Si pensabas que el drama entre la prensa y la Inteligencia Artificial se iba a calmar pronto, prepárate para un auténtico jarro de agua fría. Nuevos documentos desclasificados del juicio entre The New York Times, OpenAI y Microsoft acaban de salir a la luz, y su contenido es pura dinamita. Hablamos de altos ejecutivos reconociendo a puerta cerrada que su modelo de negocio se basa en lo que internamente llamaron «el mayor robo de trabajo de la historia de la humanidad». Una barbaridad monumental.
El motivo de este pánico generalizado en la industria periodística tiene un número muy claro: un 93 %. Ese es el brutal desplome de clics que sufrió el medio estadounidense cuando Microsoft activó su motor de respuestas generativas Copilot, si lo comparamos con la búsqueda tradicional de su buscador Bing.
Básicamente, la IA absorbe las noticias de la red, las procesa a una velocidad de vértigo y te escupe el resumen perfecto en tu pantalla. Es decir, tú ya no tienes que hacer clic en el enlace original, y el creador del contenido se queda sin tráfico y sin ingresos. Así de simple.
El «bucle de fatalidad» que aterrorizaba a la propia Microsoft
Para ponerte en contexto, esta macrodemanda lleva tres años cociéndose a fuego lento en los tribunales de Estados Unidos. Acusa a las grandes tecnológicas de infringir sistemáticamente los derechos de autor para entrenar sus inmensos modelos de lenguaje (LLM). Y aunque siempre han defendido ante el juez que esto es un simple «uso legítimo» o fair use, los correos corporativos internos dicen exactamente lo contrario.
En concreto, una presentación elaborada en enero de 2024 por Brent Hecht, director de Ciencia Aplicada de Microsoft, hace saltar absolutamente todas las alarmas. Hecht definía esta caída bestial del tráfico hacia las webs de noticias como un «bucle de fatalidad». Un bucle que, paradójicamente, amenaza con destruir la propia tecnología que están creando.
La lógica matemática detrás de esto es aplastante. Si los chatbots se convierten en sustitutos de los medios, las redacciones quiebran y dejan de publicar reportajes de calidad. Si dejan de publicar, empresas como OpenAI se quedan de repente sin los datos frescos y verificados que necesitan para sus tuberías de entrenamiento continuo. Todos acaban perdiendo.
Pero claro, las cifras de este polémico raspado masivo son de las que quitan el hipo a cualquier desarrollador. Los documentos revelan que los datasets de entrenamiento intermedio de OpenAI albergan más de 91.692 copias exactas de obras publicadas por The Times, el Daily News y el Center for Investigative Reporting.
Millones de textos absorbidos sin miramientos
Por si fuera poco, a esta cifra mareante hay que sumarle repositorios derivados de Common Crawl. Este incluye más de dos millones de documentos provenientes en exclusiva del dominio nytimes.com. Y ojo, porque las tácticas de estas start-ups no se quedaban en la simple lectura de contenido público gratuito.
Resulta que los desarrolladores idearon métodos para saltarse sin hacer ruido el muro de pago del histórico periódico. Cuando el investigador Nick Ryder le comentó este pequeño «truco» informático a Greg Brockman, mismísimo presidente de OpenAI, su respuesta en los chats de la empresa fue un simple y conformista: «ah, bien».
A ello se le suma el entramado de transferencias de información entre los gigantes tecnológicos. Según la demanda, Microsoft lanzó iniciativas bajo nombres en clave como Project Taxi y Project Mango para suministrar gasolina a OpenAI. Solo este último contenía copias de al menos 160.903 obras únicas de los medios demandantes. Una auténtica locura.
La delgada línea entre innovar y destruir el mercado
Curiosamente, las declaraciones públicas de los mandamases chocan de frente con la cruda realidad técnica. Satya Nadella, actual CEO de Microsoft, declaró bajo juramento que cualquier contenido protegido por un muro de pago debería requerir una licencia comercial para entrenar IA o alimentar la inferencia de respuestas. Llegó a asegurar que habría exigido reentrenar los modelos si hubiera sabido que OpenAI usó textos de pago extraídos sin permiso.
Sin embargo, la postura de OpenAI puertas adentro destilaba mucho menos tacto. Nick Turley, máximo responsable de ChatGPT, confesó por escrito que sus productos generativos representaban una «amenaza existencial» para los editores de prensa. Sabían de sobra que, a medida que la tecnología RAG (Generación Aumentada por Recuperación) mejorase, la gente usaría su chatbot como un sustituto directo de los diarios matutinos.
Incluso existen pruebas que señalan esfuerzos deliberados en las fases de preprocesamiento para eliminar los avisos de copyright de los datos. El objetivo era cristalino: evitar que la red neuronal aprendiese a replicar esos molestos avisos legales y se los mostrara a los usuarios finales al generar una respuesta. Había que borrar el rastro.
Evidentemente, las corporaciones ahora guardan un tenso silencio mediático mientras el encarnizado debate sobre la legalidad del entrenamiento IA sigue sin resolverse. Recientemente, la Administración Trump llegó a apoyar oficialmente el uso de material protegido sin licencia para no frenar la competitividad de sus modelos fundacionales frente al resto del mundo. Tocará esperar para ver si los jueces perdonan estas prácticas en nombre de la evolución técnica, o si acaban obligando a los gigantes de Silicon Valley a pagar por su materia prima más valiosa.
Me dedico al SEO y la monetización con proyectos propios desde 2019. Un friki de las nuevas tecnologías desde que tengo uso de razón.
Estoy loco por la Inteligencia Artificial y la automatización.
