Neues, nicht redigiertes Material in der Urheberrechtsklage der New York Times gegen OpenAI und Microsoft enthüllt eine Reihe auffälliger interner Eingeständnisse – darunter ein Top-Manager von Microsoft, der die KI-Schulungspraktiken der Unternehmen privat als Diebstahl bezeichnet, und die eigene Führung von OpenAI, die anerkennt, dass ihr Chatbot eine „existentielle Bedrohung“ für die Verlage darstellt, deren Arbeit sie trainiert hat.
Die Klageschrift, über die TechCrunch am Donnerstag berichtete, geht drei Jahre nach der ersten Klage der Times ein, in der behauptet wird, dass die Firmen gegen das Urheberrecht verstoßen haben, indem sie generative KI-Modelle auf deren Inhalte trainiert haben. Das neu sichtbare Material beschreibt detailliert, wie die Unternehmen diese Inhalte angeblich erhalten und verwendet haben: Sie haben Paywalls unentdeckt umgangen, Trainingsdatensätze durch Massen-Scraping erstellt und Urheberrechtshinweise absichtlich aus Trainingsdaten entfernt. Weitere Informationen zu dieser Geschichte finden Sie in unserer aktuelle KI-Trends.
Erwähnenswert ist der Vorbehalt, auf den TechCrunch selbst hingewiesen hat: Viele der neuen Informationen stammen aus dem eigenen Brief der Times und nicht aus den zugrunde liegenden Exponaten, die versiegelt bleiben, und die Zitate werden ohne ihren ursprünglichen Kontext präsentiert.
„A Doom Loop“ für Verlage
Zu den folgenreichsten Enthüllungen gehören Microsofts eigene Daten darüber, was seine „Antwort-Engine“ Copilot mit dem Datenverkehr auf der Website der Times gemacht hat. Laut der Akte zeigen interne Zahlen von Microsoft, dass Copilot die Klickraten für die Domain nytimes.com im Vergleich zur herkömmlichen Bing-Suche um bis zu 93 Prozent verringerte.
In einer internen Präsentation vom Microsoft-Direktor für Angewandte Wissenschaft, Brent Hecht, im Januar 2024 wurde der Rückgang als „Untergangsschleife“ beschrieben, die „gleichzeitig die Leistung unserer Modelle und des gesamten Webs beeinträchtigen würde“.
„Es ist höchst ungewöhnlich, dass ein Endprodukt die wirtschaftlichen Grundlagen seiner wesentlichen Lieferanten gefährdet, aber das ist die Situation, die wir für unser LLM-Geschäft in Bezug auf seine ‚Content-Lieferkette‘ geschaffen haben“, heißt es in dem in der Akte zitierten Microsoft-Dokument.
Das Eingeständnis verstößt direkt gegen eine Säule der Fair-Use-Verteidigung, auf die sich KI-Unternehmen verlassen haben: dass die Nutzung das Originalwerk nicht ersetzt oder dessen Markt schädigt.
Eigene Worte der Führungskräfte kommen ins Protokoll
Die nicht redigierten Unterlagen enthalten auch ehrliche Einschätzungen der höchsten Führungskräfte der Unternehmen.
Satya Nadella, CEO von Microsoft, sagte Anfang des Jahres in einer Aussage aus, dass „alles, was kostenpflichtig ist, von jedem lizenziert werden sollte, der es nutzen möchte … für Grundausbildung oder Schulung.“ Nadella machte deutlich, dass er, wenn er „darauf aufmerksam gemacht worden wäre, dass OpenAI Informationen, die sich hinter einer Paywall befanden, abgekratzt und trainiert hat“, „das Recht von Microsoft geltend gemacht hätte, von OpenAI zu verlangen, dass es seine Modelle neu trainiert“.
Nadella stimmte auch unter Eid zu, dass die Konversation mit Chatbots „die Bereitstellung der Informationen direkt auf der Website der KI-Plattform ersetzt hat, statt dass man zur zugrunde liegenden Quelle gehen muss.“
Auf der OpenAI-Seite schrieb Nick Turley, der Leiter von ChatGPT des Unternehmens, in internen Mitteilungen, dass Verlage einer „existenziellen Bedrohung“ durch Produkte wie den Chatbot ausgesetzt seien, die „weitgehend substituativ“ seien und „mit zunehmender Verbesserung immer substituierender werden“. OpenAI-Präsident Greg Brockman beschrieb die Modelle als „hervorragend in den Nachrichten“.
