A The New York Times három évvel ezelőtt indított szerzői jogi keresetéhez csatolt, most részben nyilvánosságra hozott, nem szerkesztett iratok szerint a Microsoft és az OpenAI belső megállapításai szerint a webes scraping — az internetes cikkek és tartalmak tömeges lekérése AI‑tréninghez — gyakorlatilag lopásnak tekinthető, és jelentős veszélyt jelent a kiadók üzleti modelljére.
A periratok szerint egy magas rangú Microsoft‑vezető belső körben az AI‑képzés gyakorlatát „lopásnak” nevezte, míg az OpenAI vezetése arról beszélt, hogy az AI‑modellek „egzisztenciális fenyegetést” jelentenek a kiadókra és újságírókra nézve, akik munkái a tréningadatok forrását alkották.
Mit tartalmaznak az újonnan megnyitott anyagok?
A nyilvánosságra hozott részletek szerint a cégek úgy szerezték meg és használták fel a sajtóorgánumok tartalmait, hogy paywalleket megkerülve tömegesen gyűjtöttek adatot, gyakran a Bing indexből és a Common Crawl‑ból kinyert anyagokra támaszkodva. A beadványban azt is állítják, hogy a tréningadatokból szándékosan eltávolították a szerzői jogi jelzéseket, mert a kutatók nem akarták, hogy a modellek kimenete megismételje ezeket a jogi értesítéseket a felhasználóknak.
Fontos megjegyezni, hogy az új információk nagy része a The New York Times saját jogi anyagából származik — az eredeti mellékletek jelentős része továbbra is zárva maradt —, és a cikkben idézett megállapítások gyakran a beadványba foglalt részletek idézetei, amelyekből a kontextus egy része hiányozhat.
Konkrét belső elismerések és adatok
-
A dokumentumok szerint Microsoft‑belső adatok kimutatták, hogy a Copilot „válaszmotor” használata esetén a The New York Times domainre érkező átkattintási arányok (click‑through rates) akár 93%-kal is csökkentek a hagyományos Bing‑kereséshez képest. Brent Hecht, a Microsoft Director of Applied Science‑a egy 2024. januári belső prezentációban a csökkenést „doom loopnak” („végzetes körnek”) nevezte, amely egyszerre rontaná a modellek és a teljes web teljesítményét.
-
A Microsoft belső dokumentuma így fogalmaz: „Rendkívül szokatlan, hogy egy végtermék veszélyezteti létfenntartását azoknak az alapvető beszállítóknak, akikre az LLM‑üzletágunk tartalmi ellátólánca épül.”
-
Satya Nadella, a Microsoft vezérigazgatója egy idén nyilvános meghallgatáson kijelentette: „mindent, ami paywall mögött van, licencelni kell bárkinek, aki használni akarja… groundinghez vagy tréninghez.” Hozzátette, hogy ha tudomása lett volna arról, hogy az OpenAI fizetős tartalmakat kaparintott meg és használt fel tréningre, akkor kikényszerítette volna az OpenAI‑tól a modellek újbóli betanítását.
-
Az OpenAI belső kommunikációiból idézve Nick Turley, a ChatGPT‑ért felelős vezető arról írt, hogy a kiadók „egzisztenciális fenyegetéssel” néznek szembe a chatbot‑szerű termékek miatt, amelyek „nagyrészt helyettesítők” és a fejlődésükkel egyre inkább helyettesítők lesznek.
-
OpenAI‑elnök Greg Brockman a modelleket „kiválónak a hírek terén” jellemezte. Nadella a tanúskodásában elismerte, hogy a chatbotokkal folytatott párbeszéd „helyettesítette azt, hogy a weboldalon kelljen megkeresni az információt”, tehát a platformon megkapott választ a felhasználók nem feltétlenül az eredeti forráshoz irányítja.
