Microsoft ejecutivo califica el scraping de IA como 'el mayor robo de trabajo en la historia humana', revelan documentos no sellados
Un nuevo documento no sellado en el juicio por violación de derechos de autor que The New York Times presentó contra OpenAI y Microsoft hace tres años ha revelado una declaración de un alto ejecutivo de Microsoft que calificó las prácticas de entrenamiento de inteligencia artificial como «robo», según lo informado por TechCrunch.
El caso, que comenzó en 2021, se centra en si las empresas de inteligencia artificial pueden utilizar contenido protegido por derechos de autor para entrenar sus modelos sin permiso. Los nuevos documentos desvelan cómo Microsoft y OpenAI recopilaron grandes volúmenes de información de publicaciones como The New York Times, incluyendo artículos y datos sensibles, sin autorización explícita ni licencia.
Según los documentos no sellados, un ejecutivo de Microsoft describió públicamente en una reunión interna la forma en que se recolectaba el contenido como «el mayor robo de trabajo en la historia humana». Esta declaración contradice la defensa legal de OpenAI basada en el concepto de «uso justo» (fair use), que argumenta que el uso de material protegido es legítimo cuando no sustituye el mercado original o perjudica su valor.
Además, se reveló que ambas compañías obtuvieron contenido al evitar los sistemas de pago de las publicaciones, utilizando técnicas de scraping masivo para construir sus bases de datos de entrenamiento. El material extraído fue utilizado sin incluir avisos de copyright, lo cual fue considerado intencional por parte de las empresas involucradas.
Los archivos no sellados también contienen pruebas de que el modelo de Microsoft Copilot tuvo un impacto negativo en el tráfico web de The New York Times. Datos internos muestran una caída del 93% en las tasas de clics hacia el sitio web del periódico tras la introducción del motor de búsqueda impulsado por IA.
En una presentación interna del director de Ciencias Aplicadas de Microsoft, Brent Hecht, se menciona que esta disminución representa un «bucle de destrucción» que afecta tanto al rendimiento del modelo como al ecosistema web en general. El documento señala que «es poco común que un producto final amenace las bases económicas de sus proveedores esenciales», pero esa es precisamente la situación creada por las prácticas de entrenamiento de IA.
El CEO de Microsoft, Satya Nadella, también declaró bajo juramento que cualquier contenido detrás de un sistema de pago debería ser licenciado antes de ser usado para entrenar modelos de IA. Si hubiera sabido que OpenAI había escrapeado contenido protegido, afirmó que habría exigido que reentren sus modelos, lo que indica una conciencia previa de la naturaleza ilegal de ciertos métodos utilizados.
Estos documentos son parte de una serie de revelaciones recientes que han intensificado el debate sobre la ética y legalidad del uso de contenido periodístico para entrenar sistemas de inteligencia artificial. A pesar de las posiciones favorables de los tribunales hacia las empresas de IA, estos nuevos datos sugieren que las prácticas actuales podrían estar más cerca de la infracción que de la excepción legal.
La controversia se ha vuelto aún más compleja con la intervención del gobierno de Donald Trump, que presentó un amicus curiae en favor de OpenAI, defendiendo el uso no autorizado de contenido protegido para entrenar modelos de lenguaje grandes (LLMs). Sin embargo, los nuevos documentos parecen contradecir esa postura al mostrar cómo las prácticas de recolección afectan directamente a los editores y periodistas.
Este desarrollo representa una nueva etapa en la batalla legal entre los medios de comunicación tradicionales y las empresas tecnológicas que lideran el desarrollo de IA. La cuestión central sigue siendo si el uso de obras protegidas para entrenar inteligencia artificial constituye un uso justo o una violación de derechos de autor, y cómo se equilibra esto con la innovación tecnológica.
Traducción y adaptación por Tecnología 365.
Fuente original: TechCrunch