El material recién desclasificado en la demanda por derechos de autor que The New York Times presentó hace casi tres años contra OpenAI y Microsoft contiene algo que los escritos públicos de ambas empresas nunca mostraron: su propia gente describiendo la práctica en los términos más directos posibles. En un memo interno de enero de 2023, el director de Ciencia Aplicada de Microsoft, Brent Hecht, calificó el entrenamiento de IA con obras extraídas de la web como “un robo asombroso de proporciones sin precedentes” y “el mayor robo de trabajo de la historia de la humanidad”. Las citas salieron a la luz el jueves y las reportó primero TechCrunch.
Hay una salvedad que enmarca todo lo que sigue. La mayor parte del lenguaje ahora visible proviene del propio escrito de los demandantes y no de las pruebas subyacentes, que siguen bajo sello, de modo que los extractos llegan despojados del contexto en que fueron escritos. Las acusaciones no han sido puestas a prueba en un juicio.
Claves del caso
- Un memo de Microsoft de enero de 2023 describió el entrenamiento de IA con contenido extraído de la web como el mayor robo de trabajo de la historia, según el escrito desclasificado.
- Los datos internos de Microsoft habrían mostrado que Copilot redujo hasta 93% los clics hacia nytimes.com frente a una búsqueda tradicional en Bing, algo que una presentación interna llamó un “bucle de perdición”.
- El escrito sostiene que los datasets de entrenamiento intermedio de OpenAI contenían más de 91.692 copias de obras de los tres medios demandantes, y un dataset conjunto aparte, al menos 160.903 obras únicas.
Por qué pesa legalmente el lenguaje interno
Los tribunales han sido en general receptivos al argumento de que entrenar un modelo con texto protegido constituye uso legítimo, y el gobierno de Trump presentó a comienzos de este mes un escrito en apoyo del uso sin licencia de material protegido por parte de OpenAI. Sin embargo, el uso legítimo depende en parte de si el nuevo producto sustituye al original en el mercado, y es justo ahí donde las declaraciones desclasificadas golpean la defensa.
Al responsable de ChatGPT, Nick Turley, se lo cita describiendo una amenaza existencial para los medios por productos que son en buena medida sustitutivos y que, según su planteamiento, lo serán todavía más a medida que mejoren. El presidente Greg Brockman aparece calificando a los modelos como excelentes en noticias. El CEO de Microsoft, Satya Nadella, admitió bajo juramento que conversar con un chatbot entrega la información en la plataforma de IA en lugar de enviar al lector a la fuente original. Nada de eso se lee como transformación: se lee como reemplazo.
Las cifras de tráfico que acompañan al escrito afilan el punto. Las mediciones internas de Microsoft habrían mostrado que su motor de respuestas Copilot redujo hasta 93% la tasa de clics hacia el dominio del Times frente a una búsqueda normal en Bing. Una presentación de Hecht de enero de 2024 describió la dinámica como un bucle de perdición que dañaría a la vez a los modelos y a la web en general.
Es muy inusual que un producto final amenace los cimientos económicos de sus proveedores esenciales, pero esa es la situación que hemos creado para nuestro negocio de LLM respecto de su “cadena de suministro de contenido”.
La escala y los atajos
El escrito también pone números a la copia. Sostiene que solo los datasets de entrenamiento intermedio de OpenAI contienen más de 91.692 copias de obras del Times, el New York Daily News y el Center for Investigative Reporting, y que un dataset derivado de Common Crawl incluía más de dos millones de documentos de nytimes.com. Los datos circularon en ambas direcciones entre los socios: OpenAI habría entregado a Microsoft el conjunto completo de entrenamiento de GPT-3, mientras que Microsoft aportó datos mediante iniciativas llamadas Project Taxi y Project Mango. El dataset Mango habría reunido al menos 160.903 obras únicas de los medios demandantes.
Algunos de los pasajes más dañinos se refieren a la intención antes que al volumen. El escrito describe a personal de OpenAI discutiendo un método para saltarse el muro de pago del Times sin ser detectados —el investigador Nick Ryder lo planteó y Brockman respondió con aprobación— y sostiene que los avisos de copyright fueron eliminados deliberadamente de los datos de entrenamiento para que los modelos no los reprodujeran. Nadella declaró que cualquiera que use material tras un muro de pago para entrenar o fundamentar modelos debería licenciarlo, y dijo que, de haber sabido que OpenAI extraía contenido detrás de muros de pago, habría invocado el derecho de Microsoft a exigir que los modelos se reentrenaran.
Qué viene ahora
El abogado del New York Daily News afirmó que la evidencia muestra por primera vez que ambas empresas sabían que la práctica estaba mal. Ni Microsoft ni OpenAI respondieron a las solicitudes de comentarios. Si las citas sobreviven al contraste con el contexto que sigue sellado es la pregunta que definirá cuánto valen, y las pruebas mismas continúan bajo reserva.
La revelación llega mientras la industria negocia el mismo problema en público mediante estándares de consentimiento en lugar de litigios: Microsoft está entre las empresas que hace poco firmaron las reglas de rastreo de Cloudflare. Lo que suma el escrito es la evidencia de que la economía del web scraping para modelos de lenguaje grandes se entendía puertas adentro, y se describía en términos poco favorecedores, años antes de que empezara la discusión pública.
FAQ — Preguntas frecuentes
¿Qué se desclasificó exactamente?
Partes sin tachaduras de un escrito legal presentado por The New York Times en su caso de derechos de autor contra OpenAI y Microsoft, que cita memos internos, presentaciones y declaraciones juradas. Las pruebas de las que salen esas citas siguen bajo sello, así que los extractos aparecen sin su contexto original.
¿Esto zanja la cuestión del uso legítimo?
No. Los jueces han aceptado en buena medida que entrenar modelos puede calificar como uso legítimo, y el caso no ha llegado a juicio. Las declaraciones desclasificadas importan porque el uso legítimo pondera si un producto sustituye a la obra original, y varios ejecutivos citados describen exactamente esa sustitución.
¿Respondieron Microsoft y OpenAI?
Ninguna de las dos empresas contestó las solicitudes de comentarios sobre el material desclasificado. Las acusaciones del escrito son la interpretación que hacen los demandantes de la evidencia y aún no han sido resueltas por un tribunal.
