยด้วย
บริษัทอาจใช้ AI Model จากต่างประเทศ โดยไม่เคยสร้าง Dataset เอง แต่เมื่อบริษัทนำ Output ไปเผยแพร่ ขาย หรือใช้เป็นส่วนหนึ่งของผลิตภัณฑ์ ปัญหาทางกฎหมายก็อาจเปลี่ยนไปอีกชุดหนึ่ง
ดังนั้น การตรวจ AI Compliance ไม่ควรถามแค่
“บริษัทใช้ AI ตัวไหน?”
แต่ควรถามว่า
“AI ตัวนี้ได้ข้อมูลมาอย่างไร และบริษัทกำลังนำ Output ไปทำอะไร?”
แล้วประเทศไทยใช้ Fair Use แบบสหรัฐฯ หรือไม่
ประเทศไทยมีกฎหมายลิขสิทธิ์และมีข้อยกเว้นการละเมิดลิขสิทธิ์ แต่ไม่ใช่ Fair Use แบบกว้างตามกฎหมายสหรัฐฯ มาตรา 107
มาตรา 32 ของพระราชบัญญัติลิขสิทธิ์ พ.ศ. 2537 วางเงื่อนไขสำคัญว่าการใช้ต้องไม่ขัดต่อการแสวงหาประโยชน์ตามปกติของเจ้าของลิขสิทธิ์ และต้องไม่กระทบสิทธิของเจ้าของเกินสมควร พร้อมกำหนดกรณีการใช้บางประเภทไว้โดยเฉพาะ
ตัวอย่างที่กฎหมายไทยระบุ ได้แก่ การวิจัยหรือศึกษาที่ไม่แสวงหากำไร การใช้เพื่อประโยชน์ส่วนตัว การติชมวิจารณ์ การรายงานข่าวโดยรับรู้ความเป็นเจ้าของลิขสิทธิ์ และกรณีอื่นที่กฎหมายกำหนด
นั่นทำให้เกิดคำถามสำคัญกับ AI Training
การนำบทความหลายล้านชิ้นไปทำ Dataset เพื่อฝึกโมเดลเชิงพาณิชย์ จะเข้าข้อยกเว้นใดของกฎหมายไทยหรือไม่?
ตอนนี้ไม่ควรตอบด้วยคำว่า “Fair Use” แบบสหรัฐฯ แล้วจบเรื่อง
Tilleke & Gibbins ระบุว่าประเทศไทยยังไม่มีข้อยกเว้น Fair Use แบบกว้างเช่นสหรัฐฯ และความไม่ชัดเจนนี้เป็นความเสี่ยงสำคัญสำหรับผู้พัฒนา AI ที่ใช้ข้อมูลจากบุคคลอื่นเพื่อ Training หรือ Scraping
ผลกระทบต่อประเทศไทยคืออะไร
สำหรับธุรกิจไทย ข่าวจากสหรัฐฯ มีทั้งด้านบวกและด้านที่ต้องระวัง
ด้านบวกคือ หากแนวคิดที่สนับสนุน AI Training ได้รับการยอมรับมากขึ้นทั่วโลก ต้นทุนในการสร้างโมเดลอาจไม่ถูกล็อกไว้กับบริษัทเทคโนโลยีขนาดใหญ่เพียงไม่กี่ราย DOJ เองให้เหตุผลว่าหาก AI Training ต้องจ่ายค่าใบอนุญาตกับเนื้อหาทั้งหมดในระดับที่สูงมาก บริษัทขนาดเล็กอาจไม่มีเงินพอเข้าแข่งขัน และตลาดอาจกลับไปผูกอยู่กับผู้เล่นรายใหญ่
แต่ฝั่งประเทศไทยยังมีปัญหาอีกชั้นหนึ่ง
สมมติบริษัทไทยซื้อโมเดลจากต่างประเทศ แล้วผู้ขายบอกว่า Training Data ของโมเดลผ่าน Fair Use ตามกฎหมายสหรัฐฯ แล้ว
ประโยคนั้นไม่ได้ตอบคำถามทั้งหมดของบริษัทไทย
เพราะบริษัทไทยยังต้องรู้ว่า Dataset มาจากไหน ถูกนำไปคัดลอกอย่างไร ใช้สิทธิภายใต้กฎหมายประเทศใด และการนำโมเดลหรือข้อมูลนั้นมาใช้ในไทยมีประเด็นตามกฎหมายไทยอย่างไร
เรื่องนี้ยิ่งสำคัญสำหรับบริษัทที่ทำ Web Scraping, Search, Data Analytics, AI Agent และ Knowledge Platform เพราะการเข้าถึงข้อมูลที่เปิดให้อ่านบนเว็บไซต์ ไม่ได้แปลว่าทุกอย่างในหน้านั้นสามารถถูกทำสำเนาและนำไปใช้ต่อได้โดยไม่มีข้อจำกัด Tilleke & Gibbins เตือนว่าการ Scraping เนื้อหาที่มีลิขสิทธิ์อาจก่อปัญหาได้ และการทำงานข้ามประเทศทำให้การประเมินสิทธิซับซ้อนขึ้นอีก
