Quest 51 - IP Risk Analyzer

Quest 51: IP Risk Analyzer

medium 25-30 minutes

---

🎯 Learning Objectives

• ✅ Understand IP risks specific to AI-generated code
• ✅ Build a license compatibility matrix for common open-source licenses
• ✅ Learn to identify copyright risk scenarios when using AI tools
• ✅ Create a decision framework for when to use AI-generated code safely

---

📖 Concept: AI-Generated Code and IP Risks — The Legal Minefield

AI coding tools เรียนรู้จาก code นับล้านๆ บรรทัด — รวมถึง code ที่มี license แตกต่างกัน คำถามสำคัญคือ: ถ้า AI generate code ที่คล้ายกับ copyrighted code ใครเป็นเจ้าของ? และคุณละเมิด license หรือไม่?

ปัญหาคือ: คุณไม่สามารถรู้ได้ว่า AI สร้าง code มาจาก training data ชิ้นไหน — และถ้า code ที่ AI generate มาคล้ายกับ GPL-licensed code คุณอาจต้อง open-source โค้ดของคุณเอง

Think of it like a chef who learned recipes from hundreds of restaurants: if they accidentally recreate someone’s signature dish, the original restaurant might sue. You need to know which recipes are safe to use and which come with strings attached.

---

⚙️ How It Works

Common License Types

License	Can Use Commercially?	Must Open Source?	Key Restriction
MIT	✅ Yes	❌ No	Must include license notice
Apache 2.0	✅ Yes	❌ No	Must state changes
GPL v3	✅ Yes	✅ Yes (if distributed)	Copyleft — derivative works must be GPL
LGPL	✅ Yes	✅ Only for LGPL parts	More permissive than GPL
AGPL	✅ Yes	✅ Yes (even SaaS)	Network copyleft

License Compatibility Matrix

MIT → ✅ Compatible with: Apache, BSD, ISC
GPL → ❌ Incompatible with: MIT, Apache (without open sourcing)
AGPL → ❌ Incompatible with: most commercial licenses
Apache 2.0 → ⚠️ Compatible with MIT, but patent clauses apply

AI-Specific IP Risk Scenarios

1. AI generates code similar to GPL-licensed code
   → Risk: You may need to open-source your entire project
   → Mitigation: Use code scanning tools, review AI output carefully

2. AI reproduces copyrighted API design
   → Risk: Oracle v. Google (API copyright is complex)
   → Mitigation: Document your design decisions independently

3. AI uses training data without proper attribution
   → Risk: Training data licensing is legally unsettled
   → Mitigation: Track which AI tools you use and their ToS

---

💡 Example: License Compatibility Analysis

## License Compatibility Matrix

| Your Project | + MIT Code | + Apache Code | + GPL Code | + AGPL Code |
| --- | --- | --- | --- | --- |
| MIT | ✅ Safe | ✅ Safe | ⚠️ Must GPL | ❌ Must AGPL |
| Apache | ✅ Safe | ✅ Safe | ⚠️ Must GPL | ❌ Must AGPL |
| GPL | ✅ Safe | ✅ Safe | ✅ Safe | ❌ Must AGPL |
| Proprietary | ✅ Safe | ✅ Safe | ❌ Can't use | ❌ Can't use |

## Decision Framework

Before using AI-generated code, ask:

1. **License Check**: What license does the AI tool's ToS specify?
2. **Code Provenance**: Can you trace where the code came from?
3. **Similarity Analysis**: Does the code match known licensed patterns?
4. **Commercial Impact**: Would using this code create legal liability?
5. **Attribution**: Do you need to credit any upstream sources?

Key insight: The decision framework helps you evaluate AI-generated code systematically, not just hope for the best.

---

⚠️ Common Mistakes

Mistake 1: Assuming AI-generated code is “original”

“AI created it, so it must be new” → AI generates code based on training data. It may reproduce patterns from copyrighted sources without attribution.

Mistake 2: Ignoring license compatibility

“MIT and GPL are both open source, so they’re compatible” → GPL requires derivative works to be GPL. Mixing GPL into a proprietary project forces you to open-source everything.

Mistake 3: Not reading AI tool’s Terms of Service

“I just use the tool, I don’t read the ToS” → AI tools have different IP policies. Some claim ownership of output, others grant you full rights. Know what you’re agreeing to.

Mistake 4: No IP review in code review

“Code review is about functionality, not legal stuff” → IP review should be part of your review process. A single GPL-licensed snippet can change your entire project’s licensing obligations.

---

📝 Knowledge Check

📝 Knowledge Check

Q1:GPL license มีข้อจำกัดสำคัญอะไรสำหรับ AI-generated code?

ห้ามใช้ใน commercial projectsบังคับให้ derivative works ต้องเป็น GPL ด้วย — ถ้าใช้ GPL code คุณต้อง open-source โปรเจกต์ห้ามแก้ไข codeใช้ได้เฉพาะ personal projects

Q2:MIT license แตกต่างจาก GPL อย่างไร?

MIT ห้ามใช้ commercial, GPL อนุญาตMIT อนุญาตใช้ commercial โดยไม่ต้อง open-source, GPL บังคับ open-sourceMIT ไม่มีข้อจำกัดใดๆMIT และ GPL เหมือนกัน

Q3:ก่อนใช้ AI-generated code ใน production ควรเช็คอะไรบ้าง?

เช็คแค่ functionality ว่าทำงานถูกต้องLicense compatibility, code provenance, AI tool's ToS, และ attribution requirementsเช็คแค่ performanceไม่ต้องเช็คอะไร AI สร้างมาให้แล้ว

---

🏋️ Quest: IP Risk Analyzer

วิเคราะห์ licensing และ copyright risks สำหรับ AI-generated code — AI มักจะไม่ consideration license compatibility เมื่อ generate code!

1. Download ไฟล์เริ่มต้นของ quest:

   npx bluebeltdojo download quest-51-ip-risk-analyzer
   cd quest-51-ip-risk-analyzer

2. เปิด problem.js ใน editor ของคุณพร้อมความช่วยเหลือของ AI

3. เขียน ip-risk-analysis.md ที่ครอบคลุม:

   • License compatibility matrix (อย่างน้อย 3 licenses)
   • Copyright risk scenarios สำหรับ AI-generated code
   • Attribution requirements
   • Risk mitigation strategies
   • Decision framework สำหรับการใช้ AI-generated code

4. ตรวจสอบ solution ของคุณ:

   node test.js

---

การตรวจสอบ

node test.js

When all tests pass, you will see the completion message.

---

ส่งคำตอบ

When tests pass, submit your solution:

npx bluebeltdojo submit

ต้องตั้งค่า access code ก่อน: npx bluebeltdojo setup <code>

คำใบ้

• GPL ≠ MIT — GPL บังคับให้ derivative works ต้องเป็น GPL ด้วย
• อ่าน AI tool’s Terms of Service — แต่ละ tool มี IP policy ต่างกัน
• สร้าง decision framework ที่ชัดเจนก่อนใช้ AI-generated code ใน production
• ถ้าติดขัด ลองนึกว่าถ้า code ที่ AI generate มาคล้ายกับ GPL code ผลลัพธ์จะเป็นยังไง