Documentos judiciales sin redactar: un ejecutivo de Microsoft calificó el scraping de IA como "robo"

Material recién desclasificado en la demanda por derechos de autor de tres años que The New York Times presentó contra OpenAI y Microsoft revela admisiones internas de que las compañías consideraban en privado que sus propias prácticas de entrenamiento de IA perjudicaban a los editores. Según la demanda, un alto ejecutivo de Microsoft describió las prácticas de entrenamiento de IA de las compañías como “robo”, y la propia dirección de OpenAI dijo que sus modelos de IA representaban una “amenaza existencial” para los editores y periodistas cuyo trabajo entrenó esos modelos. El material desclasificado también alega que las compañías obtuvieron y usaron ese contenido evadiendo muros de pago sin ser detectadas, construyendo conjuntos de datos de entrenamiento mediante scraping masivo, y eliminando deliberadamente los avisos de derechos de autor de los datos. Gran parte del nuevo material proviene del propio escrito del Times, no de los documentos subyacentes, que siguen sellados, y las citas se presentan sin su contexto original.

El escrito es la última escalada en el caso, en el que el Times alega que las compañías violaron la ley de derechos de autor al entrenar modelos de IA generativa con su contenido. Los tribunales se han inclinado en general a favor de la defensa de “uso justo” (fair use) de las empresas de IA —la doctrina que permite usar obras con derechos de autor sin permiso en casos como la parodia, el periodismo o la crítica— y el gobierno de Trump presentó un escrito a principios de este mes respaldando la postura de OpenAI. Pero varias de las nuevas admisiones van en contra del requisito central del uso justo de que el uso no sustituya el mercado de la obra original: los propios datos de Microsoft muestran, según se informa, que su “motor de respuestas” Copilot redujo las tasas de clics hacia el dominio del Times hasta en un 93% en comparación con la búsqueda tradicional de Bing, una caída que una presentación interna de Microsoft calificó como un “bucle de la perdición” (doom loop). Nadella declaró que cualquier contenido con muro de pago debería estar licenciado para quien quisiera usarlo con fines de entrenamiento, y que habría exigido a OpenAI reentrenar sus modelos si hubiera sabido que había extraído contenido detrás de un muro de pago. El jefe de ChatGPT en OpenAI, Nick Turley, escribió internamente que el chatbot representa una amenaza existencial para los editores porque es “en gran medida sustitutivo” de la fuente original.

Los documentos describen la escala de la copia alegada: los conjuntos de datos de entrenamiento intermedio de OpenAI contendrían, según se informa, más de 91.692 copias de obras del Times, el Daily News y el Center for Investigative Reporting, y un conjunto de datos derivado de Common Crawl habría incluido, presuntamente, más de 2 millones de documentos solo del sitio nytimes.com. Un conjunto de datos aparte, proveniente de una iniciativa de intercambio de datos entre Microsoft y OpenAI, habría contenido al menos 160.903 obras únicas de editores de noticias. En un memorando interno de enero de 2023 citado en el escrito, Brent Hecht, de Microsoft, calificó la práctica, según se informa, como “un robo asombroso de proporciones sin precedentes” y “el mayor robo de trabajo en la historia de la humanidad”.

“La evidencia revelada aquí por primera vez demuestra que OpenAI y Microsoft sabían que lo que estaban haciendo estaba mal”, dijo Steven Lieberman, abogado del New York Daily News, en un comunicado compartido con TechCrunch. OpenAI y Microsoft no respondieron a solicitudes de comentarios.

Por qué importa

Si los tribunales sopesan estas admisiones internas junto con la defensa de “uso justo”, el caso podría redefinir cuánta protección legal tienen las empresas de IA para entrenar con periodismo protegido por derechos de autor sin pagar por él, una pregunta con implicaciones directas para todo editor cuyo trabajo ya forma parte de los datos de entrenamiento de un modelo fundacional.