อีกจุดที่ผู้บริหารมักมองข้ามคือ “การเปลี่ยนผู้ให้บริการ”
บริษัทไทยอาจเริ่มจาก AI Model ของบริษัท A แล้วเปลี่ยนไปบริษัท B ในภายหลัง หากไม่มีการตรวจสัญญาและแหล่งที่มาของข้อมูลตั้งแต่ต้น บริษัทอาจตอบคำถามไม่ได้ว่า Dataset ที่ใช้กับระบบของตัวเองมีสิทธิประเภทใด
ดังนั้น ข่าว DOJ จึงไม่ควรถูกอ่านว่า “AI ชนะลิขสิทธิ์แล้ว”
ควรอ่านว่า
สหรัฐฯ กำลังผลักให้ศาลตอบคำถามใหม่ว่า การเรียนรู้ของ AI แตกต่างจากการนำเนื้อหาไปใช้ซ้ำอย่างไร
และประเทศไทยยังต้องตอบคำถามของตัวเองต่อไป
AI Training Copyright ไทยต้องระวังเรื่องอะไรเป็นพิเศษ
บริษัทไทยควรมองข้อมูลสำหรับ AI เป็นห่วงโซ่ ไม่ใช่แค่ไฟล์ Dataset ก้อนเดียว
แหล่งข้อมูล
↓
การเก็บข้อมูล / Scraping
↓
การทำสำเนา
↓
การจัดเก็บ Dataset
↓
การฝึก / Fine-tune
↓
Model
↓
Output
↓
การขายหรือใช้งานจริงแต่ละขั้นอาจมีประเด็นทางกฎหมายคนละเรื่อง
ตัวอย่างเช่น บริษัทหนึ่งอาจไม่ได้มีปัญหาที่ตัว Model แต่มีปัญหาที่วิธีสร้าง Dataset
อีกบริษัทหนึ่งอาจมีสิทธิใช้ Dataset ถูกต้อง แต่กลับมีปัญหาจาก Output ที่นำไปเผยแพร่
นี่เป็นเหตุผลที่การทำ AI Governance ที่ดีต้องตาม “ที่มาของข้อมูล” ให้ได้ ไม่ใช่ดูเฉพาะว่า AI สร้างคำตอบได้ดีแค่ไหน
ธุรกิจไทยควรทำอะไรกับ Dataset และ AI Training
สิ่งแรกคือทำบัญชีข้อมูลสำหรับ AI ให้รู้ว่าแต่ละ Dataset มาจากไหน
ไม่จำเป็นต้องเริ่มด้วยระบบราคาแพง แค่ตอบคำถามพื้นฐานเหล่านี้ให้ได้
1. ข้อมูลนี้มาจากใคร?
2. เราได้ข้อมูลมาอย่างไร?
3. มีใบอนุญาตหรือเงื่อนไขการใช้งานหรือไม่?
4. เรานำข้อมูลไป Training หรือ Fine-tune หรือไม่?
5. Model หรือ Output ถูกนำไปขาย ใช้กับลูกค้า หรือเผยแพร่หรือไม่?จากนั้นแยกข้อมูลออกเป็นกลุ่ม
ข้อมูลที่มีสิทธิชัดเจน
เช่น ข้อมูลที่บริษัทสร้างเอง หรือข้อมูลที่มีสัญญาอนุญาตชัดเจน
ข้อมูลที่ต้องตรวจเพิ่ม
เช่น ข้อมูลจากเว็บไซต์ภายนอก ข้อมูลจากฐานข้อมูลของคู่ค้า หรือ Dataset ที่ได้รับต่อจากผู้ให้บริการ
ข้อมูลที่ไม่ควรใช้จนกว่าจะตรวจสิทธิ
เช่น Dataset ที่ไม่ทราบที่มา หรือข้อมูลที่ถูกนำมาจากแหล่งละเมิดโดยไม่สามารถตรวจสอบสิทธิได้
Sterne Kessler ยังชี้ให้เจ้าของเนื้อหาทบทวนสัญญา รูปแบบการเผยแพร่ และระบบจัดการข้อมูลลิขสิทธิ์ เพราะแม้แนวทาง Fair Use สำหรับ Training จะขยายตัว แต่ข้อเรียกร้องทางกฎหมายอื่นอาจยังมีบทบาทอยู่
คำถามที่คนทำ AI ในไทยถามบ่อย
AI Training ใช้ข้อมูลจากเว็บไซต์ได้หรือไม่
ไม่ควรตอบว่า “ได้” หรือ “ไม่ได้” โดยไม่ดูข้อมูลและวิธีใช้งาน เพราะเว็บไซต์ที่เปิดให้คนอ่านไม่ได้แปลว่าทุกส่วนได้รับอนุญาตให้คัดลอก ทำ Dataset หรือใช้ฝึก AI ได้โดยอัตโนมัติ กฎหมายไทยต้องพิจารณาสิทธิ ข้อยกเว้น และลักษณะการใช้งานเป็นกรณีไป
