Οι Chase & Status δεν αντιμετωπίζουν την τεχνητή νοημοσύνη ως μηχανή που πρόκειται να εξαφανίσει τους μουσικούς. Η ανησυχία τους είναι πιο πεζή και, ίσως, πιο ουσιαστική: ότι τα εύκολα εργαλεία, οι αλγοριθμικές πλατφόρμες και η διαρκής πίεση για γρήγορη παραγωγή μπορούν να εκπαιδεύσουν δημιουργούς και κοινό να αποδέχονται το γνώριμο. Σε νέα συνέντευξή τους στο Reuters[1], με αφορμή το άλμπουμ «Generic Everything», οι Saul Milton και Will Kennard περιγράφουν ως μεγαλύτερο κίνδυνο όχι την ύπαρξη της τεχνολογίας, αλλά την ανθρώπινη παραίτηση από την προσπάθεια και την προσωπική ματιά.
Η θέση τους δεν αποτελεί επιστημονική απόδειξη. Είναι, όμως, ένα χρήσιμο σημείο εκκίνησης για μια δύσκολη διάκριση: άλλο η ποιότητα ενός μεμονωμένου έργου που δημιουργήθηκε με βοήθεια τεχνητής νοημοσύνης και άλλο η ποικιλία ολόκληρου του πολιτιστικού πεδίου όταν εκατομμύρια άνθρωποι χρησιμοποιούν τα ίδια μοντέλα, τις ίδιες διεπαφές και τις ίδιες πλατφόρμες διανομής. Η τεχνητή νοημοσύνη μπορεί να βοηθήσει έναν δημιουργό να παράγει κάτι πιο ολοκληρωμένο, ενώ ταυτόχρονα να σπρώχνει το σύνολο των αποτελεσμάτων προς μεγαλύτερη ομοιότητα.
Μικρό αποτέλεσμα, μεγάλη συλλογική συνέπεια
Μια μετα-ανάλυση 19 μελετών για τη δημιουργική συνεργασία ανθρώπων και παραγωγικής τεχνητής νοημοσύνης[2] δίνει εμπειρικό βάρος σε αυτή την ανησυχία. Οι Alwin de Rooij και Michael Mose Biskjaer εξέτασαν 61 μετρήσεις και βρήκαν μικρή αλλά στατιστικά σημαντική τάση προς πιο ομοιογενή αποτελέσματα, με μέγεθος επίδρασης d=0,334. Οι συγγραφείς επισημαίνουν ότι η βοήθεια από παραγωγικά μοντέλα μπορεί να βελτιώνει την απόδοση του ατόμου, αλλά η ευρεία χρήση της συνδέεται με μειωμένη ποικιλία στο επίπεδο της ομάδας.
Το εύρημα χρειάζεται προσοχή. Η μετα-ανάλυση αφορά διαφορετικές μορφές δημιουργικής παραγωγής και δεν αποδεικνύει ότι κάθε μουσικό εργαλείο τεχνητής νοημοσύνης κάνει τα τραγούδια ίδια. Δείχνει, όμως, έναν πιθανό μηχανισμό. Τα μοντέλα προτείνουν λύσεις από τις πιθανότητες που έχουν μάθει στα δεδομένα εκπαίδευσης. Όταν πολλοί χρήστες ξεκινούν από παρόμοιες προτροπές και αποδέχονται τις πρώτες πειστικές απαντήσεις, τα αποτελέσματα μπορεί να συγκλίνουν. Η διευκόλυνση γίνεται τότε αισθητική δύναμη: ό,τι παράγεται γρηγορότερα και ακούγεται αμέσως οικείο έχει μεγαλύτερη πιθανότητα να ολοκληρωθεί, να ανέβει και να προωθηθεί.
Η πλημμύρα προσφοράς δεν είναι ακόμη πολιτιστική κυριαρχία
Τα στοιχεία της Deezer δείχνουν πόσο γρήγορα μεγαλώνει η προσφορά, αλλά και γιατί δεν πρέπει να συγχέεται με τη ζήτηση. Σύμφωνα με ανακοίνωση της πλατφόρμας τον Ιούλιο[3], τα πλήρως παραγόμενα από τεχνητή νοημοσύνη κομμάτια ξεπέρασαν το 50% των ημερήσιων μεταφορτώσεων σε περίοδο αιχμής, περίπου 90.000 αρχεία την ημέρα. Παρ' όλα αυτά, αντιστοιχούσαν μόνο στο 1% έως 3% των ακροάσεων. Η εταιρεία ανέφερε επίσης ότι έως και το 85% των ακροάσεων αυτών των κομματιών το 2025 ήταν δόλιες και δήλωσε ότι τα εξαιρεί από τις αλγοριθμικές και συντακτικές συστάσεις της.
Πρόκειται για στοιχεία μιας εταιρείας, όχι για ανεξάρτητη απογραφή ολόκληρης της αγοράς streaming. Ωστόσο, φωτίζουν μια κρίσιμη διαφορά. Η τεχνητή νοημοσύνη έχει ήδη μειώσει δραστικά το κόστος παραγωγής και μεταφόρτωσης, αλλά δεν έχει μετατρέψει αυτόματα την αφθονία σε πραγματική πολιτιστική επιρροή. Το άμεσο πρόβλημα για τις πλατφόρμες είναι η διαχείριση τεράστιου όγκου, η ανίχνευση απάτης και η διατήρηση της αξιοπιστίας των συστάσεων. Για τους ανθρώπινους δημιουργούς, το πρόβλημα είναι η ορατότητα μέσα σε έναν κατάλογο που διογκώνεται χωρίς ανάλογη αύξηση της ανθρώπινης προσοχής.
