Microsoft classificou o scraping de IA como “o maior roubo de trabalho da história” nos seus ficheiros

Um cientista da Microsoft deu um nome ao que a empresa estava a construir, e o nome não era lisonjeiro. Ao rever como os grandes modelos de linguagem aprendem com a web aberta, chamou-lhe “o maior roubo de trabalho da história da humanidade”. A frase foi escrita para olhos internos. Agora é uma prova em tribunal.

A frase está a ser usada como uma crítica: o próprio funcionário do gigante da IA a chamar roubo ao modelo de negócio. Essa leitura é demasiado pequena. O que os documentos revelados mostram, na verdade, é uma empresa que compreendia o mecanismo que estava a monetizar, descreveu esse mecanismo em linguagem simples e, mesmo assim, lançou o produto. O interessante não é o insulto. É o diagrama por baixo dele.

O documento pertence a Brent Hecht, diretor de ciência aplicada da Microsoft, e surgiu no processo de direitos de autor que o The New York Times moveu contra a OpenAI e a Microsoft. Hecht argumentou que treinar modelos com trabalho publicado sem pagamento equivalia a “um roubo espantoso de proporções sem precedentes”. Uma apresentação interna separada aprofundou o mecanismo: alertou que a estratégia de conteúdo de IA da Microsoft tinha iniciado um “ciclo vicioso” que iria “prejudicar o desempenho dos nossos modelos e de toda a web ao mesmo tempo”. Os grandes modelos de linguagem, lê-se numa linha, são “um produto que destrói a sua cadeia de abastecimento”.

Essa última frase é toda a história em sete palavras. Um chatbot que responde a uma pergunta na caixa de pesquisa elimina a razão para clicar na página de onde aprendeu. Menos cliques significam menos receita para os sites que produzem o conteúdo, o que significa que menos deles sobrevivem, o que significa menos texto humano fresco para o próximo modelo treinar. A Microsoft não teorizou este ciclo de fora. Os seus próprios dados mediram-no: o motor de respostas do Copilot reduziu as taxas de cliques para o site do Times em até 93 por cento em comparação com a pesquisa normal.

Os documentos também quantificam o lado da entrada do negócio. Os dados de treino intermédio da OpenAI continham mais de 91.000 cópias de obras do Times, do Daily News e do Center for Investigative Reporting. Um conjunto de dados retirado do Common Crawl continha mais de dois milhões de documentos apenas de nytimes.com. Uma coleção chamada Projeto Mango continha pelo menos 160.000 obras únicas de editoras de notícias. Os documentos descrevem paywalls contornados e avisos de direitos de autor removidos do texto antes de ser alimentado.

Os próprios executivos da OpenAI não estavam alheios ao efeito. Nick Turley, que dirige o ChatGPT, é citado a descrever produtos que são “em grande parte substitutivos” do jornalismo e a chamar à mudança uma “ameaça existencial” para os editores. É a mesma conclusão a que Hecht chegou, arquivada sob um título de emprego diferente.

Eis porque é que a linguagem importa para além do embaraço. A Microsoft distanciou-se dos comentários, dizendo ao tribunal que a sua posição real cumpre a lei de direitos de autor, e nenhuma das empresas comentou a fuga. Mas uma defesa de uso justo depende em parte do que uma empresa sabia e pretendia. Documentos em que os seus próprios cientistas nomeiam o dano — roubo, uma cadeia de abastecimento destruída, uma web esvaziada — não são opiniões que a empresa possa simplesmente repudiar. Leem-se como evidência de que o mecanismo foi compreendido antes de escalar.

A web de onde estes modelos aprenderam foi construída por pessoas que assumiam um leitor do outro lado. Os documentos da Microsoft mostram que sabia, por escrito, que o leitor estava a ser eliminado, e continuou a construir.

Etiquetas: OpenAI, microsoft, AI training data, Brent Hecht, copyright lawsuits, The New York Times