2026年8月2日まで約1ヶ月となりました。この日、欧州AI法は「紙の」規制から脱却し、実際の罰則権限を持つことになります。 データを収集するすべての人々にとって、ビッグモデルのトレーニングから単純な価格監視まで、これは重要な境界線であり、機械可読のデータ収集禁止が初めて著作権の重みを持ち、AIモデルの提供者は何を学習したかを開示する義務があります。具体的に何が変わるのか、誰に影響があるのかを見ていきましょう。
2026年8月2日に含まれる内容
EU AI法は段階的に導入されました。禁止された実践は2025年2月に適用されなくなり、一般目的AI（GPAI）のモデル提供者に対する義務は2025年8月2日に正式に発効しました。しかし、2026年8月2日には規制が完全に適用されることになります：高リスクシステムに対する要件が含まれ、重要なことに、規制当局はGPAIの義務違反に対して罰金を科す権限を持つようになります。
罰金の額は次のようになります：
- 最大3500万ユーロまたは世界売上の7% — 禁止された実践に対して（それ以上）；
- 最大1500万ユーロまたは世界売上の3% — 高リスクシステムおよびGPAIの義務違反に対して；
- 最大750万ユーロまたは売上の1% — 規制当局に虚偽の情報を提供した場合。
この規制は領域外に適用されます：モデルがEU市場に展開される場合、提供者の所在地に関係なく義務が適用されます。アメリカやアジアのAI企業がその製品をヨーロッパ人に提供する場合、同じルールが適用されます。
GPAIの提供者が行うべきこと
主な義務は3つあり、そのうち2つはデータ収集に直接関連しています：
- 技術文書 — モデルのアーキテクチャ、方法論、学習リソースの説明で、監視機関や下位の開発者に提供されます。
- 学習データの公開要約 — 提供者は、モデルが学習したコンテンツの「十分に詳細な」説明を、AIオフィスが発行するテンプレートに従って公開する義務があります。これは、モデル開発者がデータソースについて公に報告することを初めて義務付ける試みです。
- 著作権遵守ポリシー — 提供者は、著作権指令2019/790第4条に基づくテキストおよびデータマイニング（TDM）からの拒否メカニズムを尊重する義務があります。機械可読の信号を含みます。
システムリスクのあるモデル（学習閾値10^25 FLOPs）には、逆テストとインシデント報告の義務が追加されます。市場に既存のモデルには猶予が与えられ、2027年8月2日までに完全に適合させる必要があります。
robots.txtが著作権の「重み」を持つ
データ収集業界にとっての主な変更は、著作権要件に隠されています。以前は、robots.txtファイルは紳士協定でした：無視することはサイトのルールに違反しますが、それ自体は法律違反とは見なされませんでした。今や、著作権指令2019/790第4条の傘の下で、機械可読の権利留保 — robots.txt、標準として登場するai.txt、TDMマークは著作権の重みを持つようになります。データマイニングを機械可読の形で拒否した権利者は、実質的に著作権によってそのコンテンツの学習への使用から保護されます。
これらの信号を標準化するために、欧州委員会は権利留保プロトコルに関する相談を開始しました。目標は、「業界の状態」として認識され、著作権者によって広く受け入れられる機械可読フォーマットについて合意することです。言い換えれば、EUはAI学習のためのスクレイピング拒否の法的に有意義な言語を構築しています。
文脈：プラットフォームはすでに攻撃に転じている
この規制は、すでに激化している市場に影響を与えます。2025年7月、Cloudflareは、約20%のウェブを保護し、すべての新しいドメインに対してデフォルトでAIクローラーをブロックする最初のインフラプロバイダーとなりました。サイトの所有者は、特定のボットを明示的に許可する必要があります。2025年8月までに、250万以上のサイトが自分のコンテンツをAIの学習に使用することを完全に禁止しました；GPTBotだけで約19%のサイトがブロックされています。最もブロックされているクローラーには、GPTBot、ClaudeBot、CCBot、Google-Extended、Bytespiderが含まれます。
その一方で、ギャップは非常に大きいです。Cloudflareのデータによれば、AIボットはネットワークのトップ100万のリソースの約39%にアクセスしていますが、そのうち実際に2.98%がそのようなリクエストをブロックまたは挑戦しています。同時に、CloudflareはPay Per Crawlモデルを開始しました — サイトはボットに「402 Payment Required」と応答し、AI企業はアクセスのために支払います。データ収集は無料の「すべて許可」から価格のある市場へと変わります。
