A The New York Times Company entrou com uma ação judicial contra a OpenAI e a Microsoft em dezembro de 2023, alegando que as empresas usaram milhões de artigos jornalísticos protegidos por direitos autorais para treinar seus modelos de linguagem de grande porte sem permissão ou compensação. O caso, formalmente intitulado The New York Times Company v. Microsoft Corporation and OpenAI, Inc., centra-se na questão de saber se o uso de texto protegido por direitos autorais no treinamento de sistemas de inteligência artificial generativa constitui uso justo sob a lei de direitos autorais dos Estados Unidos. O resultado pode estabelecer um precedente sobre como as empresas de inteligência artificial lidam com material protegido por direitos autorais em seus conjuntos de dados de treinamento.
O Times alega que o ChatGPT da OpenAI e os produtos Copilot da Microsoft, alimentados pelo Azure, reproduzem partes substanciais de seus artigos de forma verbatim ou em paráfrase próxima, muitas vezes sem a devida atribuição. A queixa cita numerosos exemplos em que os modelos produzem passagens quase idênticas de reportagens do Times, incluindo conteúdo protegido por paywall. A OpenAI respondeu afirmando uma defesa de uso justo, argumentando que o treinamento em texto disponível publicamente é transformador e não substitui as obras originais. A Microsoft, como principal investidora e distribuidora da OpenAI, também é nomeada como ré.
Contexto da Ação Judicial
A ação foi protocolada em 27 de dezembro de 2023, no Tribunal Distrital dos Estados Unidos para o Distrito Sul de Nova York. O Times busca danos estatutários e medidas cautelares, incluindo a destruição de todos os pesos de modelo e conjuntos de dados de treinamento que incorporaram seu conteúdo. O protocolo ocorreu após meses de negociações fracassadas entre o Times e a OpenAI sobre um acordo de licenciamento. O Times teria buscado compensação pelo uso de seu arquivo de mais de 100 milhões de artigos, mas as partes não conseguiram chegar a termos.
O caso é uma das várias disputas de direitos autorais de alto perfil envolvendo empresas de IA. Em julho de 2023, autores como Sarah Silverman e Christopher Golden processaram a OpenAI e a Meta por alegações semelhantes. A ação do Times é notável porque envolve uma grande organização de notícias com recursos legais substanciais e um interesse comercial claro em proteger seu conteúdo. O resultado pode afetar como editores de notícias e outros criadores de conteúdo interagem com desenvolvedores de IA.
Argumento de Uso Justo da OpenAI
A defesa da OpenAI se baseia na doutrina do uso justo, codificada na Seção 107 da Lei de Direitos Autorais dos EUA. A empresa argumenta que treinar um modelo em texto protegido por direitos autorais é um uso transformador - cria uma nova função (prever o próximo token em uma sequência) em vez de reproduzir a expressão original. A OpenAI afirma que o processo de treinamento não armazena cópias do texto-fonte, mas sim aprende padrões estatísticos e relações entre palavras. A empresa aponta a capacidade de seu modelo de gerar texto original sobre uma ampla gama de tópicos como evidência de que ele não apenas regurgita seus dados de treinamento.
A OpenAI também enfatiza o benefício público de sua tecnologia. A empresa argumenta que os modelos de linguagem de grande porte permitem pesquisa, educação e expressão criativa, e que restringir o treinamento em texto disponível publicamente sufocaria a inovação. A OpenAI observou que fornece um mecanismo de opt-out para proprietários de sites que não desejam que seu conteúdo seja usado no treinamento, embora o Times não tenha usado esse mecanismo antes de entrar com a ação. A empresa argumenta ainda que os artigos do Times são reportagens factuais, que recebem proteção de direitos autorais mais fraca do que obras criativas, e que os modelos usam apenas os fatos e ideias subjacentes, não a expressão original.
Reivindicações de Direitos Autorais do Times
O Times rebate que o uso justo não se aplica porque o uso da OpenAI é comercial e compete diretamente com os próprios produtos do jornal. A queixa alega que o ChatGPT e o Copilot podem gerar resumos de artigos do Times detalhados o suficiente para substituir a leitura do original, desviando assim tráfego e receita de publicidade do site do Times. O jornal também afirma que os modelos reproduzem seus artigos verbatim em alguns casos, o que vai além de qualquer uso transformador.
O Times aponta a natureza "mosaico" de seu conteúdo - artigos individuais fazem parte de um produto editorial maior que inclui contexto, análise e reportagem investigativa. O jornal argumenta que reproduzir até mesmo porções desse conteúdo prejudica seu valor. A queixa também observa que a OpenAI licenciou conteúdo de outros editores, incluindo Axel Springer e a Associated Press, o que sugere que a empresa reconhece a necessidade de permissão ao usar material protegido por direitos autorais. O Times argumenta que sua recusa em licenciar não deve ser contornada por meio de uma reivindicação de uso justo.
Precedentes Legais e Interpretações
A análise de uso justo neste caso provavelmente se baseará em vários precedentes-chave. Em Authors Guild v. Google (2015), o Segundo Circuito considerou que a digitalização de milhões de livros pela Google para seu índice de busca era uso justo transformador porque fornecia trechos e funcionalidade de busca sem reproduzir os livros na íntegra. A OpenAI provavelmente citará este caso para argumentar que seu uso é igualmente transformador. No entanto, o Times pode distinguir o Google Books observando que ele não competia com os próprios livros, enquanto o ChatGPT pode gerar conteúdo que compete com artigos de notícias.
