La Acción Colectiva de Autores contra OpenAI es un procedimiento legal consolidado en el que un grupo de autores alegó que OpenAI, el desarrollador de modelos de lenguaje de gran escala como GPT-3 y GPT-4, infringió sus derechos de autor al utilizar sus libros y otras obras escritas para entrenar sus sistemas de inteligencia artificial sin permiso. El caso, presentado en el Tribunal de Distrito de los Estados Unidos para el Distrito Sur de Nueva York, se convirtió en un punto focal para debates más amplios sobre la legalidad de entrenar IA generativa con texto protegido por derechos de autor. Los demandantes solicitaron daños legales, la devolución de ganancias y una orden judicial contra el uso no autorizado adicional, mientras que OpenAI argumentó que sus prácticas de entrenamiento se enmarcaban en la doctrina del uso justo.
El litigio surgió en medio de una ola de demandas similares contra empresas de IA, reflejando una creciente tensión entre las industrias creativas y la rápida comercialización de la IA generativa. Las reclamaciones de los autores se centraron en la premisa de que los modelos de lenguaje de gran escala de OpenAI, que se basan en arquitecturas de transformadores y se entrenan con vastos corpus de internet, necesariamente reproducían y derivaban de expresión protegida. A diferencia de casos anteriores que involucraban motores de búsqueda o miniaturas de imágenes, esta demanda se dirigía al proceso de entrenamiento fundamental en sí, planteando cuestiones novedosas sobre si ingerir material protegido por derechos de autor para el aprendizaje automático constituye infracción.
Antecedentes y Presentación
La demanda inicial se presentó el 8 de septiembre de 2023, por autores como Sarah Silverman, Richard Kadrey y Christopher Golden, quienes alegaron que los datos de entrenamiento de OpenAI incluían sus libros sin autorización. Los demandantes afirmaron que los modelos de OpenAI podían generar resúmenes, paráfrasis e incluso extractos verbatim de sus obras, demostrando que el proceso de entrenamiento había copiado y almacenado elementos expresivos. El caso se consolidó posteriormente con otras demandas de autores, incluidas las presentadas por Michael Chabon, Ta-Nehisi Coates y la comediante Sarah Silverman, bajo el título In re OpenAI ChatGPT Litigation.
Los autores estuvieron representados por el bufete de abogados Susman Godfrey, que había litigado previamente disputas de propiedad intelectual de alto perfil. La demanda detallaba cómo OpenAI extrajo grandes porciones de internet, incluidos repositorios de libros y colecciones de texto pirateado, para ensamblar conjuntos de datos de entrenamiento. Citó documentos internos de OpenAI y declaraciones públicas que sugerían que la empresa reconocía los riesgos legales de usar material protegido por derechos de autor sin licencias. Los demandantes argumentaron que las acciones de OpenAI no eran transformativas, sino una explotación comercial de obras existentes, ya que los modelos competían con los libros originales en el mercado.
Reclamaciones Legales y Argumentos
La reclamación legal central fue la infracción directa de derechos de autor bajo la Ley de Derechos de Autor de los Estados Unidos, específicamente 17 U.S.C. § 501. Los demandantes alegaron que OpenAI violó sus derechos exclusivos de reproducir, preparar obras derivadas y distribuir copias. También presentaron reclamaciones por infracción vicaria y enriquecimiento injusto, argumentando que OpenAI se benefició del uso no autorizado de su trabajo creativo. La demanda solicitaba daños legales de hasta $150,000 por obra, lo que, dado el número de obras supuestamente infringidas, podría haber ascendido a miles de millones de dólares.
La defensa de OpenAI se basó principalmente en la excepción de uso justo, codificada en 17 U.S.C. § 107. La empresa argumentó que entrenar un modelo es un uso transformativo porque el modelo no reproduce el texto original, sino que aprende patrones estadísticos y estructuras lingüísticas. OpenAI sostuvo que el propósito del entrenamiento es crear una herramienta de propósito general, no suplantar las obras de los autores, y que la salida de los modelos rara vez se asemeja al material fuente. La empresa también señaló que había implementado filtros para prevenir la generación de texto protegido verbatim, aunque los demandantes disputaron la efectividad de estas medidas.
Una cuestión legal clave fue si la copia intermedia de obras protegidas durante el entrenamiento constituye infracción. Los demandantes establecieron una analogía con el caso histórico de Authors Guild v. Google, donde el tribunal sostuvo que la digitalización de libros por Google para indexación de búsqueda era uso justo. Sin embargo, los autores argumentaron que el uso de Google se limitaba a hacer el texto buscable, mientras que el uso de OpenAI implicaba la creación de un producto competidor que podía generar nuevo texto en el estilo de los autores originales. La distinción entre "búsqueda" y "generación" se convirtió en un punto central de contención.
