Nové súdne dokumenty priniesli nezvyčajne otvorený pohľad na to, ako niektorí zamestnanci Microsoftu a OpenAI vnímali získavanie internetového obsahu na trénovanie veľkých jazykových modelov. Materiály boli odtajnené v rámci autorskoprávneho sporu, ktorý The New York Times vedie proti obom spoločnostiam od roku 2023.
Najväčšiu pozornosť vyvolal interný komentár Brenta Hechta, riaditeľa Applied Science v Microsofte. V dokumente z januára 2023 označil masové získavanie obsahu pre AI za „najväčšiu krádež práce v dejinách“ a v inom prípade hovoril o bezprecedentnom rozsahu kopírovania ľudskej práce.
Tento výrok však nie je oficiálnym stanoviskom Microsoftu ani právnym rozhodnutím, že spoločnosti skutočne spáchali krádež. Ide o interný názor jedného z predstaviteľov firmy citovaný v podaní žalobcov. Časť pôvodných príloh navyše zostáva zapečatená, takže nie všetky citácie sú verejne dostupné v úplnom kontexte.
Podľa odtajneného podania obsahovali dátové súbory používané OpenAI desaťtisíce kópií diel vydaných The New York Times, Daily News a Center for Investigative Reporting. Jeden dátový súbor odvodený od projektu Common Crawl mal podľa žalobcov obsahovať viac než dva milióny dokumentov z domény The New York Times.
Materiály zároveň opisujú prípady, pri ktorých mali zamestnanci OpenAI diskutovať o možnostiach získavania obsahu spoza paywallov. Podľa podania jeden výskumník informoval prezidenta OpenAI Grega Brockmana o spôsobe, ako obísť paywall The New York Times, na čo Brockman krátko reagoval pozitívne. Ide však o tvrdenie založené na materiáloch predložených žalujúcou stranou a jeho právny význam bude posudzovať súd.
Obavy, že AI môže poškodiť médiá, zaznievali aj interne
Dokumenty ukazujú, že časť zamestnancov sa neobávala iba otázky autorských práv. V Microsofte sa diskutovalo aj o takzvanom „doom loop“ – scenári, v ktorom AI systémy znižujú návštevnosť médií, tie následne prichádzajú o príjmy a vzniká menej kvalitného obsahu, z ktorého sa pritom samotné AI modely učia.
Jeden interný dokument Microsoftu podľa súdneho podania uvádzal, že generatívna AI môže poškodiť ekonomické základy samotných producentov obsahu, od ktorých modely závisia. Firemné dáta podľa žalobcov ukazovali, že odpovede Copilotu mohli pri niektorých vyhľadávaniach znížiť mieru preklikov na web The New York Times až o 93 percent v porovnaní s tradičným vyhľadávaním Bing.
Podobné obavy sa objavili aj v OpenAI. Šéf ChatGPT Nick Turley podľa dokumentov charakterizoval AI produkty ako do veľkej miery substitučné voči tradičnému spravodajstvu a upozorňoval, že pre vydavateľov môžu predstavovať existenčnú hrozbu.
Práve otázka nahrádzania pôvodného obsahu môže byť dôležitá aj v samotnom súdnom spore. OpenAI a Microsoft argumentujú, že využívanie dát pri trénovaní AI môže spadať pod americkú doktrínu fair use. Pri jej posudzovaní však súdy skúmajú okrem iného aj to, či nové použitie nenahrádza pôvodné dielo alebo nepoškodzuje jeho trh.
Microsoft sa od výrokov dištancoval
Microsoft zdôraznil, že interné komentáre jednotlivých zamestnancov nepredstavujú stanovisko spoločnosti. Firma tvrdí, že jej právny postoj je uvedený v súdnych podaniach a že využívanie obsahu pri AI predstavuje transformačné použitie, ktoré je v súlade s autorským právom. Zároveň odmieta tvrdenie, že Copilot jednoducho nahrádza žurnalistiku vydavateľov.
Generálny riaditeľ Microsoftu Satya Nadella zároveň počas výpovede podľa zverejnených materiálov povedal, že obsah za paywallom by mal byť licencovaný, ak ho chce niekto používať na trénovanie alebo dopĺňanie AI systémov. Uviedol tiež, že keby vedel o použití takéhoto obsahu bez povolenia, Microsoft by mohol požadovať pretrénovanie modelov.
OpenAI a Microsoft vo viacerých podobných sporoch tvrdia, že trénovanie modelov na dostupných textoch je zásadne transformačným procesom a že modely nefungujú ako databázy presných kópií článkov. O tom, kde presne leží hranica medzi povoleným učením modelov a porušovaním autorských práv, však americké súdy stále rozhodujú a jednotné pravidlo zatiaľ nevzniklo.
Prípad The New York Times preto patrí medzi najdôležitejšie autorskoprávne spory súvisiace s generatívnou AI. Jeho výsledok môže ovplyvniť spôsob, akým budú vývojári AI v budúcnosti získavať tréningové dáta, ako budú uzatvárať licenčné dohody s vydavateľmi a či budú médiá za používanie svojho obsahu dostávať kompenzácie.