Fair Use ของสหรัฐฯ ใช้กับบริษัทไทยได้หรือไม่
โดยหลักไม่ควรนำ Fair Use ของสหรัฐฯ มาใช้เป็นคำตอบแทนกฎหมายไทย เพราะ Fair Use ตาม 17 U.S.C. §107 เป็นหลักของกฎหมายสหรัฐฯ ส่วนกฎหมายไทยมีข้อยกเว้นลิขสิทธิ์และเงื่อนไขของตัวเอง
AI Training กับ AI Output เป็นเรื่องเดียวกันหรือไม่
ไม่ใช่เรื่องเดียวกัน การ Training คือการใช้ข้อมูลเพื่อสร้างหรือปรับโมเดล ส่วน Output คือสิ่งที่โมเดลสร้างหลังจากนั้น ประเด็นลิขสิทธิ์ของสองขั้นตอนนี้อาจต้องวิเคราะห์แยกกัน
บริษัทไทยซื้อ AI Model จากต่างประเทศแล้วถือว่าปลอดภัยหรือไม่
ไม่ควรถือว่าปลอดภัยโดยอัตโนมัติ บริษัทควรตรวจสัญญา เงื่อนไขการใช้ข้อมูล แหล่งที่มาของ Dataset และข้อจำกัดของผู้ให้บริการ รวมถึงประเมินว่าการนำ Model มาใช้งานในไทยมีประเด็นทางกฎหมายใดเพิ่มเติมหรือไม่
สิ่งที่ควรทำต่อ
1. ทำ Data Inventory สำหรับ AI
รู้ให้ได้ว่า Dataset ทุกชุดมาจากไหน ใครเป็นเจ้าของ และบริษัทได้สิทธิมาอย่างไร
2. แยก Training Risk ออกจาก Output Risk
อย่ารวมสองเรื่องนี้เป็นปัญหาเดียว เพราะเหตุทางกฎหมายอาจไม่เหมือนกัน
3. ตรวจสัญญาผู้ให้บริการ AI
อย่าดูแค่ราคา Token หรือความสามารถของ Model ต้องดูเงื่อนไขเรื่องข้อมูล การ Training การนำ Input/Output ไปใช้ และความรับผิดด้วย
4. หยุดใช้ Dataset ที่ไม่รู้แหล่งที่มา
ข้อมูลที่ราคาถูกที่สุดอาจกลายเป็นข้อมูลที่แพงที่สุด หากไม่สามารถพิสูจน์สิทธิย้อนหลังได้
5. ติดตามกฎหมายไทยแยกจากกฎหมายสหรัฐฯ
ข่าวจากสหรัฐฯ เป็นตัวบ่งชี้ทิศทางของโลก แต่ไม่ใช่คำตอบแทนกฎหมายไทย
มุมมองผู้เชี่ยวชาญ
“อย่าเอาคำว่า Fair Use มาเป็นใบอนุญาตให้ AI ของเรา ปัญหาจริงอยู่ที่ข้อมูลมาจากไหน เรามีสิทธิใช้หรือไม่ และกำลังเอาไปใช้ที่ไหน กฎหมายสหรัฐฯ กำลังเดินไปทางหนึ่ง แต่ธุรกิจไทยต้องตอบโจทย์กฎหมายไทยของตัวเอง”
— Phuwara Krobtaku —
LL.M. (IP & IT) | M.S. (IT) | Thai Barrister & Attorney-at-Law
แหล่งอ้างอิง
Techdirt — The DOJ’s AI Fair Use Brief Is Correct, But From A DOJ That Has No Credibility
เปิดบทความ Techdirt
Sterne, Kessler, Goldstein & Fox — IP Hot Topic: The DOJ Chimes in on Fair Use and AI
เปิดบทวิเคราะห์ Sterne Kessler
Tilleke & Gibbins — AI Model Training and Copyright in Thailand: Key Challenges and Potential Solutions
เปิดบทวิเคราะห์กฎหมายไทยของ Tilleke & Gibbins
WIPO — Copyright Act B.E. 2537 (1994), Thailand
เปิดตัวบทกฎหมายผ่าน WIPO Lex
Cornell Legal Information Institute — Fair Use / 17 U.S.C. §107 และคำพิพากษาศาลสูงสหรัฐฯ
เปิดแหล่งอ้างอิง Cornell LII
YMYL Disclaimer
บทความนี้เป็นการสรุปข่าวและให้ข้อมูลทั่วไป ไม่ใช่คำแนะนำทางกฎหมาย
หากต้องการคำปรึกษาเฉพาะกรณีของธุรกิจคุณ ควรปรึกษาผู้เชี่ยวชาญ
