Escolha um companheiro e veja o que ele acha dessa história
Documentos judiciais recém-tornados públicos do processo de direitos autorais do New York Times contra a OpenAI e a Microsoft mostram que um executivo da Microsoft descreveu internamente o scraping de dados por IA como «o maior roubo de trabalho da história da humanidade» — mesmo enquanto ambas as empresas construíam conjuntos de dados de treinamento a partir de conteúdo pago do Times.
Principais conclusões
Os documentos sem redação em NYT v. OpenAI revelam que a Microsoft caracterizou internamente o scraping de conteúdo de editoras por IA como roubo de trabalho em larga escala.
E-mails da Microsoft e da OpenAI também sinalizaram um temido «loop de destruição»: conteúdo gerado por IA deslocando editoras de notícias, o que privaria os futuros modelos de IA de dados de treinamento de qualidade.
Ambas as empresas rasparam artigos pagos do New York Times para dados de treinamento apesar desses alertas internos.
Os documentos expõem uma tensão estrutural que afeta todo modelo de imagem e texto de IA treinado em obras criativas coletadas da web — incluindo os conjuntos de dados por trás dos principais geradores de imagens atuais.
O caso está em andamento; os documentos tornados públicos representam uma escalada significativa no registro probatório contra ambos os réus.
A contradição interna que a Microsoft não conseguiu redigir
Os documentos, reportados pelo TechCrunch, mostram que figuras seniores da Microsoft não operavam sob qualquer ilusão sobre o que o scraping web em larga escala significava legal ou eticamente. A formulação de um executivo — «o maior roubo de trabalho da história da humanidade» — é marcante precisamente porque aparece em correspondência interna, não em uma petição judicial ou declaração pública elaborada para um público. É o tipo de linguagem que emerge quando as pessoas acreditam que não estão sendo observadas.
O enquadramento do «loop de destruição» é igualmente contundente. De acordo com a Ars Technica, e-mails internos alertavam que sistemas de IA deslocando editoras de notícias acabariam por destruir os pipelines de dados de alta qualidade dos quais esses mesmos sistemas de IA dependem — um ciclo autodestrutivo que ambas as empresas aparentemente reconheceram e mesmo assim seguiram em frente.
Microsoft e OpenAI enfrentam exposição legal crescente à medida que documentos sem redação revelam consciência interna sobre as implicações éticas do scraping.
O que isso expõe sobre a economia de dados de treinamento
Para qualquer pessoa que trabalha com geradores de imagens por IA ou modelos de texto, a arquitetura legal por trás dessas ferramentas sempre foi nebulosa. Este caso torna o quadro consideravelmente mais nítido. A mesma lógica de scraping que coletou artigos do Times também alimentou os enormes conjuntos de dados de imagens — LAION, derivados do Common Crawl — que treinaram o Stable Diffusion, o Midjourney e seus sucessores. Quando a Stability AI enfrentou pressão legal semelhante em 2023 da Getty Images e de um grupo de artistas visuais, a defesa da empresa se baseou em parte no argumento de que o scraping era prática padrão do setor. Esses documentos da Microsoft sugerem que os próprios executivos do setor sabiam que esse argumento tinha limites.
As implicações práticas para o treinamento de modelos de imagem são diretas. Se os tribunais decidirem que raspar conteúdo pago ou protegido por direitos autorais sem licença constitui violação — e admissões internas de «roubo» não ajudam os réus — a estrutura de custos para construir modelos de fronteira muda. Acordos de licenciamento tornam-se obrigatórios em vez de opcionais, e esse custo eventualmente flui para baixo: nos preços de API, nas camadas de assinatura de plataformas e nos modelos disponíveis para criadores.
A plataforma de remix musical licenciado com IA da Universal Music e ElevenLabs anunciada no início deste ano representa uma versão de como seria uma economia de modelos pós-scraping — direitos negociados antecipadamente, receita compartilhada. Se as plataformas de geração de imagens seguirão a mesma direção depende muito de como este caso se resolve.
A mudança probatória
Documentos sem redação são uma categoria diferente de documentos redatados. Os tribunais os tornam públicos quando determinam que o interesse público supera as reivindicações de confidencialidade dos réus — um limiar que por si só sinaliza ceticismo judicial. A equipe jurídica do NYT agora tem registrado, nas próprias palavras dos réus, um reconhecimento de que a conduta em questão causou dano.
«O maior roubo de trabalho da história da humanidade.»
— Executivo da Microsoft, correspondência interna (via TechCrunch)
Para criadores que usam ferramentas de IA construídas sobre pipelines de dados semelhantes, a questão não é mais se o risco legal é teórico. É com que rapidez os tribunais se movem e se as principais plataformas — incluindo aquelas que alimentam a geração de imagens por IA hoje — garantiram dados licenciados suficientes para sobreviver a uma decisão adversa. A próxima audiência substantiva em NYT v. OpenAI determinará se essas admissões internas sobrevivem a uma moção para limitar seu uso probatório.
