Nuevos detalles sobre la demanda por derechos de autor relacionada con la inteligencia artificial contra Microsoft y OpenAI

Los nuevos documentos hechos públicos en la demanda por derechos de autor que The New York Times interpuso contra OpenAI y Microsoft hace aproximadamente tres años han vuelto a poner sobre la mesa el debate sobre los métodos que utilizan las empresas para entrenar sus modelos de inteligencia artificial y el uso que hacen del contenido de los editores. Según la correspondencia interna de la empresa recogida en el expediente sin censura presentado por The Times ante el tribunal, altos cargos de Microsoft evaluaron con términos muy duros los métodos de recopilación de contenidos a gran escala. En el mismo expediente se afirma que los directivos de OpenAI reconocieron que los productos similares a ChatGPT podrían ejercer una presión considerable sobre los modelos de negocio de los medios de comunicación. Además, los documentos incluyen nuevos detalles sobre prácticas como el acceso a contenidos de pago, la obtención de datos del índice de Bing, el uso de recursos de Common Crawl y la eliminación de avisos de derechos de autor de los datos de entrenamiento. No obstante, una parte importante de esta nueva información no procede directamente de la totalidad de los documentos internos de la empresa, sino de citas extraídas del texto jurídico presentado por The New York Times ante el tribunal, y parte de los anexos correspondientes aún no es de dominio público.

El núcleo del caso gira en torno a la cuestión de si es legalmente admisible el uso sin autorización de contenidos periodísticos protegidos por derechos de autor en el entrenamiento de modelos de inteligencia artificial generativa. OpenAI y Microsoft defienden que este tipo de uso puede evaluarse en el marco del principio de «fair use» (uso legítimo) de la legislación estadounidense sobre derechos de autor. Este principio permite, en determinadas condiciones, el uso de obras protegidas por derechos de autor sin el consentimiento del titular de los derechos, pero en la evaluación se tiene en cuenta tanto la naturaleza del uso como el impacto en el mercado económico de la obra original. Las declaraciones internas de la empresa que destaca The Times en su última solicitud se centran precisamente en este aspecto del impacto económico. En el texto original se señala que la Administración Trump presentó recientemente un dictamen judicial en defensa del uso sin licencia de datos de entrenamiento por parte de OpenAI; sin embargo, dado que este acontecimiento político y jurídico reciente no ha podido verificarse de forma independiente, aquí solo se recoge como una afirmación del texto original.

Los documentos de Microsoft también sacan a relucir la caída del tráfico de los editores

Según los datos de Microsoft recogidos en el expediente judicial, el uso de Copilot como «motor de respuestas» provocó que los clics dirigidos al dominio de The New York Times se redujeran, en algunos casos, hasta un 93 % en comparación con las búsquedas tradicionales en Bing. En una presentación interna elaborada en enero de 2024 por Brent Hecht, director de Ciencias Aplicadas de Microsoft, esta situación se define como un «círculo vicioso» y se señala que el debilitamiento de los creadores de contenido podría afectar negativamente, a largo plazo, tanto a los modelos como al ecosistema de la web abierta. El documento de Microsoft citado en el expediente señala que no es habitual que un producto amenace la estructura económica de sus propios proveedores de contenido básicos y que, en el caso de los grandes modelos de lenguaje, se ha materializado un riesgo de este tipo. Se recoge que el director ejecutivo de Microsoft, Satya Nadella, afirmó en unas declaraciones realizadas este año que los contenidos protegidos por muro de pago deben obtener una licencia si se van a utilizar con fines de entrenamiento de modelos o para alimentar con información a los sistemas de inteligencia artificial. Nadella también señaló que, en caso de que se tuviera constancia de que OpenAI recopilara sin autorización contenidos protegidos por muro de pago y los utilizara para el entrenamiento de modelos, Microsoft podría plantear su derecho a exigir el reentrenamiento de dichos modelos.

En el expediente, las comunicaciones internas atribuidas a Nick Turley, responsable de ChatGPT en OpenAI, también apuntan al riesgo económico al que se enfrentan los editores. Se señala que Turley afirmó que los bots de chat pueden sustituir parcialmente los contenidos que ofrecen los editores y que este efecto podría aumentar a medida que los modelos se perfeccionen. Se informa de que el presidente de OpenAI, Greg Brockman, calificó los modelos de «muy exitosos» en el ámbito de las noticias, mientras que Nadella reconoció que los bots de chat pueden reducir la necesidad de acudir a la página web original, al permitir que el usuario acceda a la información directamente a través de la interfaz de inteligencia artificial. The Times utiliza estas declaraciones para respaldar su tesis de que los productos de inteligencia artificial no solo transforman los contenidos existentes, sino que, en determinados escenarios de uso, pueden competir directamente con los contenidos originales. En otro documento de Microsoft también se señala que existe un «riesgo real» de que la inteligencia artificial generativa pueda afectar gravemente al empleo de las personas que generan los datos con los que se entrenan los modelos básicos.