Und in einem internen Memo vom Januar 2023 nannte Hecht – derselbe Microsoft-Manager, der später die „Unglücksschleife“ anprangerte – das Kratzen „einen erstaunlichen Diebstahl beispiellosen Ausmaßes“ und „den größten Diebstahl von Arbeitskraft in der Geschichte der Menschheit“.
Das schiere Ausmaß des Kopierens
Die Dokumente quantifizieren das Kopieren in einem Ausmaß, das bisher nicht bekannt gegeben wurde. Allein die Mid-Training-Datensätze von OpenAI enthalten den Angaben zufolge mehr als 91.692 Exemplare von Werken, die von der New York Times, den New York Daily News und dem Center for Investigative Reporting veröffentlicht wurden.
Ein von Common Crawl, dem kostenlosen offenen Repository für Web-Crawl-Daten, abgeleiteter Datensatz umfasste allein mehr als 2 Millionen Dokumente von nytimes.com. Die Einreichung beschreibt auch Project Mango, eine Microsoft-OpenAI-Dateninitiative, deren zusammengestellter Trainingsdatensatz Kopien von mindestens 160.903 einzigartigen Werken der Nachrichtenverlage enthält. OpenAI lieferte seinen gesamten GPT-3-Trainingsdatensatz zur Auswertung an Microsoft, heißt es in der Einreichung, und Microsoft stellte OpenAI in ähnlicher Weise Trainingsdaten über Initiativen namens Project Taxi und Project Mango zur Verfügung.
OpenAI-Mitarbeiter haben angeblich auch frühe Trainingsdatensätze wie WebText und WebText2 erstellt, die sich unverhältnismäßig stark auf gescrapte Nachrichteninhalte stützten.
Paywall-Hacks und entfernte Urheberrechtshinweise
Die vielleicht anschaulichsten Details betreffen die Art und Weise, wie der Inhalt erlangt wurde. Als der OpenAI-Forscher Nick Ryder Brockman von einem „Hack, um die Nytimes-Paywall zu umgehen“ erzählte, antwortete Brockman – heißt es in der Akte –: „Ah, schön.“
In den Unterlagen werden außerdem bewusste Bemühungen beschrieben, Urheberrechtshinweise aus Trainingsdaten zu entfernen, bevor diese das Modell erreichen, da Forscher „nicht wollen“, dass das Modell „Urheberrechtshinweise“ an Benutzer ausgibt.
„Die hier zum ersten Mal enthüllten Beweise zeigen, dass OpenAI und Microsoft wussten, dass das, was sie taten, falsch war“, sagte Steven Lieberman, Anwalt der New York Daily News, in einer mit TechCrunch geteilten Erklärung.
Was es für den Fair-Use-Kampf bedeutet
Die Frage, ob KI-Firmen ohne Lizenz legal an urheberrechtlich geschütztem Material trainieren können, bleibt ungeklärt, aber die Richter haben den Fair-Use-Argumenten der KI-Firmen bislang weitgehend zugestimmt. Anfang dieses Monats verfasste die Trump-Administration einen Beitrag zur Verteidigung der unlizenzierten Verwendung von urheberrechtlich geschütztem Material durch OpenAI zum Trainieren seiner großen Sprachmodelle.
Doch einige der Neuzulassungen widersprechen der Marktschädigungsanforderung des Fair-Use-Tests – der Idee, dass die Nutzung das Originalwerk nicht ersetzen oder den Markt dafür untergraben darf. Interne Aussagen, dass die Produkte „weitgehend substituierend“ seien, in Kombination mit Microsofts eigenen Daten, die einen Click-through-Einbruch von 93 Prozent belegen, liefern der Seite der Times den bislang konkretesten Beweis für eine Marktsubstitution.
Die Einreichung ist die jüngste Eskalation in einem Fall, der zum entscheidenden Rechtsstreit darüber geworden ist, wie KI-Unternehmen Trainingsdaten erwerben. Was auch immer das Ergebnis sein mag, die ungeschwärzten Aufzeichnungen zeigen nun, dass die Führungskräfte der Unternehmen die Spannungen frühzeitig erkannten – und sie schriftlich niederlegten.
Um weiterhin über die Rechtsstreitigkeiten zu berichten, die die künstliche Intelligenz prägen, folgen Sie unseren neuesten KI-Nachrichten und der ausführlichen Analyse der Fälle, die die Branche prägen werden.
---
Bleib vorne bei KIDie neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.
Mehr KI-Nachrichten lesen →
