La empresa The New York Times Company presentó una demanda contra OpenAI y Microsoft en diciembre de 2023, alegando que ambas compañías utilizaron millones de artículos periodísticos protegidos por derechos de autor para entrenar sus modelos de lenguaje de gran tamaño sin permiso ni compensación. El caso, titulado formalmente The New York Times Company v. Microsoft Corporation and OpenAI, Inc., se centra en si el uso de texto protegido por derechos de autor en el entrenamiento de inteligencia artificial generativa constituye uso legítimo según la ley de derechos de autor de los Estados Unidos. El resultado podría sentar un precedente sobre cómo las empresas de inteligencia artificial manejan material protegido en sus conjuntos de datos de entrenamiento.
The Times afirma que ChatGPT de OpenAI y los productos Copilot impulsados por Azure de Microsoft reproducen porciones sustanciales de sus artículos de forma literal o en paráfrasis cercana, a menudo sin la atribución adecuada. La demanda cita numerosos ejemplos en los que los modelos generan pasajes casi idénticos de los reportajes de The Times, incluido contenido protegido por muro de pago. OpenAI ha respondido invocando la defensa del uso legítimo, argumentando que entrenar con texto disponible públicamente es transformador y no sustituye a las obras originales. Microsoft, como principal inversor y distribuidor de OpenAI, también figura como demandado.
Antecedentes de la demanda
La demanda se presentó el 27 de diciembre de 2023 en el Tribunal de Distrito de los Estados Unidos para el Distrito Sur de Nueva York. The Times solicita daños legales y medidas cautelares, incluida la destrucción de todos los pesos del modelo y los conjuntos de datos de entrenamiento que incorporaron su contenido. Esta presentación siguió a meses de negociaciones fallidas entre The Times y OpenAI sobre un acuerdo de licencia. The Times había solicitado compensación por el uso de su archivo de más de 100 millones de artículos, pero las partes no lograron llegar a un acuerdo.
El caso es uno de varios conflictos de derechos de autor de alto perfil que involucran a empresas de IA. En julio de 2023, autores como Sarah Silverman y Christopher Golden demandaron a OpenAI y Meta por reclamos similares. La demanda de The Times es notable porque involucra a una organización de noticias importante con recursos legales sustanciales y un interés comercial claro en proteger su contenido. El resultado podría afectar cómo los editores de noticias y otros creadores de contenido interactúan con los desarrolladores de IA.
El argumento de uso legítimo de OpenAI
La defensa de OpenAI se basa en la doctrina del uso legítimo, codificada en la Sección 107 de la Ley de Derechos de Autor de los Estados Unidos. La compañía argumenta que entrenar un modelo con texto protegido por derechos de autor es un uso transformador - crea una nueva función (predecir el siguiente token en una secuencia) en lugar de reproducir la expresión original. OpenAI sostiene que el proceso de entrenamiento no almacena copias del texto fuente, sino que aprende patrones estadísticos y relaciones entre palabras. La compañía señala la capacidad de su modelo para generar texto original sobre una amplia gama de temas como evidencia de que no solo regurgita sus datos de entrenamiento.
OpenAI también enfatiza el beneficio público de su tecnología. La compañía argumenta que los modelos de lenguaje de gran tamaño permiten la investigación, la educación y la expresión creativa, y que restringir el entrenamiento con texto disponible públicamente sofocaría la innovación. OpenAI ha señalado que proporciona un mecanismo de exclusión voluntaria para los propietarios de sitios web que no desean que su contenido se use en el entrenamiento, aunque The Times no utilizó este mecanismo antes de presentar la demanda. La compañía argumenta además que los artículos de The Times son reportajes de noticias factuales, que reciben una protección de derechos de autor más débil que las obras creativas, y que los modelos usan solo los hechos e ideas subyacentes, no la expresión original.
Los reclamos de derechos de autor de The Times
The Times contraargumenta que el uso legítimo no aplica porque el uso de OpenAI es comercial y compite directamente con los propios productos del periódico. La demanda alega que ChatGPT y Copilot pueden generar resúmenes de los artículos de The Times lo suficientemente detallados como para sustituir la lectura del original, desviando así tráfico e ingresos publicitarios del sitio web de The Times. El periódico también afirma que los modelos reproducen sus artículos de forma literal en algunos casos, lo que va más allá de cualquier uso transformador.
The Times señala la naturaleza de "mosaico" de su contenido - los artículos individuales son parte de un producto editorial más amplio que incluye contexto, análisis y periodismo de investigación. El periódico argumenta que reproducir incluso porciones de este contenido socava su valor. La demanda también señala que OpenAI ha licenciado contenido de otros editores, incluidos Axel Springer y Associated Press, lo que sugiere que la compañía reconoce la necesidad de permiso al usar material protegido por derechos de autor. The Times argumenta que su negativa a otorgar licencias no debe eludirse mediante un reclamo de uso legítimo.
Precedentes legales e interpretaciones
El análisis de uso legítimo en este caso probablemente se basará en varios precedentes clave. En Authors Guild v. Google (2015), el Segundo Circuito sostuvo que la digitalización de millones de libros por parte de Google para su índice de búsqueda era un uso legítimo transformador porque proporcionaba fragmentos y funcionalidad de búsqueda sin reproducir los libros completos. OpenAI probablemente citará este caso para argumentar que su uso es igualmente transformador. Sin embargo, The Times podría distinguir Google Books señalando que no competía con los propios libros, mientras que ChatGPT puede generar contenido que compite con los artículos de noticias.
