Una serie de documentos judiciales recién desclasificados está revelando cómo Microsoft y OpenAI discutían internamente uno de los problemas más controvertidos de la inteligencia artificial generativa: el uso masivo de contenidos disponibles en internet para entrenar sus modelos.
Y algunas de las conversaciones eran bastante más críticas de lo que ambas compañías han sostenido públicamente.
Brent Hecht, director de Ciencias Aplicadas de Microsoft, llegó a describir internamente el entrenamiento de modelos de inteligencia artificial a partir de contenido extraído de internet como “el mayor robo de trabajo de la historia de la humanidad”.
La frase aparece en documentos revelados como parte de la demanda por derechos de autor que The New York Times mantiene contra OpenAI y Microsoft desde 2023.
Los nuevos antecedentes también muestran que dentro de ambas compañías existía preocupación por algo todavía más amplio: que herramientas como ChatGPT y Copilot terminaran debilitando económicamente a los mismos medios y creadores cuyo contenido ayudó a construir estos sistemas.
El “círculo vicioso” que preocupaba a Microsoft
Los documentos muestran que Hecht advertía sobre la posibilidad de generar una especie de “doom loop”, o círculo vicioso.
La lógica es relativamente sencilla: los modelos de inteligencia artificial utilizan enormes cantidades de información producida en internet para aprender y entregar respuestas. Pero si esas mismas herramientas permiten obtener información sin visitar las fuentes originales, los sitios reciben menos tráfico.
Menos tráfico puede significar menos ingresos para producir nuevos contenidos. Y una reducción en la producción de información original también podría terminar perjudicando a los propios modelos de IA, que necesitan nuevas fuentes de calidad para seguir mejorando.
En un documento interno, Microsoft reconocía lo inusual de tener un producto capaz de amenazar económicamente a quienes forman parte esencial de su propia “cadena de suministro” de contenidos.
Los antecedentes judiciales citados por TechCrunch indican además que datos internos de Microsoft mostraron reducciones de hasta un 93% en la tasa de clics hacia el dominio de The New York Times al comparar respuestas de Copilot con las búsquedas tradicionales de Bing.
OpenAI veía una “amenaza existencial” para los medios
La preocupación no estaba limitada a Microsoft.
Nick Turley, responsable de ChatGPT en OpenAI, escribió internamente que productos de este tipo representaban una “amenaza existencial” para los editores, según los documentos conocidos durante el proceso.
Turley también describió estas herramientas como ampliamente sustitutivas respecto de los contenidos originales y planteó que podrían serlo todavía más a medida que mejoraran.
Los documentos incluso recogen conversaciones sobre el acceso a contenidos protegidos por sistemas de pago.
Según los antecedentes presentados en el juicio, un investigador de OpenAI informó al presidente de la compañía, Greg Brockman, sobre un método para sortear el paywall de The New York Times. Brockman habría respondido brevemente: “ah nice”.
Las acusaciones sostienen además que se utilizaron grandes conjuntos de datos obtenidos mediante scraping y que parte de esos procesos eliminaba avisos relacionados con derechos de autor.
Millones de documentos para entrenar la IA
La escala también comienza a conocerse con mayor precisión.
De acuerdo con los antecedentes revelados en el proceso, uno de los conjuntos derivados de Common Crawl contenía más de dos millones de documentos provenientes del dominio de The New York Times.
Otros proyectos desarrollados entre Microsoft y OpenAI habrían permitido intercambiar o construir conjuntos masivos de información para el entrenamiento de los modelos.
Precisamente este uso de contenido protegido está en el centro de una de las batallas legales más importantes para el futuro de la inteligencia artificial.
La gran pregunta sobre el “fair use”
The New York Times y otros medios sostienen que OpenAI y Microsoft utilizaron sus artículos sin autorización ni compensación para desarrollar productos comerciales que ahora pueden competir directamente con ellos.
Las compañías, en cambio, han defendido que el entrenamiento de sus modelos constituye un uso transformador compatible con el concepto estadounidense de “fair use”, que permite determinadas utilizaciones de obras protegidas sin autorización.
Microsoft sostuvo, tras conocerse los documentos, que las opiniones individuales reveladas durante el proceso no representan necesariamente la posición de la compañía y que sus argumentos legales están contenidos en las presentaciones realizadas ante el tribunal.
OpenAI también mantiene públicamente que el entrenamiento de modelos con material disponible en internet puede estar protegido por el fair use.
El caso todavía no resuelve definitivamente esa discusión.
Pero los nuevos documentos agregan un elemento especialmente incómodo para la industria: mientras las compañías defendían públicamente la legalidad y el carácter transformador del entrenamiento de sus modelos, dentro de ellas ya existía una discusión sobre el impacto que esa misma tecnología podía tener sobre quienes producían el contenido que la hacía posible.
Y esa discusión apunta a un problema que va mucho más allá de The New York Times: cómo financiar la creación de información, periodismo y contenidos originales en una web donde cada vez más respuestas pueden obtenerse sin visitar la fuente que las produjo.
