Elige un compañero y descubre su opinión sobre esta noticia
Documentos judiciales recién desclasificados de la demanda por derechos de autor del New York Times contra OpenAI y Microsoft revelan que un ejecutivo de Microsoft describió en privado el scraping de datos de IA como «el mayor robo de trabajo en la historia de la humanidad» — incluso mientras ambas empresas construían conjuntos de datos de entrenamiento a partir del contenido de pago del Times.
Puntos clave
Los documentos sin censura en el caso NYT v. OpenAI revelan que Microsoft caracterizó internamente el scraping de contenido editorial como un robo de trabajo a gran escala.
Correos electrónicos de Microsoft y OpenAI también alertaron sobre un temido «bucle de destrucción»: el contenido generado por IA desplazaría a los medios de comunicación, lo que privaría a los futuros modelos de IA de datos de entrenamiento de calidad.
Ambas empresas extrajeron artículos del New York Times protegidos por pago para sus datos de entrenamiento, a pesar de estas advertencias internas.
Los documentos ponen de manifiesto una tensión estructural que afecta a todos los modelos de imagen y texto de IA entrenados con contenido creativo extraído de la web, incluidos los conjuntos de datos que sustentan los principales generadores de imágenes actuales.
El caso continúa en curso; los documentos desclasificados representan una escalada significativa en el expediente probatorio contra ambos demandados.
La contradicción interna que Microsoft no pudo censurar
Los documentos, reportados por TechCrunch, muestran que los altos cargos de Microsoft no operaban bajo ninguna ilusión sobre lo que significaba el scraping web a gran escala desde el punto de vista legal o ético. La formulación de un ejecutivo — «el mayor robo de trabajo en la historia de la humanidad» — resulta llamativa precisamente porque aparece en correspondencia interna, no en un escrito judicial ni en una declaración pública diseñada para una audiencia. Es el tipo de lenguaje que aflora cuando las personas creen que nadie las observa.
El enfoque del «bucle de destrucción» es igualmente contundente. Según Ars Technica, correos internos advertían que los sistemas de IA que desplacen a los medios de comunicación acabarían destruyendo los canales de datos de alta calidad de los que esos mismos sistemas dependen — un ciclo autodestructivo que ambas empresas aparentemente reconocieron y con el que procedieron de todas formas.
Microsoft y OpenAI enfrentan una creciente exposición legal a medida que los documentos sin censura revelan la conciencia interna sobre las implicaciones éticas del scraping.
Lo que esto expone sobre la economía de los datos de entrenamiento
Para cualquiera que trabaje con generadores de imágenes de IA o modelos de texto, la arquitectura legal que subyace a estas herramientas siempre ha sido opaca. Este caso aclara considerablemente el panorama. La misma lógica de scraping que extrajo artículos del Times también impulsó los enormes conjuntos de datos de imágenes — LAION, derivados de Common Crawl — que entrenaron Stable Diffusion, Midjourney y sus sucesores. Cuando Stability AI enfrentó una presión legal similar en 2023 por parte de Getty Images y un colectivo de artistas visuales, la defensa de la empresa se apoyó en parte en el argumento de que el scraping era una práctica estándar del sector. Estos documentos de Microsoft sugieren que los propios ejecutivos del sector sabían que ese argumento tenía límites.
Las implicaciones prácticas para el entrenamiento de modelos de imagen son directas. Si los tribunales dictaminan que el scraping de contenido de pago o protegido por derechos de autor sin licencia constituye una infracción — y las admisiones internas de «robo» no benefician a los demandados — la estructura de costes para construir modelos de frontera cambia. Los acuerdos de licencia pasan de ser opcionales a obligatorios, y ese coste acaba trasladándose hacia abajo: en los precios de las API, los niveles de suscripción a plataformas y los modelos disponibles para los creadores.
La plataforma de remixes musicales con IA licenciada de Universal Music y ElevenLabs anunciada a principios de este año representa una versión de cómo podría ser una economía de modelos post-scraping — derechos negociados de antemano, ingresos compartidos. Si las plataformas de generación de imágenes avanzan en la misma dirección depende en gran medida de cómo se resuelva este caso.
El cambio en el expediente probatorio
Los documentos sin censura son una categoría diferente a los documentos censurados. Los tribunales los desclasifican cuando determinan que el interés público supera las reclamaciones de confidencialidad de los demandados — un umbral que en sí mismo señala el escepticismo judicial. El equipo legal del NYT cuenta ahora con un registro, en palabras de los propios demandados, de un reconocimiento de que la conducta en cuestión causó daño.
«El mayor robo de trabajo en la historia de la humanidad.»
— Ejecutivo de Microsoft, correspondencia interna (vía TechCrunch)
Para los creadores que utilizan herramientas de IA construidas sobre canales de datos similares, la pregunta ya no es si el riesgo legal es teórico. La cuestión es con qué rapidez actúan los tribunales y si las principales plataformas — incluidas las que impulsan la generación de imágenes con IA hoy en día — han asegurado suficientes datos con licencia para sobrevivir a un fallo adverso. La próxima audiencia sustantiva en el caso NYT v. OpenAI determinará si estas admisiones internas sobreviven a una moción para limitar su uso probatorio.