Descubrimiento de Pruebas y Evidencia Técnica
Durante la fase de descubrimiento de pruebas, los demandantes solicitaron acceso a los datos de entrenamiento y los pesos del modelo de OpenAI, argumentando que esta evidencia era necesaria para probar que las obras protegidas fueron realmente copiadas. OpenAI se resistió, citando protecciones de secreto comercial y los enormes recursos computacionales requeridos para producir tales datos. Sin embargo, el tribunal ordenó un descubrimiento limitado, permitiendo a los demandantes inspeccionar metadatos y registros que mostraban qué fuentes se incluían en el corpus de entrenamiento. Esto llevó a revelaciones de que OpenAI había utilizado conjuntos de datos como Books3, una colección de libros pirateados de la biblioteca sombra Bibliotik, que contenía miles de títulos protegidos por derechos de autor.
La evidencia técnica se centró en la arquitectura de las redes neuronales y la naturaleza del aprendizaje profundo. Los expertos de los demandantes testificaron que los modelos de lenguaje de gran escala, incluidos aquellos basados en la arquitectura de transformadores, almacenan representaciones comprimidas de ejemplos de entrenamiento. Argumentaron que estas representaciones permiten al modelo reproducir texto que no es meramente una coincidencia estadística, sino una derivación directa del original. Los expertos de OpenAI contraargumentaron que los modelos son estocásticos y que cualquier parecido con textos específicos es resultado de la capacidad del modelo para generalizar, no para memorizar. El debate sobre "memorización" versus "generalización" se convirtió en un tema recurrente en el caso.
Fallos Judiciales y Mociones
En febrero de 2024, la jueza Araceli Martínez-Olguín denegó la moción de OpenAI para desestimar el caso, permitiendo que las reclamaciones de derechos de autor procedieran. La jueza dictaminó que los demandantes habían alegado de manera plausible que el proceso de entrenamiento de OpenAI implicaba copiar expresión protegida, y que la defensa de uso justo no podía resolverse en la etapa de alegatos. Esta decisión fue significativa porque rechazó el argumento de OpenAI de que el caso estaba bloqueado por el plazo de prescripción o que los demandantes carecían de legitimación. El fallo también señaló que los demandantes habían alegado adecuadamente una conexión entre los datos de entrenamiento y las salidas del modelo, incluso si las salidas no eran copias verbatim.
Un fallo posterior en mayo de 2024 redujo el alcance del caso al desestimar algunas de las reclamaciones de los demandantes, incluidas las relacionadas con la ley estatal y el enriquecimiento injusto, pero preservó las reclamaciones centrales de derechos de autor. El tribunal también denegó la moción de OpenAI para forzar el arbitraje, encontrando que los demandantes no habían acordado ninguna cláusula de arbitraje. Estos fallos prepararon el escenario para un posible juicio, aunque ambas partes indicaron disposición a llegar a un acuerdo. El caso fue asignado a la misma jueza que supervisaba otros casos de derechos de autor de IA, incluidos aquellos contra Anthropic y Google DeepMind, sugiriendo que el tribunal podría abordar cuestiones legales comunes de manera coordinada.
Implicaciones para la Industria y Políticas
La demanda tuvo implicaciones de gran alcance para la industria de la inteligencia artificial. Impulsó a otras empresas de IA, incluidas Anthropic y Google DeepMind, a revisar sus prácticas de entrenamiento y negociar acuerdos de licencia con editores y autores. A finales de 2023, OpenAI anunció asociaciones con varias empresas de medios, incluidas Axel Springer y Associated Press, para licenciar contenido de noticias para el entrenamiento. Sin embargo, estos acuerdos cubrían solo una pequeña fracción de los libros y artículos utilizados en el entrenamiento, dejando a muchos autores sin compensación.
El caso también influyó en los esfuerzos legislativos. En el Congreso de los Estados Unidos, los legisladores introdujeron proyectos de ley como la Ley de Transparencia de Modelos Fundamentales de IA, que requeriría a las empresas divulgar sus fuentes de datos de entrenamiento. La Ley de IA de la Unión Europea, que se finalizó en 2024, incluyó disposiciones que requieren a los desarrolladores de modelos de IA de propósito general documentar sus datos de entrenamiento y cumplir con la ley de derechos de autor. La acción colectiva de los autores sirvió como caso de prueba para determinar si la ley de derechos de autor existente podía regular efectivamente el entrenamiento de IA, o si se necesitaba nueva legislación.