Uno de los aspectos más llamativos de los documentos recién revelados se refiere a la cantidad de datos utilizados. Según la demanda judicial, en los conjuntos de datos utilizados en las fases intermedias del entrenamiento de los modelos de OpenAI se encuentran copias de más de 91 692 artículos publicados por The New York Times, el Daily News y el Center for Investigative Reporting. Se alega además que otro conjunto de datos basado en Common Crawl contiene más de dos millones de documentos procedentes únicamente del dominio nytimes.com. En la demanda de The Times también se recoge que, en una nota interna de la empresa fechada en enero de 2023, Brent Hecht calificó el uso de datos a esta escala como «un robo sorprendente a una escala sin precedentes» y «el mayor robo de trabajo de la historia de la humanidad». Dado que los documentos adicionales que contienen el contexto original de estas palabras no son de dominio público, no es posible deducir del expediente actual en qué marco de debate se utilizaron estas expresiones en su totalidad.

El Game Garaj Slayer R9T con pantalla de 300 Hz tiene un descuento de 10 049,90 TL en la cesta

Comprar

La barra de sonido LG S40T con 300 W de potencia, por 7.318,80 TL en la cesta

Comprar

Next Stick 4K con Google TV, con un descuento de 464,55 TL en la cesta

Comprar

Auriculares supraaurales QCY H3 con ANC de 43 dB por 1.398 TL en la cesta

Comprar

Auriculares Havit TW984 con ANC, a 636,65 TL con un 15 % de descuento en la cesta

Comprar

Ver todo Filtrar

Ver todas las ofertas

PUBLICIDAD — Este contenido incluye enlaces de afiliados. Teknoblog puede obtener una comisión por las compras realizadas a través de estos enlaces.

La demanda también incluye alegaciones más detalladas sobre cómo OpenAI y Microsoft recopilan el contenido de los editores. Según el expediente, OpenAI facilitó a Microsoft la totalidad del conjunto de datos de entrenamiento de GPT-3, y Microsoft utilizó estos datos para evaluar cómo podía integrar los modelos de OpenAI en sus propios productos comerciales. Se alega que Microsoft proporcionó datos de entrenamiento a OpenAI a través de los proyectos «Project Taxi» y «Project Mango», y que el conjunto de datos creado en el marco de «Project Mango» contiene copias de al menos 160 903 obras únicas pertenecientes a medios de comunicación. En la demanda de The Times también se señala que los empleados de OpenAI debatieron métodos para sortear los muros de pago sin ser detectados. Se alega que el investigador de OpenAI Nick Ryder informó a Brockman de que había encontrado un método para sortear el muro de pago de The New York Times, y que Brockman respondió positivamente a ello.

Entre las acusaciones figura que los conjuntos de datos de entrenamiento de OpenAI, como WebText y WebText2, se basan en gran medida en contenidos periodísticos escaneados, además de que se han recopilado millones de artículos del archivo Common Crawl. The Times afirma además que algunos investigadores trabajaron para eliminar los avisos de derechos de autor de los datos de entrenamiento, alegando que no querían que el modelo generara avisos de derechos de autor a los usuarios. Steven Lieberman, el abogado que sigue el caso en nombre del New York Daily News, sostiene que los nuevos materiales demuestran que OpenAI y Microsoft son conscientes de que sus prácticas son problemáticas. Por el contrario, una parte importante de las declaraciones en cuestión procede de la demanda presentada por los demandantes y, dado que aún no se han hecho públicos todos los documentos fundamentales, no se puede apreciar el contexto completo de estas citas por parte de las empresas. En este sentido, el caso no solo se refiere a qué contenidos se utilizaron en el pasado para el entrenamiento de los modelos, sino que también incide directamente en los límites legales dentro de los cuales se desarrollarán las disputas entre las empresas de inteligencia artificial y los medios de comunicación en materia de licencias, tráfico y reparto de ingresos.