Executivo da Microsoft chamou uso de conteúdo por IA de “maior roubo de trabalho da história”

Um executivo da Microsoft descreveu internamente a coleta em massa de conteúdo para sistemas de inteligência artificial como o “maior roubo de trabalho da história da humanidade”. A declaração, que até agora não era pública, apareceu em trechos de documentos judiciais revelados nesta quinta-feira (17).

A frase é de Brent Hecht, diretor de Applied Science e Partner da Microsoft. Ela surge em meio ao processo que reúne acusações de veículos de imprensa contra Microsoft e OpenAI pelo uso de material protegido por direitos autorais no desenvolvimento de modelos de IA.

Os novos trechos vão além da declaração. Eles mostram discussões internas sobre o impacto econômico da inteligência artificial sobre os próprios produtores de conteúdo, bases contendo grandes quantidades de material jornalístico e métodos utilizados para reunir dados destinados aos modelos.

Há, porém, uma distinção importante: a declaração de Hecht não representa a posição oficial da Microsoft. A empresa afirma que se trata da opinião individual de um funcionário e mantém sua defesa de que o treinamento de modelos pode estar protegido pela doutrina de fair use nos Estados Unidos.

O que o executivo da Microsoft disse sobre IA?

Brent Hecht teria feito a declaração em um memorando interno de janeiro de 2023 ao discutir a utilização de grandes volumes de conteúdo produzido por terceiros.

Segundo trechos revelados no processo, Hecht classificou a prática como um roubo em escala sem precedentes e afirmou que poderia representar o “maior roubo de trabalho da história da humanidade”.

Hecht não é um executivo aleatório dentro da companhia. O próprio perfil da Microsoft Research o apresenta como Partner Director of Applied Science, com trabalho voltado a inteligência artificial, futuro do trabalho e formas sustentáveis de relacionamento entre sistemas de IA e produtores de dados. Brent Hecht é Partner Director of Applied Science da Microsoft e pesquisa IA e futuro do trabalho. Foto: Microsoft Research

O tema também conversa diretamente com uma discussão que ganhou força dentro da própria Microsoft. Recentemente, a empresa publicou uma espécie de “constituição” para seus futuros modelos de inteligência artificial, colocando controle humano e limites de atuação entre os princípios centrais.

Documentos citam milhões de páginas usadas em bases de treinamento

Os documentos apresentados pelos veículos de imprensa no processo detalham a escala do material que teria sido reunido para treinamento.

Segundo a petição, determinados conjuntos de dados intermediários da OpenAI continham mais de 91 mil cópias de obras publicadas por veículos envolvidos na disputa judicial, entre eles The New York Times, Daily News e Center for Investigative Reporting.

Outro conjunto derivado do Common Crawl teria incluído mais de 2 milhões de documentos do domínio do The New York Times.

Esses números aparecem na argumentação dos autores do processo. Eles não significam, por si só, que um tribunal tenha determinado que todas essas cópias foram ilegais.

Microsoft e OpenAI teriam trocado grandes bases de dados

Os documentos também descrevem uma relação de troca de dados entre Microsoft e OpenAI durante o desenvolvimento dos modelos.

De acordo com a petição, a OpenAI forneceu à Microsoft o conjunto completo utilizado no treinamento do GPT-3 para que a empresa avaliasse como incorporar os modelos aos seus próprios produtos.

A Microsoft, por sua vez, teria fornecido dados à OpenAI em iniciativas internas chamadas Project Taxi e Project Mango.

O Project Taxi teria disponibilizado material reunido para o índice do Bing. Já o Project Mango envolveu um crawler operado pela Microsoft para coletar páginas destinadas à OpenAI.

Segundo os autores da ação, o conjunto produzido a partir do Project Mango incluía cópias de pelo menos 160.903 obras únicas dos veículos envolvidos no processo.

O caso chama atenção justamente porque a Microsoft mantém uma relação histórica muito próxima com a OpenAI, embora nos últimos anos tenha ampliado o desenvolvimento de modelos próprios. O Overdrive já mostrou como a Microsoft começou a criar suas próprias IAs para reduzir a dependência da OpenAI.

Documento também cita tentativa de contornar paywall

Outro trecho delicado envolve o acesso a reportagens protegidas por paywall.

A petição afirma que funcionários da OpenAI discutiram uma maneira de acessar conteúdo do The New York Times contornando o paywall durante processos de coleta de dados.

Em uma dessas conversas, o pesquisador Nick Ryder teria mencionado a técnica a Greg Brockman, presidente da OpenAI. Brockman respondeu apenas “ah nice”.

O material também afirma que conjuntos utilizados durante o desenvolvimento dos modelos passaram por procedimentos que removiam avisos de copyright antes de os dados chegarem ao modelo.

São alegações particularmente relevantes porque a disputa sobre como empresas podem utilizar conteúdo disponível na internet para treinar IA continua sem uma resposta única nos tribunais americanos.

Satya Nadella falou sobre conteúdo atrás de paywall

O CEO da Microsoft, Satya Nadella, também aparece nos documentos, mas não como autor da frase sobre “roubo de trabalho”.

Em depoimento citado na ação, Nadella afirmou que conteúdo protegido por paywall deveria ser licenciado por quem pretende utilizá-lo para treinamento ou para fornecer informações aos sistemas.

