OpenAI, Google, Microsoft và Anthropic cùng ủng hộ chuẩn mới giúp nhà xuất bản từ chối bị AI thu thập dữ liệu

Trong một bước đi được giới công nghệ chờ đợi từ lâu, bốn cái tên lớn nhất của ngành trí tuệ nhân tạo là OpenAI, Google, Microsoft và Anthropic đã cam kết áp dụng một chuẩn kỹ thuật mới, cho phép các nhà xuất bản nội dung từ chối việc bị thu thập dữ liệu (scraping) để huấn luyện AI. Thông tin được trang Search Engine Roundtable đưa ra trước tiên.

Minh họa AI và dữ liệu

Điểm cốt lõi của sáng kiến này là một tín hiệu dùng chung gọi là "policy token" (mã thông báo chính sách). Thay vì phải khai báo tùy chọn huấn luyện AI riêng cho từng công ty, nhà xuất bản chỉ cần đặt tín hiệu này một lần là các hãng AI đều có thể đọc được và tuân thủ.

Cơ chế hoạt động ra sao?

Tín hiệu policy token được đề xuất bởi Kevin Kelley, chuyên gia phụ trách tiêu chuẩn kỹ thuật tại Anthropic, trong khuôn khổ IETF (Internet Engineering Task Force) — tổ chức đứng sau nhiều chuẩn nền tảng của internet.

Tín hiệu này sẽ "sống" bên trong tệp robots.txt — tệp vốn đã được dùng từ lâu để báo cho các trình thu thập dữ liệu (crawler) biết trang web nào được phép hoặc không được phép truy cập, dù là để lập chỉ mục tìm kiếm, lưu trữ hay huấn luyện AI.

Hiện nay, mỗi trang web phải khai báo tùy chọn huấn luyện AI một cách riêng lẻ với từng công ty AI. Chuẩn mới giúp gom tất cả về một chỗ.

Theo cam kết, bốn hãng sẽ chặn crawler AI của mình truy cập vào một trang web nếu phát hiện tín hiệu dùng chung này. Tuy nhiên, Microsoft cho biết sẽ cung cấp thêm các tùy chọn chi tiết hơn, cho phép nhà xuất bản từ chối riêng việc huấn luyện AI hoặc "AI grounding" — quá trình trỏ mô hình AI tới một nguồn thông tin đã được xác thực nhằm giảm hiện tượng ảo giác (hallucination). Microsoft cũng nhấn mạnh rằng website vẫn sẽ xuất hiện trong kết quả tìm kiếm của Bing bất kể tùy chọn của họ là gì.

Lộ trình triển khai

Tiến độ áp dụng của các hãng không đồng đều:

• Anthropic đã áp dụng tín hiệu này ngay từ đầu.
• Google và Microsoft dự kiến hỗ trợ trong năm tới.
• OpenAI cho biết sẽ triển khai trong "những tháng tới".

Bối cảnh: cuộc chiến giữa nhà xuất bản và crawler AI

Thông báo này ra đời trong bối cảnh các nhà xuất bản đang chật vật đối phó với làn sóng crawler AI ồ ạt thu thập nội dung để đưa vào mô hình. Một số tổ chức đã tìm cách chống lại việc thu thập trái phép, chẳng hạn:

• Chuẩn RSL (Really Simple Licensing) cho phép nhà xuất bản thu phí các crawler ghé thăm trang của mình.
• Cloudflare mặc định chặn các crawler AI.

Với chuẩn mới, các nhà xuất bản có thêm một công cụ pháp lý lẫn kỹ thuật để kiểm soát dữ liệu của mình. Đây được xem là bước tiến quan trọng trong việc cân bằng lại quyền lợi giữa những người tạo nội dung và các công ty phát triển AI.

Ý nghĩa với thị trường Việt Nam

Đối với các trang tin, blog công nghệ và nhà xuất bản nội dung tại Việt Nam, chuẩn policy token hứa hẹn mang lại cách thức đơn giản hơn để bảo vệ nội dung trước các bot thu thập dữ liệu. Khi các hãng AI lớn cùng tuân thủ một giao ước chung, việc cấu hình trên tệp robots.txt sẽ trở thành lá chắn hiệu quả và dễ tiếp cận hơn cho cả các đơn vị nội dung quy mô nhỏ.

Dù vậy, câu hỏi lớn vẫn là mức độ thực thi thực tế: liệu các crawler có thực sự tôn trọng tín hiệu này một cách nhất quán, và liệu cơ chế có đủ mạnh để ngăn chặn những bên cố tình phớt lờ hay không. Thời gian sẽ trả lời khi Google và Microsoft chính thức triển khai trong năm tới.