Documentos judiciais no processo do The New York Times contra a OpenAI e a Microsoft mostram discussões internas na Microsoft sobre se o uso de artigos jornalísticos para treinar modelos de IA representava uma ampla apropriação indevida de trabalho criativo, enquanto as duas empresas continuam a argumentar que o treinamento em questão é protegido pelo uso justo.

O material recém-revelado inclui um memorando de 2023 de Brent Hecht, diretor de Ciência Aplicada da Microsoft, que descreve grandes modelos de IA como “produtos que destroem suas próprias cadeias de suprimento” e alerta que muitas pessoas viam os sistemas como uma apropriação sem precedentes de seu trabalho. Os autos também citam sua caracterização da cópia de milhões de artigos jornalísticos sem permissão como “o maior roubo de trabalho da história humana”.

A Microsoft afirmou que esses memorandos refletiam o esforço de Hecht para fornecer “perspectivas diferentes e assimétricas” e não representavam a posição oficial da empresa. A distinção importa porque o caso não se concentra em uma campanha pública de funcionários, mas em comunicações internas que os autores usam para argumentar que as empresas entendiam a sensibilidade jurídica e comercial do treinamento com conteúdo de editoras.

Segundo os autos, o CEO da Microsoft, Satya Nadella, testemunhou que conteúdo protegido por paywall só deve ser usado com autorização dos detentores dos direitos. Ele também disse que, se soubesse antecipadamente que a OpenAI usava conteúdo pago para treinamento, teria usado os direitos da Microsoft para exigir que o modelo fosse retreinado. Materiais judiciais separados também citam um funcionário da OpenAI que se referiu a um “método hacker” para contornar o paywall do The New York Times em uma mensagem ao presidente Greg Brockman, que respondeu: “Legal.”

A OpenAI e a Microsoft sustentam que o treinamento relevante dos modelos se qualifica como uso justo. A disputa começou quando o The New York Times entrou com a ação no fim de 2023, e a reportagem original afirma que 11 editoras se juntaram ao caso desde então. Com informações verificadas limitadas além das divulgações judiciais, vários detalhes subjacentes permanecem sem resolução, incluindo o escopo completo dos conjuntos de dados em questão e como o tribunal avaliará autorização, limites de licenciamento e dano ao mercado.

Por que isso importa

Este caso vai além do risco reputacional para duas grandes empresas de IA. Ele atinge uma das questões jurídicas centrais da IA generativa: se o treinamento com texto comercialmente valioso pode ser tratado como uso transformativo quando o material-fonte é expressivo, licenciado e, em alguns casos, protegido por paywall. A publicação de notícias é um teste particularmente sensível porque existe um mercado real para o licenciamento desse conteúdo e uma preocupação clara de que as saídas de IA possam concorrer com o produto original.

As divulgações também tornam mais nítida a questão de conformidade para a infraestrutura de IA de forma mais ampla. Se os tribunais derem maior peso ao consentimento, às restrições de origem ou à reutilização de dados adquiridos sob termos diferentes, desenvolvedores e seus parceiros poderão enfrentar controles mais rígidos sobre como os corpora de treinamento são reunidos, compartilhados e atualizados.