Ele também teria declarado que, se soubesse que a OpenAI havia coletado e utilizado conteúdo protegido por paywall no treinamento, poderia ter usado os direitos previstos no acordo entre as empresas para exigir um novo treinamento dos modelos.

Isso não representa uma admissão da Microsoft de que o treinamento descrito no processo foi ilegal. A companhia diferencia esses princípios gerais da questão jurídica que está sendo julgada.

Microsoft viu risco de IA diminuir visitas aos próprios sites que produzem conteúdo

Há outro ponto especialmente relevante para sites, jornais e criadores.

Segundo a petição, dados internos da Microsoft mostrariam quedas expressivas na taxa de cliques para sites jornalísticos quando respostas produzidas por inteligência artificial eram apresentadas no lugar da busca tradicional.

Em alguns casos envolvendo conteúdos do New York Times e do Daily News, a redução apontada chegaria a uma faixa de 83% a 93%.

Um documento interno da Microsoft teria descrito esse cenário como um possível ciclo negativo: menos tráfego reduz os recursos disponíveis para produzir novos conteúdos, o que, por consequência, também diminui a quantidade e a qualidade de material disponível para futuros sistemas de IA.

É uma discussão que vai muito além de Microsoft e OpenAI. Ferramentas como ChatGPT, Gemini e mecanismos de busca com respostas geradas por IA estão mudando a forma como usuários chegam às páginas originais. O Overdrive mantém uma área dedicada às principais mudanças em inteligência artificial. Microsoft investe em modelos próprios de IA ao mesmo tempo em que mantém produtos e infraestrutura ligados à OpenAI. Imagem: Microsoft

O que a Microsoft respondeu?

A Microsoft contestou a interpretação de que as declarações representem uma admissão da empresa.

O porta-voz Alex Haurek afirmou que os comentários de Brent Hecht representam a perspectiva individual de um funcionário, não constituem uma análise jurídica e não representam a posição oficial da Microsoft.

A empresa continua defendendo que o uso de conteúdo no treinamento de modelos pode ser protegido por fair use, argumento jurídico que permite determinados usos de material protegido por direitos autorais sem autorização prévia.

A Microsoft também sustenta que produtos como o Copilot não substituem o jornalismo produzido pelos veículos.

A OpenAI não havia apresentado uma resposta pública específica aos novos trechos quando as primeiras reportagens sobre os documentos foram publicadas.

O tribunal já decidiu que houve roubo?

Não. Esse ponto é fundamental.

A expressão “maior roubo de trabalho da história da humanidade” é uma declaração atribuída a Brent Hecht em comunicação interna. Ela não é uma conclusão do tribunal.

Da mesma forma, os números e episódios revelados agora fazem parte dos argumentos apresentados pelos veículos que processam Microsoft e OpenAI.

O processo, identificado como In Re: OpenAI, Inc. Copyright Infringement Litigation, reúne diferentes ações no Tribunal Federal do Distrito Sul de Nova York e ainda discute quais acusações poderão seguir para julgamento.

Outra ressalva é importante: embora vários trechos antes ocultos tenham sido tornados públicos, parte dos documentos originais usados como evidência continua sob sigilo. Isso significa que algumas das citações divulgadas aparecem na petição dos autores sem todo o contexto dos anexos de onde foram retiradas.

Por que o caso pode mudar a indústria de IA?

O centro da disputa é definir até onde vai o direito de empresas de inteligência artificial de utilizar material protegido por copyright para criar modelos comerciais.

Microsoft e outras companhias argumentam que o treinamento é transformativo e pode se enquadrar em fair use. Publishers e criadores sustentam que copiar suas obras sem autorização e depois criar produtos capazes de responder às mesmas necessidades do usuário prejudica economicamente o mercado original.

Uma decisão definitiva pode afetar desde grandes laboratórios de IA até jornais, sites, escritores, programadores, artistas e praticamente qualquer indústria cuja produção tenha sido incorporada a grandes bases de treinamento.

A Microsoft, enquanto isso, continua aumentando sua presença direta no setor. Além da parceria histórica com a OpenAI, a empresa já desenvolve modelos próprios da família MAI e mantém uma página dedicada às suas novidades no Overdrive.

Perguntas frequentes

A Microsoft chamou o treinamento de IA de roubo?

Não como posição oficial da empresa. A frase foi atribuída a Brent Hecht, diretor de Applied Science da Microsoft, em uma comunicação interna. A Microsoft afirma que a declaração representa a opinião individual dele.

Quem disse “maior roubo de trabalho da história da humanidade”?

A frase foi atribuída a Brent Hecht, Partner Director of Applied Science da Microsoft.

O tribunal já decidiu que Microsoft ou OpenAI violaram direitos autorais?

Não em relação às alegações reveladas agora. O processo continua e os novos documentos fazem parte da disputa sobre quais acusações e argumentos prevalecerão.

A OpenAI teria usado conteúdo atrás de paywall?

Os autores do processo afirmam que documentos internos mostram discussões sobre maneiras de contornar o paywall do The New York Times durante a coleta de dados. A questão faz parte das alegações ainda em disputa judicial.

O que são Project Taxi e Project Mango?

Segundo os documentos judiciais, eram iniciativas da Microsoft relacionadas ao fornecimento ou coleta de grandes quantidades de páginas para uso pela OpenAI. O Project Taxi envolveria dados derivados do índice do Bing, enquanto o Project Mango utilizaria um crawler operado pela Microsoft.