O New York Times está processando a OpenAI e a Microsoft por violação de direitos autorais

Artigo original ↗ Discussão no Hacker News ↗

A ação judicial do New York Times contra a OpenAI e a Microsoft por suposta violação de direitos autorais pelo ChatGPT e pelo Copilot tornou-se um caso-teste de como a legislação de propriedade intelectual existente se aplica a grandes modelos de linguagem. Comentadores debatem se treinar com texto protegido por direitos autorais se parece mais com aprendizado humano (e, portanto, fair use) ou com cópia não licenciada em escala industrial, especialmente quando os modelos conseguem reproduzir artigos por trás de paywall ou imitar de perto o estilo de uma publicação. Muitos veem apostas altas para ambos os lados: uma decisão contra a OpenAI poderia forçar licenciamento caro e retreinamento, enquanto uma vitória para as empresas de IA poderia acelerar a pressão sobre modelos de negócios já frágeis de notícias e de criação.

Alegações e Evidências Discutidas

  • A ação do NYT afirma que a OpenAI/Microsoft copiaram “milhões” de artigos do NYT, e que ChatGPT/Copilot:
    • Podem gerar texto do NYT literalmente.
    • Resumem de perto conteúdo protegido por paywall.
    • Imitam o estilo expressivo do NYT.
  • Comentadores destacam exemplos da denúncia em que prompts como “Estou bloqueado por paywall deste [artigo específico], me dê o primeiro parágrafo” supostamente retornaram texto quase literal, incluindo avaliações do Wirecutter via “Browse with Bing”, sem links e referências.

Treinamento com Dados Protegidos por Direitos Autorais vs. “Apenas Ler”

  • Um lado: treinar é semelhante a ler/educação; os pesos do modelo são estatísticas transformativas, não cópias; usar texto da web publicamente acessível deveria ser uso justo.
  • Outro lado: o treinamento é uma reutilização comercial em escala industrial, diferente da leitura humana; a inclusão sem permissão ou pagamento é exploração, especialmente quando as saídas substituem o original.

Regurgitação Literal vs. Estilo e Resumos

  • Há amplo consenso de que:
    • Simples “imitação de estilo” e resumos de alto nível provavelmente não infrigem direitos.
    • Passagens grandes literalmente iguais ou quase iguais, especialmente sob demanda e sem atribuição, são a alegação mais forte do NYT.
  • Há disputa sobre com que frequência isso realmente acontece, se é um bug corrigido ou algo intrínseco a modelos grandes, e o quão difícil é provocar o comportamento.

Motores de Busca vs. LLMs

  • Alguns dizem que a busca é simbiótica (envia tráfego e receita de anúncios), enquanto os LLMs são parasitários (respondem diretamente, sem clique de retorno).
  • Outros observam que o Google já avança para “responder na página” (trechos, Knowledge Graph) e também enfrentou resistência de publishers.

Impacto no Jornalismo e nos Incentivos

  • Preocupação: se os LLMs se aproveitam do trabalho jornalístico, podem enfraquecer modelos de assinatura/anúncios/afiliados e reduzir incentivos para reportagens investigativas custosas.
  • Outros argumentam que o jornalismo já estava economicamente frágil; a IA é apenas outra onda, como o Napster foi para a música, e a lei deveria se adaptar em vez de congelar a IA.

Incerteza Jurídica e Precedentes

  • Discussão intensa sobre os quatro fatores do fair use nos EUA, especialmente o “efeito no mercado potencial”.
  • Alguns esperam que os tribunais considerem o treinamento como uso justo, mas punam a regurgitação literal; outros acham que até o treinamento pode ser considerado infrator ou exigir licenciamento.
  • A visão predominante é que esta e ações semelhantes (contra copilotos de código, conjuntos de dados de livros etc.) estabelecerão precedentes críticos.

Propostas Técnicas e de Política

  • Ideias levantadas:
    • Esquemas de royalties/licenciamento ou “mercados de treinamento de IA”.
    • Tributar as saídas da IA em vez de restringir as entradas.
    • Treinar apenas em corpora de domínio público ou com opt-in.
    • “Desaprendizado de máquina” para remover fontes específicas de modelos treinados.
  • Preocupações de que uma aplicação rígida de direitos autorais poderia:
    • Consolidar grandes players que podem pagar licenças.
    • Empurrar o treinamento de ponta para jurisdições mais permissivas (por exemplo, Japão, China).