Otro precedente relevante es el caso de 2023 de Thomson Reuters v. Ross Intelligence, donde un tribunal determinó que el uso de los sumarios legales de Reuters para entrenar una herramienta de investigación legal con IA no era uso legítimo. Esa decisión, aunque no vinculante en el Segundo Circuito, sugiere que los tribunales pueden examinar el entrenamiento de IA de manera más estricta cuando el resultado compite con la obra original. The Times probablemente argumentará que su caso está más cerca de Ross Intelligence que de Google Books porque ChatGPT está diseñado para responder preguntas con contenido de noticias, compitiendo directamente con el negocio principal de The Times.
Aspectos técnicos de los datos de entrenamiento
El caso también plantea preguntas técnicas sobre cómo los modelos de aprendizaje automático almacenan y recuperan información. Los modelos de OpenAI se basan en la arquitectura transformador, que utiliza mecanismos de atención de múltiples cabezas para procesar texto. Durante el entrenamiento, el modelo ajusta miles de millones de parámetros para minimizar el error de predicción en un corpus masivo de texto. OpenAI no ha revelado el contenido completo de sus conjuntos de datos de entrenamiento, pero la demanda de The Times alega que sus artículos aparecen en los datos de entrenamiento según la capacidad de los modelos para reproducir pasajes específicos.
OpenAI argumenta que el modelo no contiene copias del texto en un sentido tradicional - los parámetros codifican relaciones estadísticas, no cadenas exactas. Sin embargo, los investigadores han demostrado que los modelos de lenguaje de gran tamaño pueden memorizar y reproducir pasajes largos de sus datos de entrenamiento, especialmente cuando esos pasajes aparecen varias veces o son distintivos. The Times ha proporcionado ejemplos de ChatGPT generando citas casi literales de sus artículos, lo que sugiere que ocurre memorización. El tribunal podría necesitar determinar si esta memorización constituye reproducción según la ley de derechos de autor.
Reacciones de la industria e implicaciones
La demanda ha provocado reacciones en toda la industria tecnológica y editorial. Algunos editores, incluidos News Corp y Gannett, han expresado su apoyo a la posición de The Times, mientras que otros han buscado acuerdos de licencia con empresas de IA. OpenAI ha firmado acuerdos con varios editores, incluida la empresa matriz de Politico, Axel Springer, y el Financial Times, para usar su contenido en el entrenamiento y la visualización. Estos acuerdos sugieren que algunos editores ven valor en asociarse con empresas de IA en lugar de litigar.
Los investigadores de IA han expresado su preocupación de que una decisión adversa podría impedir el progreso en el campo. Muchos argumentan que entrenar con conjuntos de datos grandes y diversos es esencial para construir modelos capaces, y que exigir licencias individuales para cada obra protegida sería poco práctico. Algunos han propuesto marcos alternativos, como un sistema de licencias obligatorias o una organización de derechos colectivos para datos de texto. El caso también podría afectar el desarrollo internacional de la IA, ya que otros países observan cómo los tribunales estadounidenses equilibran la protección de derechos de autor con la innovación tecnológica.
Posibles resultados y cronología
A principios de 2025, el caso se encuentra en la fase de descubrimiento, con ambas partes intercambiando evidencia sobre los datos de entrenamiento y los resultados del modelo. No se ha fijado una fecha de juicio, y los expertos legales esperan que el caso tarde varios años en resolverse, posiblemente llegando a la Corte Suprema. El tribunal podría emitir un juicio sumario sobre la cuestión del uso legítimo antes del juicio, lo que podría reducir los problemas o resolver el caso por completo.
Son posibles varios resultados. El tribunal podría dictaminar que el uso de OpenAI es uso legítimo, permitiendo a la compañía continuar entrenando con texto protegido por derechos de autor sin permiso. Alternativamente, el tribunal podría determinar que el uso no es legítimo, lo que potencialmente requeriría que OpenAI pague daños y licencie contenido de The Times. Un punto intermedio podría implicar un fallo de que algunos usos son legítimos mientras que otros no, dependiendo del grado de reproducción y el impacto comercial. El caso también podría resolverse fuera de los tribunales, como ocurre con muchos conflictos de derechos de autor de alto perfil, con OpenAI pagando a The Times una tarifa de licencia y aceptando ciertas restricciones sobre la reproducción de su contenido.
La decisión probablemente tendrá consecuencias de gran alcance para la industria de la IA. Un fallo en contra de OpenAI podría obligar a otras empresas, incluidas Anthropic y Google DeepMind, a cambiar sus prácticas de entrenamiento. También podría afectar el desarrollo de modelos de código abierto, que dependen de texto disponible públicamente. Por el contrario, un fallo a favor de OpenAI podría envalentonar a las empresas de IA para continuar usando material protegido por derechos de autor sin permiso, lo que potencialmente llevaría a más litigios por parte de creadores de contenido. El caso representa una prueba fundamental de cómo la ley de derechos de autor se adapta a las nuevas tecnologías, y su resultado moldeará la relación entre los desarrolladores de IA y los productores de contenido durante años.