¿Qué sabía Microsoft sobre el supuesto gran robo de la IA generativa?

Microsoft tenía dentro de casa una discusión bastante más incómoda de lo que sugería su discurso público. Brent Hecht, director de Ciencia Aplicada de Microsoft, describió en documentos internos la recopilación masiva de contenidos utilizados para entrenar modelos de inteligencia artificial como un posible «mayor robo de trabajo en la historia de la humanidad». En otro documento habló de un «robo asombroso de proporciones sin precedentes». Las frases han salido a la luz dentro del litigio por derechos de autor que enfrenta a varios grandes medios estadounidenses con Microsoft y OpenAI.

Eso no significa que un tribunal haya determinado que Microsoft u OpenAI «robaron» contenidos. No existe todavía esa conclusión judicial. Lo relevante es otra cosa: los documentos desprecintados muestran que, mientras las compañías defendían que el entrenamiento de sus modelos podía acogerse al fair use —el uso legítimo previsto por la legislación estadounidense—, dentro de las propias empresas había empleados y responsables que advertían sobre la magnitud de la copia, sus implicaciones y el riesgo económico para quienes producían los contenidos originales.

La cuestión afecta directamente al corazón económico de la inteligencia artificial generativa. Los grandes modelos de lenguaje aprendieron procesando cantidades gigantescas de textos procedentes de internet: artículos periodísticos, páginas web, libros, documentación técnica, foros y muchas otras fuentes. La pelea jurídica consiste en decidir hasta dónde puede llegar ese entrenamiento sin autorización y cuándo la transformación tecnológica deja de ser suficiente para justificar la copia.

Las palabras que Microsoft no esperaba ver fuera de Microsoft

Las declaraciones de Hecht aparecen en material interno citado por los editores demandantes. Una de ellas procede de un documento de enero de 2023, cuando ChatGPT apenas llevaba unas semanas convertido en fenómeno mundial. Hecht planteaba que millones de personas podían percibir el hecho de que los grandes modelos absorbieran su trabajo como una apropiación gigantesca.

La importancia de aquellas palabras no radica únicamente en su contundencia. Llegaron antes de que el conflicto sobre los derechos de autor de la IA alcanzara su dimensión actual. No son, por tanto, el comentario retrospectivo de alguien observando una polémica ya madura, sino parte de una discusión interna que se producía mientras la industria aceleraba el desarrollo de sus modelos.

Microsoft ha marcado distancias. Su portavoz Alex Haurek sostuvo que los comentarios de Hecht representan la perspectiva individual de un empleado, no constituyen un análisis jurídico y no expresan la posición corporativa de Microsoft. La compañía mantiene ante los tribunales que los usos cuestionados son transformadores y compatibles con la legislación estadounidense sobre propiedad intelectual.

Es una diferencia importante. Un correo interno puede ser incómodo, revelador o incluso demoledor en términos reputacionales, pero no convierte por arte de magia una discusión empresarial en una confesión penal. El derecho de autor es bastante menos cinematográfico.

El problema no es solo con qué se entrenó la IA

El escrito presentado por los medios sostiene que OpenAI y Microsoft utilizaron millones de artículos periodísticos en diferentes conjuntos de datos empleados durante el desarrollo de sus sistemas. Entre las fuentes mencionadas aparecen materiales derivados de Common Crawl y del índice de Bing, así como proyectos internos mediante los cuales Microsoft habría facilitado datos a OpenAI.

Uno de ellos, denominado Project Mango, habría contenido al menos 160.903 obras únicas pertenecientes a los editores demandantes, según la documentación judicial citada por los medios que han tenido acceso a los escritos. Otro conjunto derivado de Common Crawl incluía más de dos millones de documentos procedentes del dominio de The New York Times. Son alegaciones presentadas dentro del litigio y todavía sometidas a la valoración del juez.

Los demandantes también sostienen que empleados de OpenAI estudiaron mecanismos para acceder a contenidos situados tras muros de pago. La documentación publicada recoge un intercambio en el que se menciona un procedimiento para sortear el paywall de The New York Times. De nuevo, el matiz importa: hablamos de material aportado por una de las partes del proceso, no de hechos que el tribunal haya declarado probados.

Cuando la IA empieza a sustituir al sitio que la alimentó

Aquí aparece quizá la parte más delicada del caso. El conflicto no termina en determinar si se copiaron artículos durante el entrenamiento. Los editores sostienen que los productos resultantes pueden competir con esos mismos artículos, ofreciendo al usuario suficiente información como para que no necesite visitar la fuente original.

Documentos internos atribuidos a Microsoft hablan incluso de un «doom loop», un círculo vicioso: los sistemas de IA reducen el tráfico que reciben los medios; los medios pierden ingresos y capacidad para producir información; y, finalmente, la propia IA dispone de menos contenido nuevo y de calidad con el que alimentarse. No es una paradoja menor. Es como serrar lentamente la rama sobre la que se ha instalado el centro de datos.

Según datos internos citados en los escritos judiciales, el sistema de respuestas de Copilot habría reducido hasta un 93 % la tasa de clics hacia The New York Times en comparación con las búsquedas tradicionales de Bing en determinados análisis realizados por Microsoft. El dato forma parte de la argumentación presentada por los demandantes y todavía no equivale a una conclusión judicial sobre el daño económico global provocado por la IA.

