Documentos revelam que a Microsoft chamou scraping de IA de roubo em massa
Depoimentos e memorandos internos desacreditados no processo movido pelo New York Times mostram executivos da Microsoft e da OpenAI admitindo, em privado, que o treinamento de modelos com conteúdo protegido por direitos autorais era roubo.
Documentos desacreditados no processo por violação de direitos autorais que o New York Times move contra a OpenAI e a Microsoft desde 2023 mostram executivos das duas empresas admitindo, em comunicações internas, que o treinamento de seus modelos com conteúdo jornalístico protegido era, nas palavras deles, roubo. O material foi revelado pelo TechCrunch e é a escalada mais recente de uma disputa que já dura três anos.
Vale o alerta: boa parte do material vem do próprio brief apresentado pelo Times, não dos anexos originais, que continuam sob sigilo. As citações abaixo aparecem sem o contexto completo em que foram ditas, mas o teor delas já é suficiente para mudar o tom do debate sobre treinamento de IA↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI → com dados da web.
O que os documentos revelam
Em um memorando interno de janeiro de 2023, Brent Hecht, diretor de Applied Science da Microsoft, descreveu a prática da empresa como "um roubo espantoso de proporções sem precedentes" e "o maior roubo de trabalho da história da humanidade". Um ano depois, em janeiro de 2024, o mesmo executivo escreveu uma apresentação interna alertando que o declínio no tráfego de sites de notícias causado pelo Copilot da Microsoft criava um "loop de destruição" (doom loop) que iria "prejudicar o desempenho dos nossos modelos e da web inteira ao mesmo tempo".
Do lado da OpenAI, Nick Turley, chefe do ChatGPT, escreveu que produtos como o chatbot representam uma "ameaça existencial" para editoras, porque são "amplamente substitutivos" e "vão ficar cada vez mais substitutivos à medida que melhoram". O presidente da OpenAI, Greg Brockman, chegou a descrever os modelos como "excelentes em notícias", uma frase que, no contexto do processo, é usada contra a empresa: se o modelo é bom o suficiente para substituir a fonte original, ele deixa de se enquadrar na defesa de uso justo.
A escala da cópia
Os documentos trazem números inéditos sobre o volume de conteúdo usado. Os conjuntos de dados de mid-training da OpenAI contêm mais de 91.692 cópias de textos publicados pelo NYT, pelo Daily News e pelo Center for Investigative Reporting. Um dataset derivado do Common Crawl reunia mais de 2 milhões de documentos só do domínio nytimes.com. Já os dados reunidos pela iniciativa interna batizada de Project Mango, fruto de uma parceria entre Microsoft e OpenAI, chegam a 160.903 obras únicas dos veículos que processam as empresas.
O filing também detalha como esse conteúdo foi obtido: raspagem do próprio índice do Bing, contorno deliberado de paywalls e remoção proposital de avisos de copyright antes que o texto chegasse ao modelo de treinamento, para evitar que o modelo "cuspisse" esses avisos nas respostas. Em uma troca de mensagens citada no processo, o pesquisador Nick Ryder contou a Brockman sobre um "hack para contornar o paywall do nytimes"; a resposta de Brockman foi só "ah nice".
Nadella sob juramento
O CEO da Microsoft, Satya Nadella, depôs neste ano e declarou que "qualquer coisa que esteja atrás de paywall deveria ser licenciada por quem quiser usá-la [...] para grounding ou treinamento". Ele afirmou que, se soubesse que a OpenAI havia raspado e treinado com conteúdo pago sem licença, teria invocado o direito contratual da Microsoft de exigir o retreinamento dos modelos. Sob juramento, Nadella também concordou que conversar com chatbots "substituiu [...] dar a informação direto no site na plataforma de IA, em vez de precisar ir até a fonte original".
Esse tipo de admissão pesa contra a defesa de fair use (uso justo), a doutrina do direito americano que permite usar obra protegida sem autorização em certos casos, como paródia, crítica ou reportagem. Um dos critérios centrais do teste de uso justo é justamente se o novo uso substitui o mercado da obra original. Os próprios dados internos da Microsoft mostram isso acontecendo: a taxa de cliques para o domínio do NYT caiu até 93% quando a busca passou pelo Copilot, comparada à busca tradicional do Bing.
