Nuevo material no redactado en la demanda por derechos de autor del New York Times contra OpenAI y Microsoft revela una serie de confesiones internas sorprendentes, incluido un alto ejecutivo de Microsoft que describe en privado las prácticas de capacitación en IA de las empresas como robo, y el propio liderazgo de OpenAI que reconoce que su chatbot representa una "amenaza existencial" para los editores cuyo trabajo lo entrenó.

La presentación, informada por TechCrunch el jueves, llega tres años después de que The Times presentara la primera demanda, alegando que las empresas violaron la ley de derechos de autor al entrenar modelos generativos de IA en su contenido. El material recientemente visible detalla cómo las empresas supuestamente obtuvieron y utilizaron ese contenido: eludiendo los muros de pago sin ser detectados, creando conjuntos de datos de capacitación mediante raspado masivo y eliminando deliberadamente avisos de derechos de autor de los datos de capacitación. Para más contexto sobre esta historia, consulta nuestra últimos avances en IA.

Vale la pena señalar la advertencia que el propio TechCrunch señaló: gran parte de la nueva información proviene del propio informe del Times en lugar de las pruebas subyacentes, que permanecen selladas, y las citas se presentan sin su contexto original.

'Un bucle fatal' para los editores

Entre las revelaciones más importantes se encuentran los propios datos de Microsoft sobre lo que hizo su "motor de respuesta" Copilot para el tráfico al sitio web del Times. Según la presentación, las cifras internas de Microsoft muestran que Copilot provocó que las tasas de clics para el dominio nytimes.com cayeran hasta en un 93 por ciento en comparación con la búsqueda tradicional de Bing.

Una presentación interna escrita por el director de Ciencias Aplicadas de Microsoft, Brent Hecht, en enero de 2024 describió el declive como un "bucle fatal" que "dañaría el rendimiento de nuestros modelos y de toda la web al mismo tiempo".

"Es muy inusual que un producto final amenace las bases económicas de sus proveedores esenciales, pero esa es la situación que hemos creado para nuestro negocio LLM con respecto a su 'cadena de suministro de contenido'", se lee en el documento de Microsoft, citado en la presentación.

La admisión va directamente contra un pilar de la defensa del uso legítimo en el que se han basado las empresas de IA: que el uso no sustituye el trabajo original ni daña su mercado.

Las propias palabras de los ejecutivos entran en el registro

Los documentos no redactados también capturan evaluaciones sinceras de las figuras más importantes de las empresas.

El director ejecutivo de Microsoft, Satya Nadella, testificó en una declaración a principios de este año que "cualquier cosa que tenga un muro de pago debe tener licencia para cualquiera que quiera usarlo... para conexión a tierra o capacitación". Nadella dejó en claro que si "le hubieran informado que OpenAI había extraído y entrenado información que estaba detrás de un muro de pago", habría "invocado [el derecho de Microsoft a] exigir a OpenAI que volviera a entrenar sus modelos".

Nadella también acordó bajo juramento que conversar con chatbots "ha sustituido... brindarle la información directamente en el sitio web en la plataforma de inteligencia artificial en lugar de tener que ir a la fuente subyacente".

Por el lado de OpenAI, Nick Turley, director de ChatGPT de la compañía, escribió en comunicaciones internas que los editores enfrentan una "amenaza existencial" de productos como el chatbot, que son "en gran medida sustitutivos" y "se volverán cada vez más sustitutivos a medida que mejoren". El presidente de OpenAI, Greg Brockman, describió los modelos como "excelentes en cuanto a noticias".

Y en un memorando interno de enero de 2023, Hecht, el mismo ejecutivo de Microsoft que más tarde señaló el "bucle fatal", calificó el raspado como "un robo asombroso de proporciones sin precedentes" y "el mayor robo de mano de obra en la historia de la humanidad".

La magnitud de la copia

Los documentos cuantifican las copias a una escala no divulgada anteriormente. Solo los conjuntos de datos de mitad de entrenamiento de OpenAI, según el documento, contienen más de 91.692 copias de trabajos publicados por The New York Times, el New York Daily News y el Center for Investigative Reporting.

Un conjunto de datos derivado de Common Crawl, el repositorio abierto y gratuito de datos de rastreo web, incluía más de 2 millones de documentos solo de nytimes.com. La presentación también describe el Proyecto Mango, una iniciativa de datos de Microsoft-OpenAI cuyo conjunto de datos de entrenamiento ensamblado contiene copias de al menos 160,903 trabajos únicos de los editores de noticias. OpenAI entregó todo su conjunto de datos de entrenamiento GPT-3 a Microsoft para su evaluación, según el documento, y Microsoft también proporcionó datos de entrenamiento a OpenAI a través de iniciativas llamadas Project Taxi y Project Mango.

Los empleados de OpenAI supuestamente también crearon conjuntos de datos de capacitación iniciales como WebText y WebText2 que dependían desproporcionadamente de contenido de noticias extraído.

Hacks de Paywall y avisos de derechos de autor eliminados

Quizás los detalles más vívidos tengan que ver con cómo se obtuvo el contenido. Cuando el investigador de OpenAI, Nick Ryder, le habló a Brockman sobre un "truco para sortear el muro de pago del nytimes", Brockman, según dice el documento, respondió: "ah, qué bien".

Las presentaciones describen además esfuerzos deliberados para eliminar los avisos de derechos de autor de los datos de entrenamiento antes de que lleguen al modelo, porque los investigadores "no querrían" que el modelo enviara "avisos de derechos de autor" a los usuarios.

"La evidencia revelada aquí por primera vez muestra 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.

Qué significa para la lucha por el uso legítimo

La cuestión de si las empresas de IA pueden capacitarse legalmente con material protegido por derechos de autor sin una licencia sigue sin resolverse, pero hasta ahora los jueces se han mostrado en gran medida favorables a los argumentos de uso legítimo de las empresas de IA. A principios de este mes, la administración Trump contribuyó con un informe en defensa del uso sin licencia de material protegido por derechos de autor por parte de OpenAI para entrenar sus grandes modelos de lenguaje.

Sin embargo, varias de las nuevas admisiones van en contra del requisito de daño al mercado de la prueba del uso legítimo: la idea de que el uso no debe sustituir ni socavar el mercado de la obra original. Las declaraciones internas de que los productos son "en gran medida sustitutivos", combinadas con los propios datos de Microsoft que muestran un colapso del 93 por ciento de clics, dan al Times su evidencia más concreta hasta el momento de la sustitución del mercado.

La presentación es la última escalada en un caso que se ha convertido en la batalla legal definitoria sobre cómo las empresas de IA adquieren datos de entrenamiento. Cualquiera que sea el resultado, el registro no redactado muestra ahora que los propios ejecutivos de las empresas comprendieron la tensión desde el principio y la pusieron por escrito.

Para una cobertura continua de las luchas legales que dan forma a la inteligencia artificial, siga nuestras últimas noticias sobre IA y el análisis en profundidad de los casos que definirán la industria.

---

Mantente al Día con la IA

Las últimas noticias, análisis y avances de inteligencia artificial, en un solo lugar.

Leer más noticias de IA →