Microsoft chamou a raspagem de dados por IA de “o maior roubo de trabalho da história” em arquivos internos

Um cientista da Microsoft deu um nome ao que a empresa estava construindo, e o nome não era lisonjeiro. Ao revisar como os modelos de linguagem de grande escala aprendem com a web aberta, ele chamou o processo de “o maior roubo de trabalho da história humana”. A frase foi escrita para olhos internos. Agora é uma peça de tribunal.

A frase está sendo recebida como uma revelação incriminadora: o próprio funcionário da gigante de IA chamando o modelo de negócio de roubo. Essa leitura é pequena demais. O que os documentos divulgados realmente mostram é uma empresa que entendia o mecanismo que estava monetizando, descreveu esse mecanismo em linguagem clara e lançou o produto mesmo assim. A parte interessante não é o insulto. É o diagrama por baixo dele.

O documento pertence a Brent Hecht, diretor de ciência aplicada da Microsoft, e veio à tona no processo de direitos autorais que o The New York Times moveu contra a OpenAI e a Microsoft. Hecht argumentou que treinar modelos em obras publicadas sem pagamento equivalia a “um roubo surpreendente de proporções inéditas”. Uma apresentação interna separada ia além na mecânica: alertava que a estratégia de conteúdo de IA da Microsoft havia iniciado um “ciclo vicioso” que “prejudicaria o desempenho de nossos modelos e toda a web ao mesmo tempo”. Modelos de linguagem de grande escala, diz uma linha, são “um produto que destrói sua própria cadeia de suprimentos”.

Essa última frase é a história toda em sete palavras. Um chatbot que responde a uma pergunta dentro da caixa de busca elimina o motivo para clicar na página de onde aprendeu. Menos cliques significam menos receita para os sites que produzem o texto, o que significa que menos deles sobrevivem, o que significa menos texto humano fresco para o próximo modelo treinar. A Microsoft não teorizou esse ciclo de fora. Seus próprios dados mediram isso: o mecanismo de respostas do Copilot reduziu as taxas de clique para o site do Times em até 93% em comparação com a busca comum.

Os documentos também quantificam o lado da entrada da troca. Os dados de treinamento intermediário da OpenAI continham mais de 91.000 cópias de obras do The New York Times, do Daily News e do Center for Investigative Reporting. Um conjunto de dados extraído do Common Crawl carregava mais de 2 milhões de documentos apenas do nytimes.com. Uma coleção rotulada como Project Mango continha pelo menos 160.000 obras únicas de editoras de notícias. Os documentos descrevem paywalls contornados e avisos de direitos autorais removidos do texto antes de ser alimentado.

Os próprios executivos da OpenAI não eram ingênuos sobre o efeito. Nick Turley, que comanda o ChatGPT, é citado descrevendo produtos que são “amplamente substitutivos” para o jornalismo e chamando a mudança de “ameaça existencial” para as editoras. É a mesma conclusão a que Hecht chegou, arquivada sob um cargo diferente.

Aqui está por que a linguagem importa além do constrangimento. A Microsoft se distanciou das observações, dizendo ao tribunal que sua posição real está em conformidade com a lei de direitos autorais, e nenhuma das empresas comentaria sobre o vazamento. Mas uma defesa de uso justo depende em parte do que uma empresa sabia e pretendia. Documentos nos quais seus próprios cientistas nomeiam o dano — roubo, uma cadeia de suprimentos destruída, uma web esvaziada — não são opiniões que a empresa pode simplesmente repudiar. Eles são lidos como evidência de que o mecanismo foi compreendido antes de ser escalado.

A web da qual esses modelos aprenderam foi construída por pessoas que presumiam um leitor do outro lado. Os arquivos da Microsoft mostram que ela sabia, por escrito, que o leitor estava sendo projetado para fora, e continuou construindo.

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