OpenAI también discutía el riesgo para los medios

La inquietud no aparece únicamente en Microsoft. Nick Turley, responsable de ChatGPT, escribió internamente en 2023 sobre una posible «amenaza existencial» para los editores, según los documentos desprecintados. Meses después señaló que los productos de inteligencia artificial podían volverse cada vez más sustitutivos a medida que mejorasen.

Esa documentación resulta especialmente relevante porque el efecto sobre el mercado es uno de los elementos que los tribunales estadounidenses analizan al estudiar el fair use. No basta con mirar el funcionamiento técnico del modelo; también importa qué ocurre con la obra utilizada y con el mercado al que pertenece.

El fair use está en el centro de la batalla

OpenAI y Microsoft defienden que entrenar modelos con material protegido puede ser un uso transformador. Un modelo no funciona, argumentan, como una biblioteca que entrega automáticamente copias exactas de los textos que ha leído. Durante el entrenamiento identifica patrones estadísticos del lenguaje y utiliza ese aprendizaje para producir nuevas respuestas.

Esa tesis cuenta con argumentos jurídicos relevantes y con precedentes relacionados con otras tecnologías. La Oficina de Derechos de Autor de Estados Unidos ha reconocido que el análisis no puede resolverse con una regla automática: el mismo acto de copia puede recibir un tratamiento distinto dependiendo de su finalidad, de cómo se obtuvo el material, de la naturaleza de las obras y del impacto sobre su mercado. También diferencia entre entrenamiento inicial, ajustes posteriores y otros usos de los contenidos.

Pero el organismo estadounidense también ha advertido de que la escala y la capacidad de la IA generativa para competir con obras humanas pueden causar daños relevantes en determinados mercados. El acceso al material tampoco es indiferente: la utilización consciente de copias pirateadas o contenidos obtenidos sorteando sistemas de acceso puede pesar en el análisis jurídico, aunque por sí sola tampoco resuelva automáticamente la cuestión del fair use.

Ahí está el territorio gris que ahora deben cartografiar los jueces. Utilizar miles de millones de palabras para enseñar a una máquina relaciones lingüísticas no es exactamente lo mismo que republicar un artículo. Pero tampoco significa que cualquier copia previa quede automáticamente bendecida por llevar después la etiqueta de inteligencia artificial.

Satya Nadella y la frontera de los contenidos de pago

El expediente judicial aporta otro detalle significativo. Satya Nadella, consejero delegado de Microsoft, declaró durante una deposición que el contenido situado tras un muro de pago debería ser objeto de licencia para utilizarse en procesos de entrenamiento o sistemas de recuperación de información. También indicó que, de haber sabido que OpenAI había entrenado modelos con contenido obtenido indebidamente detrás de un paywall, Microsoft podía haber exigido un nuevo entrenamiento.

La declaración no resuelve si eso ocurrió exactamente en los términos planteados por los demandantes, pero ayuda a dibujar una frontera que incluso las propias compañías tecnológicas reconocen: acceder a una página pública y superar deliberadamente una barrera de pago no son necesariamente la misma cosa.

Internet tampoco convirtió nunca todo lo publicado en dominio público. Que un texto pueda leerse desde un navegador significa que es accesible bajo determinadas condiciones, no que haya perdido automáticamente los derechos asociados a su creación. La llegada de sistemas capaces de procesar la web a escala industrial ha llevado esa vieja distinción a una dimensión que las leyes anteriores a la IA apenas podían imaginar.

Quién paga por alimentar a la inteligencia artificial

El litigio se encuentra en una fase decisiva. The New York Times presentó su demanda contra OpenAI y Microsoft a finales de 2023 y otros editores se incorporaron posteriormente. Las partes han pedido al juez federal Sidney H. Stein, del Distrito Sur de Nueva York, que resuelva cuestiones centrales mediante sentencia sumaria, evitando que determinados aspectos tengan que llegar a juicio.

El Departamento de Justicia estadounidense también ha intervenido defendiendo una interpretación favorable a que determinados usos de obras protegidas durante el entrenamiento puedan considerarse fair use, una posición que añade peso institucional al argumento de las compañías tecnológicas pero que tampoco obliga al juez a adoptarlo.

Lo descubierto estos días no demuestra jurídicamente que la inteligencia artificial generativa naciera de un robo. Demuestra algo más preciso y probablemente más incómodo: dentro de las empresas que estaban construyendo esta tecnología ya existía una discusión seria sobre si absorber a escala masiva el trabajo producido por otros podía convertirse en una apropiación sin precedentes y, al mismo tiempo, destruir parte del ecosistema que generaba ese material.

La batalla que queda no es semántica. «Robo», «transformación», «entrenamiento», «uso legítimo»… las palabras sirven para disputar el terreno. Lo que tendrán que decidir los tribunales es mucho más tangible: quién puede utilizar el trabajo ajeno, en qué condiciones y quién debe pagar cuando ese trabajo termina convertido en materia prima de una industria multimillonaria.