-
Egy Microsoft‑dokumentum rámutat: „valódi kockázat áll fenn arra nézve, hogy a generatív AI jelentősen megzavarhatja azoknak az embereknek a foglalkoztatását, akik az alapmodell tréningjéhez szolgáltatták az adatokat.”
A másolás mérete és a tréningadatok összetétele
A periratokból az is kiderül, hogy a másolás és a betanításhoz felhasznált anyagok volumene igen nagy: a dokumentumok szerint az OpenAI köztes (mid‑training) adatállományaiban önmagában több mint 91 692 példány található a The New York Times, a Daily News és a Center for Investigative Reporting által közzétett művekből. Egy Common Crawl‑alapú adatbázis több mint 2 millió dokumentumot tartalmazott kizárólag a nytimes.com‑ról.
Brent Hecht 2023. januári belső feljegyzésében a jelenséget „példátlan mértékű, elképesztő lopásnak” és „az emberi történelem legnagyobb munkalopásának” nevezte.
A beadvány részletezi, hogy az OpenAI és a Microsoft hogyan cseréltek adatokat: az OpenAI állítólag „átadta a teljes GPT‑3 tréningadatkészletet a Microsoftnak, amelyet a Microsoft a saját kereskedelmi termékeiben való alkalmazás tesztelésére használt”. Hasonlóképpen a Microsoft is adott át tréningadatokat az OpenAI‑nak olyan kezdeményezéseken keresztül, amelyeket Project Taxi és Project Mango néven említenek. A Project Mango adathalmazába a perirat állítása szerint legalább 160 903 egyedi hírmunka másolatai kerültek be.
A paywall‑megkerülés és a szerzői jogi jelzések eltávolítása
A beadvány szerint az OpenAI munkatársai módszereket dolgoztak ki paywallek észrevétlen megkerülésére. Amikor Nick Ryder, OpenAI‑kutató arról írt Greg Brockmannak, hogy talált egy „hacket” a nytimes paywall megkerülésére, Brockman válasza az volt: „ah, szép”.
A dokumentumok szerint az OpenAI alkalmazottai WebText és WebText2 néven olyan adatbázisokat építettek, amelyek aránytalanul nagyban támaszkodtak scraped híranyagokra, és milliónyi cikket vontak be a Common Crawl‑ból. Emellett a beadvány azt állítja, hogy szándékosan eltávolították a szerzői jogi értesítéseket a tréningadatokból, mert nem szerették volna, hogy a modell kimenete megjelenítse ezeket a jogi figyelmeztetéseket.
Válaszok és következő lépések
A The New York Times perének most nyilvánosságra került anyagai a három éve folyó jogvita újabb éleződését jelentik. A kérdés, hogy az AI‑cégek jogszerűen használhatnak‑e fel szerzői joggal védett anyagokat tréningre, továbbra sem tisztázott teljesen; a bíróságok eddigi döntései gyakran a cégek felé hajlottak, amikor azt kellett megítélniük, hogy a tréning „fair use”‑nak minősül‑e. A hónap elején a Trump‑kormányzat is benyújtott egy amicus briefet, amely védi az OpenAI engedély nélküli felhasználását a tréninghez.
Ugyanakkor a beadványban most szereplő belső elismerések több ponton ellentmondhatnak az OpenAI „fair use” védelmének, különösen azzal a teszttétellel, amely megköveteli, hogy a felhasználás ne helyettesítse vagy ne ártsa az eredeti művek piacát.
Sem az OpenAI, sem a Microsoft nem reagált a cikkben szereplő megkeresésekre.
Összefoglalás
A most nyilvánosságra került, nem szerkesztett periratok új részleteket hoznak a felszínre arról, hogy az OpenAI és a Microsoft belső anyagai szerint az AI‑tréninghez végzett webes adatgyűjtés komoly kárt okozott a kiadóknak, és jogi, etikai valamint gazdasági kérdéseket vet fel a tartalomlicencelés és a platformok felelőssége kapcsán.
