Microsoft llamó al scraping de IA «el mayor robo de trabajo de la historia» en sus documentos internos

Un científico de Microsoft puso nombre a lo que la compañía estaba construyendo, y el nombre no era halagador. Al revisar cómo los modelos de lenguaje grandes aprenden de la web abierta, lo llamó “el mayor robo de mano de obra en la historia humana”. La frase fue escrita para ojos internos. Ahora es una prueba en un tribunal.

La frase aterriza como un ‘gotcha’: el propio empleado del gigante de la IA calificando el modelo de negocio como robo. Esa lectura es demasiado pequeña. Lo que realmente muestran los documentos desclasificados es una empresa que entendía el mecanismo que estaba monetizando, describió ese mecanismo en lenguaje sencillo y lanzó el producto de todas formas. La parte interesante no es el insulto. Es el diagrama que lo sustenta.

El documento pertenece a Brent Hecht, director de ciencia aplicada de Microsoft, y salió a la luz en el caso de derechos de autor que The New York Times presentó contra OpenAI y Microsoft. Hecht argumentó que entrenar modelos con trabajos publicados sin pago equivalía a “un robo asombroso de proporciones sin precedentes”. Una presentación interna aparte profundizó en la maquinaria: advertía que la estrategia de contenido de IA de Microsoft había iniciado un “bucle de perdición” que “perjudicaría el rendimiento de nuestros modelos y de toda la web al mismo tiempo”. Los modelos de lenguaje grandes, dice una línea, son “un producto que destruye su propia cadena de suministro”.

Esa última frase es toda la historia en siete palabras. Un chatbot que responde una pregunta dentro del cuadro de búsqueda elimina la razón para hacer clic en la página de la que aprendió. Menos clics significan menos ingresos para los sitios que producen los textos, lo que significa que menos de ellos sobreviven, lo que significa menos texto humano fresco para que el próximo modelo se entrene. Microsoft no teorizó este bucle desde fuera. Sus propios datos lo midieron: el motor de respuestas de Copilot redujo las tasas de clics al sitio del Times hasta en un 93% en comparación con la búsqueda normal.

Los documentos también cuantifican el lado de entrada del negocio. Los datos de entrenamiento intermedio de OpenAI contenían más de 91.000 copias de obras del Times, el Daily News y el Center for Investigative Reporting. Un conjunto de datos extraído de Common Crawl llevaba más de dos millones de documentos solo de nytimes.com. Una colección etiquetada como Proyecto Mango contenía al menos 160.000 obras únicas de editores de noticias. Los documentos describen muros de pago eludidos y avisos de derechos de autor eliminados del texto antes de introducirlo.

Los propios ejecutivos de OpenAI no eran ingenuos sobre el efecto. Se cita a Nick Turley, quien dirige ChatGPT, describiendo productos que son “en gran medida sustitutivos” del periodismo y calificando el cambio como una “amenaza existencial” para los editores. Es la misma conclusión a la que llegó Hecht, archivada bajo un cargo diferente.

He aquí por qué el lenguaje importa más allá de la vergüenza. Microsoft se ha distanciado de los comentarios, diciendo al tribunal que su posición real cumple con la ley de derechos de autor, y ninguna de las dos empresas quiso comentar sobre la filtración. Pero una defensa de uso justo depende en parte de lo que una empresa sabía y pretendía. Documentos en los que sus propios científicos nombran el daño —robo, una cadena de suministro destruida, una web vaciada— no son opiniones que la empresa pueda simplemente repudiar. Se leen como evidencia de que el mecanismo se entendió antes de escalar.

La web de la que estos modelos aprendieron fue construida por personas que asumían que había un lector al otro lado. Los archivos de Microsoft muestran que sabía, por escrito, que el lector estaba siendo diseñado fuera del sistema, y siguió construyendo.

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