Documentos revelam: Microsoft chamou raspagem de dados de IA de "roubo"
Filings não redigidos do processo movido pelo New York Times mostram executivos da Microsoft e da OpenAI admitindo internamente que a raspagem de conteúdo pago para treinar IA prejudicaria editoras — enquanto ambas seguiam extraindo o material.
Por Otávio Meireles · Repórter de Mercado
O número que expõe a contradição
91.692 cópias de reportagens do New York Times, do Daily News e do Center for Investigative Reporting — jornal sem fins lucrativos americano dedicado a apuração investigativa — foram parar em datasets de treinamento da OpenAI, segundo documentos judiciais recém-desredigidos. O detalhe que muda o tom do processo, movido há três anos pelo NYT contra Microsoft e OpenAI, é que a própria big tech já sabia que isso era problemático: Brent Hecht, diretor de Applied Science da Microsoft, escreveu internamente em janeiro de 2023 que a prática era "um roubo de proporções sem precedentes" e "o maior roubo de trabalho da história da humanidade".
Quem sabia e quando
Os novos trechos liberados do processo mostram que o alarme não veio de fora. Em janeiro de 2024, Hecht voltou ao tema em uma apresentação interna, descrevendo um "doom loop": a queda de tráfego para sites de notícias prejudicaria tanto as editoras quanto a qualidade dos próprios modelos de IA, que dependem desse conteúdo para treinar. Os dados internos da Microsoft, citados no processo, apontam queda de até 93% no click-through rate do domínio do NYT quando o tráfego passa pelo Copilot, na comparação com a busca tradicional do Bing.
Do lado da OpenAI, Nick Turley, chefe do ChatGPT, alertou que editoras enfrentavam uma "ameaça existencial" de produtos de IA que já eram "largamente substitutivos" e tendiam a piorar com o avanço dos modelos. Greg Brockman, presidente da OpenAI, por sua vez, reagiu com um "ah nice" a um plano interno para driblar o paywall do NYT sem ser detectado, segundo os documentos.
Escala da coleta e a defesa de Nadella
Os filings detalham a extensão da coleta: cerca de 2 milhões de documentos do nytimes.com em um dataset derivado do Common Crawl, e 160.903 obras únicas de editoras de notícias reunidas no chamado Project Mango — um dos datasets internos usados no treinamento. O material também descreve remoção deliberada de avisos de copyright antes do uso dos textos.
Mesmo diante disso, o CEO da Microsoft, Satya Nadella, testemunhou que conteúdo pago "deveria ser licenciado por qualquer um que quisesse usá-lo" — mas admitiu que só teria exigido o retreinamento dos modelos se soubesse, à época, que material pago da imprensa estava sendo raspado.
Quem ganha, quem perde
O caso, movido em dezembro de 2023, ainda não tem decisão de mérito, mas os documentos não redigidos fortalecem a tese do NYT de que a defesa de "fair use" das duas empresas esbarra em admissões internas sobre dano concreto às editoras. Para a indústria de notícias, o processo se soma a outras ações movidas por veículos menores contra as mesmas empresas. Para Microsoft e OpenAI, o risco é regulatório e reputacional: as próprias palavras de seus executivos, agora públicas, descrevem como "roubo" e "ameaça existencial" práticas que ambas continuaram a operar mesmo depois de alertadas internamente.
Atualização (18/09, 03:44): ## Atualização
Novos documentos sem redação no processo movido pelo The New York Times contra a OpenAI e a Microsoft revelam quem fez a acusação e em que termos exatos. Segundo os arquivos, o autor foi Brent Hecht, diretor de Applied Science da Microsoft, que em um memorando interno de janeiro de 2023 classificou a prática de raspar a web aberta para treinar modelos de IA como "an astonishing theft of unprecedented proportions" — um roubo surpreendente de proporções sem precedentes — chegando a descrevê-la como "the largest theft of labor in human history" (o maior roubo de trabalho da história da humanidade).
Os documentos também detalham o temor interno de um "doom loop" (ciclo de destruição) para veículos de notícias: um material de Hecht aponta queda de 93% nos cliques recebidos pelo domínio do NYT quando o tráfego passa pelo Copilot, ciclo que, segundo o próprio memorando, "prejudica o desempenho dos nossos modelos e da web inteira ao mesmo tempo". Do lado da OpenAI, Nick Turley, chefe do ChatGPT, escreveu que produtos como o chatbot representam uma "existential threat" (ameaça existencial) aos editores por serem "largely substitutive" ao jornalismo original.
Os arquivos ainda apontam, segundo os documentos do caso, que as empresas teriam contornado paywalls sem serem detectadas e retirado avisos de direitos autorais dos dados usados para treinamento, além de indicar mais de 91.692 cópias de conteúdo do NYT, do Daily News e do Center for Investigative Reporting apenas nos datasets intermediários da OpenAI.
Atualização (18/09, 18:44): Atualização: Documentos liberados no processo movido pelo New York Times contra Microsoft e OpenAI revelam o nome por trás da frase que motivou esta matéria: Brent Hecht, diretor de Ciência Aplicada da Microsoft, escreveu em um memorando interno de janeiro de 2023 que o uso de conteúdo jornalístico para treinar IA era “um roubo impressionante de proporções sem precedentes” e “o maior roubo de trabalho da história humana”.
A Microsoft se distanciou da declaração: um porta-voz da empresa afirmou que a opinião é pessoal do funcionário e “não reflete a posição da empresa”. Os documentos do processo mostram a escala da coleta de dados: os datasets intermediários da OpenAI continham mais de 91.692 cópias de matérias do New York Times, do Daily News e do Center for Investigative Reporting, extraídas de um total de mais de 10 milhões de artigos — quase um terço deles só do NYT. Outro nome citado nos mesmos autos é Nick Turley, líder do time do ChatGPT, que em junho de 2023 escreveu, em mensagem interna, que a IA representava uma “ameaça existencial” aos veículos de notícias.