O processo por direitos autorais movido pelo New York Times contra OpenAI e Microsoft ganhou mais um documento desselado em 17 de setembro. Trata-se de um relatório jurídico apresentado pelo Times, antes arquivado em versão com trechos ocultos; agora a versão completa foi divulgada, citando na íntegra a fala de um executivo da Microsoft em uma apresentação interna de janeiro de 2024.
Quem fez a declaração foi Brent Hecht, diretor de ciência aplicada da Microsoft. Segundo a citação no relatório, ele descreveu o uso de conteúdo jornalístico para treinar grandes modelos como:
"an astonishing theft of unprecedented proportions" / "the largest theft of labor in human history"
Um roubo surpreendente e sem precedentes, possivelmente o maior roubo de trabalho da história da humanidade.
O relatório também afirma que Hecht alertou a OpenAI de que verificar no sistema quais conteúdos vinham de autores como o Times poderia configurar um "encobrimento acidental" (accidental cover up).
Os números apresentados no relatório
O lado do Times detalhou no relatório a composição de alguns conjuntos de dados, todos organizados a partir do material de descoberta do processo:
- Um conjunto de dados de treinamento intermediário da OpenAI contém mais de 91.692 cópias de obras do New York Times, do Daily News e do Center for Investigative Reporting;
- Um conjunto de dados derivado do Common Crawl contém mais de 2 milhões de arquivos do nytimes.com;
- Um conjunto de dados com nome interno Project Mango reúne pelo menos 160.903 obras independentes de veículos de imprensa.
A agência AFP apresentou outro total: a OpenAI teria coletado mais de 10 milhões de artigos, quase um terço vindos do New York Times. Esse número segue um critério diferente dos anteriores; prevalece o texto original do relatório.
As acusações apontam três táticas: contornar paywalls para coletar conteúdo, fazer raspagem em larga escala via indexação do Bing e remover avisos de direitos autorais antes de incluir o conteúdo no treinamento. Esse último ponto corresponde a uma cláusula específica da lei de direitos autorais dos EUA; se comprovado, o cálculo de indenização é diferente de uma simples violação de cópia.
A reação das duas empresas
Um porta-voz da Microsoft disse à AFP que a fala de Hecht é "a opinião pessoal de um funcionário" e não representa a posição da empresa. A TechCrunch informou que nem OpenAI nem Microsoft responderam aos pedidos de comentário. Até o fechamento desta matéria, nenhuma das duas se pronunciou publicamente sobre o tamanho dos conjuntos de dados, os paywalls ou a remoção de avisos de direitos autorais, e o próprio Hecht também não se manifestou.
Onde está o processo depois de três anos
O processo foi movido pelo Times em dezembro de 2023, no tribunal federal do Distrito Sul de Nova York, e depois incorporou as ações do Daily News e do Center for Investigative Reporting. Este site noticiou em junho que o editor do Times, Sulzberger, acusou publicamente empresas de IA de "roubo descarado de conteúdo" — uma declaração vinda do lado do jornal; desta vez o peso está em a acusação partir de material interno de um funcionário do lado réu.
Entre processos semelhantes, o que foi mais longe é a ação coletiva de autores contra a Anthropic. Nesse caso, o juiz separou o treinamento com livros comprados legalmente do download em bibliotecas piratas; a segunda hipótese avançou diretamente para indenização e terminou em um acordo de cerca de 1,5 bilhão de dólares. O foco das acusações no caso do Times está na coleta de conteúdo pago e na remoção de avisos de direitos autorais, mais próximo da parte que saiu desfavorável naquele caso do que da simples questão de saber se treinar é uso justo.
Quanto peso o juiz vai dar a essa apresentação, o próprio relatório não responde. Ele comprova que existe essa visão dentro da Microsoft; provar que as duas empresas agiram de forma deliberada dependerá da troca de provas e do julgamento que virão a seguir. O caso ainda não tem data de julgamento marcada.
Fontes: TechCrunch, Washington Post, CocoLoop, AFP, Futurism; o relatório jurídico completo do New York Times confirma a citação de Hecht e os três conjuntos de dados, a fala do porta-voz da Microsoft segue a citação da AFP.