Documentos revelam que executivo da Microsoft classificou scraping de IA como roubo

Novos documentos não sigilosos no processo de direitos autorais movido pelo The New York Times contra a OpenAI e a Microsoft revelam admissões internas de que a prática de scraping de dados para treinar inteligência artificial equivale a roubo. Segundo os arquivos, um alto executivo da Microsoft descreveu privadamente as práticas de treinamento como o maior roubo de trabalho da história humana, enquanto a liderança da OpenAI reconheceu que seus modelos representam uma ameaça existencial para as publicações e jornalistas cujo trabalho os alimenta.

Os materiais detalham como as empresas supostamente obtiveram e utilizaram o conteúdo protegido, contornando paywalls sem serem detectadas, construindo conjuntos de dados por meio de coleta automatizada em massa e removendo deliberadamente avisos de direitos autorais. Vale ressaltar que grande parte dessas novas informações provém da petição do próprio jornal, uma vez que os documentos originais permanecem sob sigilo, e as citações são apresentadas sem seu contexto integral.

No âmbito jurídico, a questão sobre a legalidade do uso de material protegido para treinar IA ainda não possui uma resposta definitiva, embora juízes tenham sido majoritariamente favoráveis ao argumento de fair use. Recentemente, o governo Trump apresentou uma petição em defesa do uso não licenciado de materiais pela OpenAI. Contudo, as novas admissões internas contradizem diretamente a defesa de fair use, especificamente o requisito de que o novo uso não substitua ou prejudique o mercado da obra original.

Dados internos da Microsoft demonstram o impacto prático dessa substituição de mercado. A empresa registrou que seu motor de respostas Copilot causou uma queda de até 93% nas taxas de cliques para o domínio do The New York Times em comparação com as buscas tradicionais no Bing, evidenciando o dano direto ao tráfego das publicações.

Diante desse cenário, Brent Hecht, diretor de ciência aplicada da Microsoft, descreveu em uma apresentação interna de janeiro de 2024 a queda de tráfego como um ciclo vicioso. Segundo o executivo, essa dinâmica não apenas prejudica o mercado editorial, mas também pode comprometer o desempenho dos próprios modelos de inteligência artificial a longo prazo.

Imagem: Pavel Danilyuk / Pexels — Pexels License