OpenAI e o jornalismo
A resposta da OpenAI à ação judicial por direitos autorais do The New York Times reacendeu o debate sobre se usar texto online para treinar grandes modelos de linguagem conta como uso justo, especialmente quando os modelos ocasionalmente reproduzem material protegido ou com acesso pago literalmente. Os comentaristas discutem questões jurídicas e éticas centrais: se o treinamento com dados coletados sem consentimento é permitido, se a regurgitação pode ser descartada como um “bug”, o quanto a IA afeta comercialmente o jornalismo e outros criadores, e se políticas de opt-out ou filtros técnicos realmente abordam essas preocupações. Muitos veem o caso como um momento de precedente que pode remodelar tanto as práticas de desenvolvimento de IA quanto os incentivos econômicos para produzir conteúdo original na internet.
Uso justo e dados de treinamento
- Grande disputa sobre se treinar com texto protegido por direitos autorais é uso justo.
- Alguns argumentam que é claramente transformativo e análogo a casos anteriores (por exemplo, digitalização de livros em grande escala / busca).
- Outros dizem que usar o trabalho de pessoas para construir um produto concorrente não é uso justo, especialmente quando feito com conteúdo pirateado ou com acesso pago.
- Debate sobre se “publicamente disponível” exclui fontes com paywall ou parcialmente com paywall, como grandes jornais.
Regurgitação vs. transformação
- Muitos aceitam que o treinamento possa ser uso justo, mas veem a regurgitação literal como violação clara, independentemente de intenção ou raridade.
- Outros argumentam que, se um humano pode legalmente lembrar ou parafrasear, uma IA deve ser tratada de forma semelhante; o contra-argumento é que a reprodução massiva e automatizada é fundamentalmente diferente.
- Questão levantada: se a regurgitação é <1%, isso enfraquece de forma significativa a alegação de que os modelos substituem a leitura das fontes originais?
Analogias jurídicas e responsabilidade
- Fazem-se comparações com:
- Recitar artigos em público.
- Google/YouTube/Dropbox hospedando conteúdo de usuários sob os safe harbors da DMCA.
- Um “savant” reproduzindo livros da memória vs. resumos/análises.
- Alguns dizem que a saída da inferência não é “gerada pelo usuário” sob a DMCA e, portanto, as plataformas não têm essa proteção.
- Debate sobre onde a responsabilidade recai: fabricante da ferramenta vs. usuários e intermediários downstream.
Opt-out, transparência e conjuntos de dados
- Forte crítica ao opt-out introduzido apenas recentemente e não aplicado retroativamente.
- A visão de que “você não pode desaprender” é usada como uma desculpa conveniente; outros respondem que o retreinamento completo é tecnicamente possível, mas caro.
- Pedidos para que os modelos ao menos divulguem com quais conjuntos de dados foram treinados, mesmo que os dados brutos não possam ser liberados.
Mitigação técnica
- Sugestões: filtros de saída para detectar texto protegido por direitos autorais, reescrita pós-geração, construção de busca de referência contra o corpus de treinamento.
- Discordância sobre a viabilidade: alguns dizem que filtragem simples de texto é viável; outros apontam que LLMs não têm armazenamento/índices explícitos e não conseguem “desaprender” itens específicos de forma confiável.
Impacto no jornalismo e na internet
- Preocupação de que, se sistemas de IA substituírem a leitura das fontes originais, os incentivos para produzir jornalismo de qualidade e conteúdo criado por humanos enfraquecerão.
- Visão contrária: o caso de uso atual de regurgitação é marginal em comparação com os atalhos já existentes para contornar paywalls; alguns veem como custo alto demais frear o progresso da IA para agradar editoras.
Percepção da resposta da OpenAI
- Muitos veem o post do blog como PR voltado ao público e a clientes corporativos, não como argumento jurídico sério.
- Ceticismo quanto às alegações de que qualquer fonte individual (por exemplo, um grande jornal) “não é significativa” para o modelo, dado que todas essas fontes são necessárias em conjunto.