法的フロントも遅れを取っていません。RedditはPerplexity AIおよび関連するデータ収集者やプロキシプロバイダー（SerpApi、Oxylabs、AWMProxy）に対して訴訟を提起し、その主な弁護士は対立の本質を厳しく表現しました：「AI企業は質の高い人間のコンテンツを求める武器競争に閉じ込められており、この圧力がデータ洗浄の産業規模の経済を生み出しました」。同時に、RedditはOpenAIおよびGoogleとライセンス契約を結びました — つまり、データは支払う者に販売され、無償で取得する者は追及されます。LinkedInは別の訴訟で、ProAPIsが約100万の偽アカウントを作成し、プロフィールを月額15,000ドルで再販していると非難しました。
データ収集者にとっての意味
第一に、そして最も重要なことは — パニックにならないことです。EU AI法はウェブスクレイピングを禁止するものではなく、公開データの収集を犯罪にするものではありません。この規制は、AIモデルの提供者と高リスクシステムをターゲットにしています。競合の価格を監視したり、SEO分析のためにデータを収集したり、検索結果をチェックしたり、公開レビューを集約したりしている場合、あなたは「GPAIの提供者」にはならず、新しい義務に直接該当しません。
実際に影響を受ける人々
影響を受けるのは、収集したデータで大規模なモデルをトレーニングまたは再トレーニングし、EU市場に展開する人々です。彼らにとって、学習データの要約を公開し、TDMの拒否を尊重することが法的義務となり、実際の罰金が科されます。あなたのスクレイピングがモデルの学習パイプラインの一部である場合、ソースを文書化し、機械可読の禁止を遵守する必要があります。
データを適切に収集する方法
第二の効果は間接的ですが、すべての人に影響を与えます。機械可読の拒否がより多くの法的重みを持ち、プラットフォームが自動トラフィックをブロックすることがより攻撃的になるほど、データ収集の基準が高くなります。実践的な結論：
- robots.txtおよびTDMマークを読み、意識的な決定を下してください。 機械可読の拒否を無視することは、単なる禁止のリスクだけでなく、特にデータがモデルの学習に使用される場合、潜在的な著作権の問題を引き起こします。
- タスクを分けてください。 公開された事実（価格、在庫、評価）を収集することと、著作権で保護されたコンテンツを学習のためにコピーすることは、法的に異なる事柄です。それらを混同しないようにプロセスを構築してください。
- 負荷を最小限に抑え、誤解を招くような形で生きたユーザーを装わないでください。 LinkedInの100万の偽アカウントの話は、「グレー」な手法が訴訟に発展する明確な例です。
- 合法的なアクセスインフラを使用してください。 データ収集が分散して実際のユーザーIPから行われる場合、特定のノードへの負荷が少なく、単一のデータセンターからの攻撃のようには見えません。レジデンシャルプロキシは、通常のユーザーと区別がつかないトラフィックを提供し、高負荷のタスクには、最大の「人間らしさ」が必要ない場合は、より高速なデータセンタープロキシが適しています。
トラフィックの全体像についても考慮する必要があります：私たちはすでに、ボットが初めて人間をインターネットトラフィックで追い越したことを検討しました — この変化がプラットフォームを閉じさせる原因です。そして、特定のプラットフォームでの実務作業には、私たちの安全なX（Twitter）スクレイピングガイドが役立ちます：同じ原則 — 制限を尊重し、リクエストを分散させ、信頼できるIPを使用する — は新しい規制の現実でも有効です。
結論
2026年8月2日は「スクレイピングの終わり」ではなく、データ収集が二つの道に完全に分かれるポイントです。文書化され、機械可読の拒否を尊重し、公開データを扱うことがノルマとなり、保護となります。隠れた、明示的な禁止を回避し、モデルの学習のためにユーザーのふりをすることは、1500万ユーロまたは売上の3%の罰金やプラットフォームからの訴訟のリスクにさらされます。EU AI法は扉を閉じるのではなく、データ収集を「野生のフィールド」から、ルールがついに価値を持つモードに移行させます。そして、プロセスを事前に再構築する人々が勝利します。