在2019年，我曾写过关于在机械许可集体（MLC）启动前需要数据卫生的问题。我的观点很简单：如果音乐出版商想在一个更依赖数据的环境中有效运作，他们必须认真对待信息的质量、一致性和可访问性。七年后的今天，出版商们最突出的一个问题是：我们如何利用AI？对于许多音乐出版商来说，AI确实可以派上用场。但过多的组织开始的地方是错误的。他们首先询问哪个供应商可用，测试哪个模型或多快能部署新工具。这些都不是正确的问题。真正的起点更简单：我们到底想修复什么？相关内容：对于大多数音乐出版商来说，真正的障碍并不是与技术相关的问题，而是碎片化——这是他们在2019年时面临的同样问题。简单地在任何问题上投入更多技术通常并不能解决问题。实际上，当系统、工作流程和职责不协调时，AI工具不仅不会创造明确性，反而会加剧不一致，突出矛盾，并使弱基础变得更加明显。根据我的经验，三个结构瓶颈通常会出现。身份：我们谈论的是什么作品？这听起来很基础，但实际上通常并非如此。同一作品、录音或作家可能在不同系统中以多种标识符存在。标题可能不同，名字可能格式化不同，元数据在一个地方可能不完整而在另一个地方可能重复。当情况如此时，即使是简单的匹配也变得比应该的更困难。逻辑：版权计算通常不仅仅是公式。它们是合同条款、政策决定、历史例外、操作性解决方案和制度记忆的累积。其中一些逻辑存在于软件中，另一些存在于文档中，还有一些仅存在于多年维持系统的人的头脑中。如果出版商无法清晰解释一个规则如何应用，他们不应期望AI层能可靠地应用该规则。血统：在出版中，信任依赖于能够回答一个基本问题：我们是如何得到这个数字的？当版权付款看起来有误，当两个系统产生冲突的输出，或者当领导希望相信一个推荐可以被验证时，这个问题变得至关重要。如果从源数据到报告结果的路径无法追溯，AI只会加剧问题。要使音乐版权基础设施实现自动化，首先必须能够解释。相关信息：对AI的信任及其有效性不是来自演示的令人印象深刻程度，而是取决于公司内部是否有人能跟踪从数据到结果的路径，并理解每一步发生了什么。AI系统的智能程度将取决于它们所运行的结构。你准备好了吗？为了帮助识别和修复这些瓶颈，我常常建议出版商先进行外部的AI准备评估，而不是直接跳入实施。外部评审能够从任何组织内部随时间发展而产生的假设中保持有用的距离，并有助于揭示系统如何相互矛盾、职责不明确以及业务所隐藏的操作风险。它使隐性变为显性。一个好的评估并不是要减缓创新的步伐，而是要更早作出更好的决定。它应该澄清工作如何实际在组织中流动，关键数据居住在哪里，哪些依赖关系脆弱，哪些使用案例值得优先追求。这个过程应始终包括利益相关者访谈、对数据质量和系统碎片化的审查，以及对AI可能有帮助的地方与可能创造更多复杂性而非价值的地方的实际分析。目标不是一个理论性的AI战略方案，而是一个可以立即采取行动的扎实的12到18个月的路线图。这可能听起来不如购买新工具那么令人兴奋，但避免错误的AI投资往往比找到合适的投资更有价值，即使是在几周之前。音乐行业不需要更多的AI表演，而是需要更多的操作明确性。从AI中受益最大的出版商不一定是那些最早行动的，而是那些花时间理解自己的系统、协调工作流程并建立一个可以信任的智能环境的出版商。AI绝对可以在出版中创造价值，但前提是出版商知道他们需要技术做什么。盖·巴拉什是Dotted Eighth LLC的创始人兼首席执行官，一家在音乐、数据和新兴技术交叉点工作的精品技术咨询公司。在这个角色中，他为音乐组织、科技公司、初创企业和其他服务音乐行业的组织提供数据和技术方面的咨询，这些数据和技术为音乐版权提供支持。