Outro precedente relevante é o caso de 2023 de Thomson Reuters v. Ross Intelligence, onde um tribunal considerou que o uso das notas de cabeçalho legais da Reuters para treinar uma ferramenta de pesquisa jurídica de IA não era uso justo. Essa decisão, embora não vinculante no Segundo Circuito, sugere que os tribunais podem examinar o treinamento de IA mais estritamente quando a saída compete com a obra original. O Times provavelmente argumentará que seu caso está mais próximo de Ross Intelligence do que de Google Books, porque o ChatGPT é projetado para responder perguntas com conteúdo de notícias, competindo diretamente com o negócio principal do Times.
Aspectos Técnicos dos Dados de Treinamento
O caso também levanta questões técnicas sobre como os modelos de aprendizado de máquina armazenam e recuperam informações. Os modelos da OpenAI são baseados na arquitetura transformador, que usa mecanismos de atenção multi-cabeça para processar texto. Durante o treinamento, o modelo ajusta bilhões de parâmetros para minimizar o erro de previsão em um corpus massivo de texto. A OpenAI não divulgou o conteúdo completo de seus conjuntos de dados de treinamento, mas a queixa do Times alega que seus artigos aparecem nos dados de treinamento com base na capacidade dos modelos de reproduzir passagens específicas.
A OpenAI argumenta que o modelo não contém cópias do texto em um sentido tradicional - os parâmetros codificam relações estatísticas, não strings exatas. No entanto, pesquisadores demonstraram que modelos de linguagem de grande porte podem memorizar e reproduzir passagens longas de seus dados de treinamento, especialmente quando essas passagens aparecem várias vezes ou são distintivas. O Times forneceu exemplos de ChatGPT produzindo citações quase verbatim de seus artigos, o que sugere que a memorização ocorre. O tribunal pode precisar determinar se essa memorização constitui reprodução sob a lei de direitos autorais.
Reações da Indústria e Implicações
A ação gerou reações em toda a indústria de tecnologia e publicação. Alguns editores, incluindo News Corp e Gannett, expressaram apoio à posição do Times, enquanto outros buscaram acordos de licenciamento com empresas de IA. A OpenAI assinou acordos com vários editores, incluindo a empresa-mãe da Politico, Axel Springer, e o Financial Times, para usar seu conteúdo no treinamento e exibição. Esses acordos sugerem que alguns editores veem valor em fazer parceria com empresas de IA em vez de litigar.
Pesquisadores de IA expressaram preocupação de que uma decisão adversa possa impedir o progresso no campo. Muitos argumentam que treinar em conjuntos de dados grandes e diversos é essencial para construir modelos capazes, e que exigir licenças individuais para cada obra protegida por direitos autorais seria impraticável. Alguns propuseram estruturas alternativas, como um sistema de licenciamento compulsório ou uma organização de direitos coletivos para dados de texto. O caso também pode afetar o desenvolvimento internacional de IA, já que outros países observam como os tribunais dos EUA equilibram a proteção de direitos autorais com a inovação tecnológica.
Possíveis Resultados e Cronograma
Até o início de 2025, o caso está na fase de descoberta, com ambos os lados trocando evidências sobre dados de treinamento e saídas de modelo. Uma data de julgamento não foi definida, e especialistas jurídicos esperam que o caso leve vários anos para ser resolvido, potencialmente chegando à Suprema Corte. O tribunal pode emitir julgamento sumário sobre a questão do uso justo antes do julgamento, o que pode restringir as questões ou resolver o caso inteiramente.
Vários resultados são possíveis. O tribunal pode decidir que o uso da OpenAI é uso justo, permitindo que a empresa continue treinando em texto protegido por direitos autorais sem permissão. Alternativamente, o tribunal pode concluir que o uso não é justo, potencialmente exigindo que a OpenAI pague danos e licencie conteúdo do Times. Um meio-termo pode envolver uma decisão de que alguns usos são justos enquanto outros não são, dependendo do grau de reprodução e do impacto comercial. O caso também pode ser resolvido fora do tribunal, como muitas disputas de direitos autorais de alto perfil, com a OpenAI pagando ao Times uma taxa de licenciamento e concordando com certas restrições sobre a reprodução de seu conteúdo.
A decisão provavelmente terá consequências de longo alcance para a indústria de IA. Uma decisão contra a OpenAI poderia forçar outras empresas, incluindo Anthropic e Google DeepMind, a mudar suas práticas de treinamento. Também poderia afetar o desenvolvimento de modelos de código aberto, que dependem de texto disponível publicamente. Por outro lado, uma decisão a favor da OpenAI poderia encorajar empresas de IA a continuar usando material protegido por direitos autorais sem permissão, potencialmente levando a mais litígios de criadores de conteúdo. O caso representa um teste fundamental de como a lei de direitos autorais se adapta a novas tecnologias, e seu resultado moldará a relação entre desenvolvedores de IA e produtores de conteúdo por anos vindouros.