Un directivo de Microsoft llamó al scraping de IA el mayor robo de trabajo de la historia
Documentos sin censurar del pleito del Times contra OpenAI y Microsoft revelan que sus cúpulas veían el scraping de datos como un robo y sus modelos como una amenaza existencial para los medios.
Los papeles sin censurar del pleito que The New York Times mantiene desde hace tres años contra OpenAI y Microsoft han dejado a la vista lo que ambas compañías decían de puertas adentro sobre sus propias prácticas. Un directivo de Microsoft calificó el scraping para entrenar modelos como “el mayor robo de trabajo de la historia”, y la cúpula de OpenAI admitió que sus productos son una “amenaza existencial” para los medios y los periodistas cuyo trabajo los alimentó.
Lo que dicen los documentos
Brent Hecht, director de ciencia aplicada de Microsoft, escribió en un memo interno de enero de 2023 que aquello era “un robo asombroso de proporciones sin precedentes”. Un año después, en una presentación de enero de 2024, describía como “bucle de perdición” la caída que el motor de respuestas Copilot provocaba en los clics hacia el dominio de The New York Times: hasta un 93% menos frente a la búsqueda tradicional de Bing. Hecht avisaba de que eso “perjudicaría el rendimiento de nuestros modelos y de toda la web a la vez”.
Satya Nadella, consejero delegado de Microsoft, declaró en una deposición este año que cualquier contenido tras un muro de pago debería licenciarse y que, de haber sabido que OpenAI había entrenado con material de pago, habría exigido a la compañía reentrenar sus modelos. Nick Turley, responsable de ChatGPT, escribió que los editores se enfrentan a una amenaza existencial porque estos productos son “en gran medida sustitutivos”. Greg Brockman, presidente de OpenAI, dijo que los modelos son “excelentes con las noticias”.
La escala del copiado impresiona. Solo los datasets de mid-training de OpenAI contienen más de 91.692 copias de obras de The New York Times, Daily News y el Center for Investigative Reporting. Un conjunto derivado de Common Crawl incluía más de 2 millones de documentos de nytimes.com. El material del llamado Project Mango, según el expediente, reúne al menos 160.903 obras únicas de esos editores.
El escrito también describe cómo se obtuvo el contenido: scraping desde el índice de Bing, entrega del dataset completo de GPT-3 a Microsoft para evaluar la integración de los modelos en sus productos comerciales, y devolución de datos a OpenAI mediante los proyectos Taxi y Mango. Según la filtración, empleados de OpenAI idearon un plan para saltarse los muros de pago sin ser detectados —cuando el investigador Nick Ryder contó a Brockman un “truco para sortear el paywall del Times”, este respondió “ah, bien”— y se eliminaron avisos de copyright de los datos antes de que llegaran al modelo.
Con este material, los demandantes intentan atacar el núcleo de la defensa de uso legítimo de OpenAI: que la tecnología sustituye al original en lugar de transformarlo, algo que la doctrina del fair use prohíbe. Los tribunales han sido hasta ahora favorables a los argumentos de la industria, y este mismo mes la administración Trump presentó un escrito en defensa del uso sin licencia de material con derechos de autor. Conviene recordar que buena parte de lo nuevo sale del escrito de The New York Times, no de las pruebas, que siguen bajo sello, y las citas aparecen sin su contexto original. Steven Lieberman, abogado del New York Daily News, sostiene que lo revelado “muestra por primera vez que OpenAI y Microsoft sabían que lo que hacían estaba mal”. Ninguna de las dos compañías ha respondido a las peticiones de comentario.