Reacciones de la Comunidad Creativa
La demanda galvanizó a autores y otros creadores, quienes la vieron como una defensa de sus medios de vida. Organizaciones como la Authors Guild presentaron escritos de amicus curiae apoyando a los demandantes, argumentando que los modelos de IA amenazaban con devaluar la escritura humana y socavar los incentivos económicos para el trabajo creativo. Algunos autores, sin embargo, expresaron apoyo a la IA como herramienta para la inspiración y la colaboración, y unos pocos incluso licenciaron sus obras a empresas de IA. La división reflejaba debates sociales más amplios sobre el papel de la automatización en los campos creativos.
Autores prominentes que se unieron a la demanda incluyeron a Jonathan Franzen, Jodi Picoult y George R.R. Martin, aunque algunos se retiraron posteriormente o expresaron reservas. El caso también atrajo la atención de académicos, quienes debatieron si entrenar con texto protegido por derechos de autor es análogo al aprendizaje humano. Académicos como Melanie Mitchell y Brendan Lake argumentaron que las máquinas no "leen" en el sentido humano, pero el sistema legal tenía que decidir si el proceso mecánico de copiar y transformar datos constituye infracción.
Acuerdo y Consecuencias
Hasta 2025, el caso permanecía sin resolver, con ambas partes involucradas en negociaciones de acuerdo. Informes indicaron que OpenAI había ofrecido pagar una tarifa de licencia a un colectivo de autores, pero los demandantes exigieron una cantidad mayor y regalías continuas. El tribunal había programado una conferencia de estado para finales de 2025, y los observadores especulaban que un acuerdo era probable dados los altos costos del litigio y el potencial de un fallo adverso. Un acuerdo habría establecido un precedente sobre cómo las empresas de IA compensan a los creadores, aunque no necesariamente vincularía a otros demandados.
El caso también generó litigios relacionados. En 2024, un grupo de autores de no ficción presentó una acción colectiva separada contra OpenAI, alegando que la empresa había utilizado sus obras sin permiso. The New York Times presentó su propia demanda contra OpenAI y Microsoft, que estaba pendiente en el mismo tribunal. Estos casos, junto con la acción colectiva de los autores, crearon un panorama legal complejo que daría forma al futuro del desarrollo de IA. Se esperaba ampliamente que el resultado del caso de los autores influyera no solo en los Estados Unidos, sino también en jurisdicciones de todo el mundo que enfrentaban cuestiones similares.
Contexto Más Amplio y Perspectivas Futuras
La Acción Colectiva de Autores contra OpenAI fue parte de un movimiento más grande para responsabilizar a las empresas de IA por sus datos de entrenamiento. Destacó la tensión entre la innovación tecnológica y los derechos de propiedad intelectual, y forzó un ajuste de cuentas público con el hecho de que los sistemas de IA se construyen sobre el trabajo no remunerado de innumerables escritores, artistas y periodistas. El caso también subrayó la necesidad de transparencia en el desarrollo de IA, ya que las solicitudes de descubrimiento de los demandantes revelaron la naturaleza opaca de la recopilación de datos de entrenamiento.
De cara al futuro, los principios legales establecidos en este caso podrían tener efectos duraderos. Si el tribunal dictaminara que entrenar con obras protegidas sin permiso es infracción, las empresas de IA necesitarían revisar sus estrategias de adquisición de datos, potencialmente dependiendo de obras de dominio público o contenido licenciado. Si el tribunal fallara a favor del uso justo, daría a los desarrolladores de IA amplia latitud para usar texto existente, pero también podría impulsar una acción legislativa para crear un esquema de licencias obligatorias. En cualquier caso, el caso representó un momento pivotal en la historia del aprendizaje automático y la comercialización de la IA generativa.
La acción colectiva de los autores también planteó preguntas sobre la naturaleza misma de la autoría. A medida que los modelos de IA se vuelven capaces de producir texto que rivaliza con la escritura humana, la línea entre creación original y obra derivada se vuelve borrosa. El caso forzó a los tribunales a considerar si una máquina que ha "leído" millones de libros es fundamentalmente diferente de un autor humano que ha sido influenciado por los mismos libros. Aunque el sistema legal aún no había proporcionado una respuesta definitiva, el caso aseguró que la cuestión se debatiría durante años.