En enero de 2023, el director de Ciencia Aplicada de Microsoft, Brent Hecht, escribió en un memorando interno que el entrenamiento de los modelos de inteligencia artificial con contenido ajeno era «un robo asombroso de proporciones sin precedentes» y «el mayor robo de trabajo de la historia de la humanidad».
La frase estaba tachada hasta ahora. Ha salido a la luz en los documentos desprecintados de la demanda por derechos de autor que The New York Times interpuso hace tres años contra OpenAI y Microsoft, y no viene sola: el escrito recoge también que el responsable de ChatGPT consideraba a los medios ante una «amenaza existencial», que el buscador con IA de Microsoft hundió las visitas al periódico hasta un 93 % y que empleados de OpenAI hablaron de un truco para saltarse el muro de pago del diario.
Las frases que hasta ahora estaban tachadas
El escrito cita comunicaciones internas y declaraciones bajo juramento de directivos de las dos compañías. Estas son las que más peso tienen.
- Brent Hecht, director de Ciencia Aplicada de Microsoft, en un memorando interno de enero de 2023: el asunto es «un robo asombroso de proporciones sin precedentes» y «el mayor robo de trabajo de la historia de la humanidad».
- Nick Turley, responsable de ChatGPT en OpenAI, en una comunicación interna: los medios se enfrentan a una «amenaza existencial» por productos como el chatbot, que son «en gran medida sustitutivos» y «serán cada vez más sustitutivos a medida que mejoren».
- Greg Brockman, presidente de OpenAI, describió los modelos como «excelentes en noticias».
- Satya Nadella, consejero delegado de Microsoft, en una declaración de este año: «cualquier cosa que esté tras un muro de pago debería ser licenciada por quien quiera usarla… para grounding o entrenamiento». Añadió que si le hubieran informado de que OpenAI había hecho scraping y entrenado con material tras un muro de pago, habría invocado el derecho de Microsoft a exigir a OpenAI que reentrenase sus modelos.
- Un documento de Microsoft admite que existe un «riesgo real» de que la IA generativa «perturbe significativamente el empleo de las mismas personas que generaron los datos con los que se entrenó el modelo».
El comentario más citado de todos es de un intercambio entre dos empleados de OpenAI: cuando el investigador Nick Ryder le contó a Brockman que había un «truco para saltarse el muro de pago del nytimes», la respuesta fue «ah, qué bien».
El «bucle fatal»: un 93 % menos de visitas
La parte que más incomoda a Microsoft no es una opinión, son sus propios datos. Según recoge el escrito, el «motor de respuestas» de Copilot redujo la tasa de clics hacia el dominio de The New York Times hasta un 93 % frente a una búsqueda tradicional en Bing.
Una presentación interna de enero de 2024, firmada por el propio Hecht, llama a esa caída un «bucle fatal» que «perjudicaría el rendimiento de nuestros modelos y el de toda la web al mismo tiempo». El razonamiento es sencillo: si los medios dejan de recibir visitas, dejan de poder producir el material con el que se entrenan los modelos.
El documento lo resume en una frase que describe el problema mejor que cualquier análisis externo:
Es la misma tensión que ha empujado a los editores a buscar defensas técnicas, desde el bloqueo de rastreadores hasta trucos como ShieldFont, la tipografía que muestra un texto a las personas y otro distinto a las máquinas.
La escala de las copias
Las cifras que aparecen por primera vez en el escrito dan la medida del asunto.
| Copias de obras del NYT, Daily News y Center for Investigative Reporting en los datasets intermedios de OpenAI | Más de 91.692 |
| Documentos de nytimes.com en un conjunto derivado de Common Crawl | Más de 2 millones |
| Obras únicas de los medios demandantes en el dataset de Project Mango | Al menos 160.903 |
| Caída de la tasa de clics hacia el NYT con Copilot frente a Bing | Hasta el 93 % |
| Antigüedad de la demanda | Tres años |
Además del volumen, el escrito detalla cómo se obtuvo ese material. OpenAI habría entregado a Microsoft el conjunto completo de entrenamiento de GPT-3 para que evaluara cómo integrar sus modelos en productos comerciales, y Microsoft habría hecho lo propio en sentido contrario a través de dos iniciativas llamadas Project Taxi y Project Mango. Parte del contenido salió del propio índice de Bing.
A eso se suman los conjuntos WebText y WebText2, que según los demandantes dependían de forma desproporcionada de contenido periodístico, y millones de artículos extraídos de Common Crawl, el repositorio abierto de rastreos de la web.
El detalle que peor pinta tiene es otro: la acusación de que se retiraron deliberadamente los avisos de copyright del material de entrenamiento porque los investigadores «no querrían que el modelo mostrase» esos avisos a los usuarios.
Por qué estas frases pueden costar caro
Si la demanda fuera solo por copiar, el asunto estaría casi resuelto a favor de las tecnológicas: hasta ahora los jueces estadounidenses han sido bastante receptivos al argumento de que entrenar un modelo es uso legítimo, el fair use, la excepción que permite utilizar obra protegida sin permiso en casos como la parodia, la crítica o la información. Este mismo mes, la administración Trump presentó un escrito en defensa del uso sin licencia de material protegido por parte de OpenAI.
El problema es que ese examen tiene varios factores, y uno de ellos es si el nuevo uso sustituye o daña el mercado de la obra original. Justo ahí es donde golpean las citas desprecintadas:
- Un producto «en gran medida sustitutivo», dicho por el responsable de ChatGPT, describe sustitución, no transformación.
- Un 93 % menos de clics, medido por Microsoft, describe daño al mercado, y lo describe con datos propios.
- Que Nadella declare que lo que está tras un muro de pago debería licenciarse admite que existe un mercado de licencias al que ese uso hace competencia.
No es una prueba de nada por sí sola, pero cambia el terreno: hasta ahora el debate iba de teoría jurídica y ahora incluye documentos internos de las propias empresas.
Lo que todavía no se sabe
Conviene no dar el caso por sentenciado, por tres motivos.
El primero es de dónde salen las citas: del escrito de los demandantes, no de las pruebas originales, que siguen precintadas. Están escogidas por la parte a la que benefician y publicadas sin el contexto en el que se dijeron. Un memorando interno que avisa de un riesgo también puede leerse como lo que se supone que debe hacer un director de Ciencia Aplicada.
El segundo es que ni OpenAI ni Microsoft han contestado. No hay versión de la otra parte, ni respuesta a ninguna de las acusaciones concretas.
Y el tercero es que un juicio por derechos de autor no se decide por una frase, por dura que suene. Se decide por los cuatro factores del uso legítimo y, en última instancia, por lo que digan los tribunales de apelación. El abogado del New York Daily News, Steven Lieberman, lo resume en la dirección que le interesa: «las pruebas que se revelan aquí por primera vez muestran que OpenAI y Microsoft sabían que lo que hacían estaba mal». Eso es una tesis de parte, y de momento nada más.
Lo que sí queda, pase lo que pase con la demanda, es un documento interno de Microsoft describiendo el negocio en el que trabaja como un riesgo para «las mismas personas que generaron los datos» con los que se entrenó.
Fuentes