Αυτό ακριβώς συνδέει την παραγωγή με τη διανομή. Ένα μοντέλο μπορεί να παράγει μουσική που μοιάζει με ήδη επιτυχημένα μοτίβα. Ένα σύστημα συστάσεων μπορεί, χωριστά, να ανταμείβει κομμάτια που κρατούν τον ακροατή στην πλατφόρμα. Όταν τα δύο συστήματα συναντώνται, δημιουργείται ένας βρόχος: η μουσική φτιάχνεται ώστε να αναγνωρίζεται εύκολα, η εύκολη αναγνώριση βοηθά τη μέτρηση της απόδοσής της και τα δεδομένα απόδοσης επηρεάζουν την επόμενη παραγωγή. Η ομοιομορφία δεν προέρχεται μόνο από το μοντέλο. Προκύπτει από μια ολόκληρη οικονομία βελτιστοποίησης.
Η δημιουργία δεν βρίσκεται σε ένα μόνο σημείο
Μια πρόσφατη θεωρητική μελέτη στο περιοδικό AI & Society[4] προτείνει να βλέπουμε τη δημιουργικότητα στη μουσική τεχνητής νοημοσύνης ως κατανεμημένη διαδικασία. Στο αποτέλεσμα συμμετέχουν οι σχεδιαστές του μοντέλου, τα δεδομένα εκπαίδευσης, ο άνθρωπος που γράφει την προτροπή, εκείνος που επιλέγει και επεξεργάζεται την έξοδο, η πλατφόρμα που τη διανέμει και το κοινό που της αποδίδει νόημα. Αυτή η οπτική δυσκολεύει το απλό ερώτημα «άνθρωπος ή μηχανή», αλλά βοηθά να τοποθετηθούν η ευθύνη και η πολιτιστική ισχύς στα σωστά σημεία.
Αν η μουσική γίνεται πιο όμοια, δεν αρκεί να κατηγορηθούν οι χρήστες που πατούν ένα κουμπί. Χρειάζεται να εξεταστούν τα σύνολα δεδομένων, οι προεπιλογές των εργαλείων, οι τρόποι αμοιβής, η επιμέλεια των καταλόγων και τα κριτήρια των συστημάτων συστάσεων. Χρειάζεται επίσης να διακρίνεται η δημιουργική χρήση ενός εργαλείου από τη μαζική παραγωγή αρχείων που σχεδιάζονται κυρίως για να καταλάβουν χώρο ή να εκμεταλλευτούν το μοντέλο πληρωμών.
Οι ίδιοι οι Chase & Status δεν υιοθετούν μια αντιτεχνολογική θέση. Σε ξεχωριστή συνέντευξή τους στην Evening Standard[5], παρουσιάζουν το «Generic Everything» ως αντίδραση στη δημιουργική αδράνεια και στην αισθητική εξομάλυνση, όχι ως απόρριψη των ψηφιακών εργαλείων. Το επιχείρημά τους είναι ότι η ταυτότητα αποκτά μεγαλύτερη αξία όταν η τεχνικά επαρκής παραγωγή γίνεται φθηνότερη.
Το πραγματικό τεστ είναι η ποικιλία
Η συζήτηση για την τεχνητή νοημοσύνη στη μουσική συχνά μετρά πόσα κομμάτια παράγονται ή αν ο μέσος ακροατής μπορεί να ξεχωρίσει τον δημιουργό τους. Αυτά είναι χρήσιμα αλλά ανεπαρκή κριτήρια. Το ουσιαστικότερο τεστ είναι αν το οικοσύστημα επιτρέπει περισσότερες διαφορετικές φωνές να γίνουν ορατές ή αν μετατρέπει τη μείωση του κόστους σε περισσότερες παραλλαγές των ίδιων ασφαλών μοτίβων.
Για τις πλατφόρμες, αυτό σημαίνει ότι η διαφάνεια προέλευσης και η ανίχνευση απάτης πρέπει να συνοδεύονται από μετρήσεις πολιτιστικής ποικιλίας στις συστάσεις. Για τις δισκογραφικές και τους οργανισμούς συλλογικής διαχείρισης, σημαίνει κανόνες για συγκατάθεση, απόδοση και αμοιβή όταν έργα χρησιμοποιούνται στην εκπαίδευση. Για τους δημιουργούς, σημαίνει ότι η επιλογή, η επεξεργασία και η άρνηση της πρώτης εύκολης λύσης γίνονται μέρος της ίδιας της καλλιτεχνικής υπογραφής.
Η τεχνητή νοημοσύνη δεν χρειάζεται να αντικαταστήσει τους μουσικούς για να αλλάξει τη μουσική. Αρκεί να αλλάξει τι θεωρείται αρκετά καλό, αρκετά γρήγορο και αρκετά προβλέψιμο ώστε να περάσει από τα φίλτρα της πλατφόρμας. Η πρόκληση, επομένως, δεν είναι να διατηρηθεί η σπανιότητα της παραγωγής. Είναι να προστατευτεί η σπανιότητα της πραγματικής διαφοράς.
