Gugatan hak cipta yang diajukan The New York Times terhadap OpenAI dan Microsoft mendapat dokumen baru yang dibuka segelnya pada 17 September. Dokumen ini adalah berkas hukum yang diajukan pihak Times, yang sebelumnya hanya tersimpan dalam versi yang disunting; versi tanpa sunting yang baru dirilis ini mengutip pernyataan seorang eksekutif Microsoft dalam presentasi internal pada Januari 2024.
Orang yang mengucapkan hal itu adalah Brent Hecht, Direktur Applied Sciences Microsoft. Menurut kutipan dalam berkas tersebut, ia menggambarkan pelatihan model bahasa besar menggunakan konten berita sebagai:
"an astonishing theft of unprecedented proportions" (pencurian yang mengejutkan dengan skala belum pernah terjadi sebelumnya) ... "the largest theft of labor in human history" (mungkin pencurian kerja terbesar dalam sejarah manusia)
Berkas itu juga menyebutkan bahwa Hecht memperingatkan OpenAI bahwa upaya menelusuri konten mana dalam sistemnya yang berasal dari pihak penggugat seperti Times bisa saja menjadi "penyembunyian yang tidak disengaja" (accidental cover up).
Angka-angka yang disebutkan dalam berkas
Pihak Times memaparkan komposisi beberapa dataset dalam berkasnya, yang disusun dari materi yang diperoleh selama proses discovery kasus ini:
- Satu dataset pelatihan sementara milik OpenAI berisi lebih dari 91.692 salinan karya dari The New York Times, Daily News, dan Center for Investigative Reporting;
- Sebuah dataset turunan dari Common Crawl berisi lebih dari 2 juta berkas dari nytimes.com;
- Dataset dengan nama sandi Project Mango berisi setidaknya 160.903 karya independen dari penerbit berita.
Agence France-Presse melaporkan angka total yang berbeda: OpenAI disebut mengambil lebih dari 10 juta artikel, dengan hampir sepertiganya berasal dari The New York Times. Angka ini menggunakan metode penghitungan yang berbeda dari angka-angka di atas; angka dalam berkas asli yang menjadi acuan utama.
Tuduhan yang diajukan terbagi menjadi tiga jenis praktik: melewati paywall untuk mengambil konten, melakukan crawling skala besar melalui pengindeksan Bing, dan menghapus informasi manajemen hak cipta sebelum konten masuk ke dataset pelatihan. Poin terakhir ini masuk dalam ketentuan terpisah dalam undang-undang hak cipta AS, dan jika terbukti, cara perhitungan ganti ruginya berbeda dari pelanggaran penyalinan biasa.
Respons kedua perusahaan
Juru bicara Microsoft mengatakan kepada AFP bahwa pernyataan Hecht adalah "pandangan pribadi satu karyawan" dan tidak mewakili posisi perusahaan. TechCrunch melaporkan bahwa baik OpenAI maupun Microsoft tidak menanggapi permintaan komentar. Hingga berita ini diterbitkan, kedua perusahaan belum menyatakan sikap publik soal skala dataset, paywall, maupun penghapusan informasi hak cipta secara spesifik, dan Hecht sendiri belum memberikan komentar.
Sejauh mana kasus ini berjalan setelah tiga tahun
Gugatan ini diajukan Times pada Desember 2023 di Pengadilan Distrik Federal AS untuk Distrik Selatan New York, yang kemudian bergabung dengan gugatan dari Daily News dan Center for Investigative Reporting. Situs ini pernah memberitakan pada Juni bahwa penerbit Times, Sulzberger, secara terbuka menuduh perusahaan AI "mencuri konten secara terang-terangan" — namun itu adalah pernyataan dari pihak media sendiri. Bobot dari dokumen baru ini terletak pada fakta bahwa kalimat tersebut berasal dari materi internal karyawan salah satu pihak tergugat.
Di antara gugatan-gugatan serupa, yang paling jauh melangkah adalah gugatan class action para penulis terhadap Anthropic. Dalam kasus itu, hakim memisahkan antara "pelatihan menggunakan buku yang dibeli secara sah" dan "pelatihan menggunakan buku yang diunduh dari perpustakaan bajakan" — yang terakhir langsung masuk ke tahap ganti rugi dan berakhir dengan penyelesaian sekitar 1,5 miliar dolar AS. Fokus tuduhan dalam kasus Times, yaitu pengambilan konten berbayar dan penghapusan informasi hak cipta, lebih dekat dengan bagian kasus Anthropic yang diputuskan tidak menguntungkan tergugat.
Seberapa besar bobot yang akan diberikan hakim terhadap presentasi ini tidak bisa dijawab oleh berkas itu sendiri. Yang terbukti adalah ada pihak di dalam Microsoft yang memandangnya seperti itu; apakah ini bisa membuktikan kedua perusahaan sengaja melakukan kesalahan masih bergantung pada proses discovery dan persidangan selanjutnya. Belum ada tanggal persidangan yang ditetapkan untuk kasus ini.
Sumber: TechCrunch, The Washington Post, CocoLoop, Agence France-Presse, Futurism; berkas hukum The New York Times yang tidak disunting digunakan untuk memverifikasi kutipan Hecht dan tiga angka dataset, sementara tanggapan Microsoft mengacu pada laporan AFP.