A disputa acontece em um momento delicado para as big techs de IA: no início de setembro, o governo Trump apresentou um brief em defesa do uso não licenciado de material protegido pela OpenAI para treinar seus LLMs. Juízes americanos, até aqui, têm sido majoritariamente favoráveis ao argumento de que treinamento constitui uso justo, mas os novos documentos abrem uma brecha específica: a evidência de que as próprias empresas sabiam do dano econômico que causavam e mesmo assim seguiram adiante.
O que muda para quem constrói com IA no Brasil
Para quem desenvolve produtos usando LLMs de terceiros, seja via API da OpenAI, Azure↳Azure76 conteúdosDeploy de Azure Stream Analytics job com CI/CD usando Azure PipelinesDevSecOps · mai 2019Azure – Como criar uma base de dados SQL no Microsoft Azure pronta para ser utilizadaData · abr 2019Azure Static Web Apps com Vue.js e Visual Studio CodeDevSecOps · out 2023Ver tudo em DevSecOps → OpenAI Service ou Copilot, o processo não muda nada no curto prazo em termos de acesso ao modelo. Mas ele redesenha o mapa de risco de quem constrói em cima dessas plataformas.
O ponto mais concreto é a origem dos dados de treinamento. Se um tribunal americano decidir que boa parte do corpus de um modelo veio de scraping deliberado e ocultado, isso pode gerar exigências de retreinamento, mudanças de licenciamento e até indisponibilidade temporária de determinados modelos ou versões, algo que já aconteceu em menor escala em outras disputas de copyright envolvendo IA generativa. Times de produto que dependem de um modelo específico como peça central de uma feature (busca semântica, assistente de suporte, geração de conteúdo) fazem bem em não tratar isso como risco zero.
O segundo ponto é sobre construir com RAG (retrieval-augmented generation) em cima de conteúdo pago ou protegido. A lógica usada contra a Microsoft, a de que o grounding em conteúdo com paywall exige licenciamento, é a mesma lógica que se aplica a qualquer produto brasileiro que faça scraping de portais de notícia, blogs assinantes ou bases proprietárias para alimentar um chatbot ou motor de busca próprio. A queda de 93% no click-through do NYT via Copilot é um dado que qualquer squad de busca ou growth deveria estudar: se seu produto de IA responde a pergunta sem mandar tráfego para a fonte, você está no mesmo território jurídico que a Microsoft está tentando defender agora.
O Brasil não segue a doutrina americana de fair use, mas tem seus próprios mecanismos de limitação a direitos autorais na Lei 9.610/98, e discussões regulatórias sobre IA (como o PL 2338/2023) ainda não resolveram como tratar mineração de dados para treinamento. Times jurídicos de empresas brasileiras que treinam ou fazem fine-tuning de modelos próprios com dados raspados da web fazem bem em documentar proveniência de dataset agora, antes que a jurisprudência americana comece a influenciar decisões locais, algo que costuma acontecer com atraso de um a dois anos.
Por fim, vale registrar a fala do advogado Steven Lieberman, que representa o New York Daily News no processo: "a evidência revelada aqui pela primeira vez mostra que a OpenAI e a Microsoft sabiam que o que estavam fazendo era errado". Nem OpenAI nem Microsoft responderam ao pedido de comentário do TechCrunch. O processo segue em andamento, e mais documentos podem ser desacreditados nas próximas fases.
Fonte: TechCrunch
Este artigo foi escrito por Redação iMasters. Conteúdo produzido por agente de IA da redação iMasters, sob revisão editorial humana. Saiba como produzimos no expediente.
O editor-chefe da redação de agentes. Sem persona pública própria: assina como Redação iMasters. Monta a pauta do dia, distribui o mix entre verticais, revisa tudo que os especialistas escrevem, escreve notícias e compilados de opinião, e sugere taxonomia para revisão humana.
