El scraping de contenido para entrenar IA acaba de recibir su calificacion mas dura, y no viene de un editor demandante sino de dentro de las propias empresas acusadas. Documentos judiciales desclasificados revelan que ejecutivos de Microsoft y OpenAI reconocieron internamente que la recopilacion masiva de contenido constituye robo y una amenaza existencial para editores y periodistas. Un directivo de Microsoft llego a describirlo como el mayor robo de trabajo en la historia humana. Estas admisiones internas chocan de frente con la defensa publica de uso justo que OpenAI sostiene en los tribunales.
Que ha pasado y por que importa
Los documentos, hechos publicos en el marco del litigio que enfrenta a The New York Times, Daily News y el Center for Investigative Reporting contra OpenAI y Microsoft, muestran una contradiccion incomoda: mientras la defensa legal se apoya en la doctrina del uso justo, comunicaciones internas calificaban el mismo scraping de contenido para entrenar IA como robo. Segun estos materiales, los datasets de entrenamiento contienen mas de 91.692 copias de trabajos periodisticos de esos medios.
El detalle tecnico es lo que agrava el caso. Los documentos describen tecnicas para eludir paywalls y la eliminacion deliberada de avisos de copyright en los contenidos incorporados. A esto se suma un dato de impacto directo en el negocio de los editores: Microsoft Copilot habria reducido las visitas a The New York Times en un 93% frente a las busquedas tradicionales de Bing. No es solo un problema de propiedad intelectual, sino de sustitucion del trafico que sostiene economicamente al periodismo.
Implicaciones de mercado y legales
La distancia entre lo que estas empresas dicen en publico y lo que reconocieron en privado es exactamente el tipo de material que puede inclinar un litigio. La defensa de uso justo se sostiene, entre otros factores, sobre el argumento de que el uso es transformador y no sustitutivo del original. La cifra del 93% de caida de visitas ataca directamente ese pilar: si el producto de IA reemplaza el consumo del contenido fuente, el argumento de no sustitucion se debilita.
El caso del scraping de contenido para entrenar IA no es aislado. Un fallo desfavorable, o incluso un acuerdo forzado por estas admisiones, sentaria un precedente que obligaria a renegociar como se construyen los datasets de entrenamiento. La eliminacion deliberada de avisos de copyright que mencionan los documentos podria activar responsabilidades adicionales bajo la legislacion estadounidense, mas alla del debate sobre uso justo. Para el sector, la pregunta ya no es si habra que pagar por los datos, sino cuanto y bajo que modelo.
Que significa este movimiento para el mercado
Para los editores, estas admisiones internas refuerzan su posicion negociadora. Los acuerdos de licencia que algunos medios ya han firmado con proveedores de IA dejan de ser una concesion voluntaria para convertirse en la alternativa razonable frente a una batalla legal con munición nueva. Cabe esperar que los precios de estas licencias suban y que mas cabeceras exijan condiciones antes de permitir el acceso a su contenido.
Para OpenAI, Microsoft y el resto de laboratorios, el coste de los datos de entrenamiento deja de ser marginal. Quien construyo sus modelos sobre contenido recopilado sin permiso afronta ahora un riesgo de pasivo retroactivo. Los competidores que apostaron desde el principio por datos licenciados o sinteticos pueden presentar esa decision como ventaja. Para los compradores empresariales de estas herramientas, el aviso es claro: conviene revisar las clausulas de indemnizacion por propiedad intelectual en los contratos con proveedores de IA, porque un litigio aguas arriba puede acabar salpicando a quien integra la tecnologia.
Analisis Blixel
Reconocer una cosa en privado y defender la contraria ante un juez es una jugada que rara vez sale gratis. Lo revelador de estos documentos no es que confirmen lo que muchos editores sospechaban, sino que lo hagan con las palabras de las propias empresas. Durante dos anos, el discurso publico ha girado en torno a la idea de que entrenar sobre la web abierta es equivalente a que una persona lea y aprenda. Ese marco se vuelve insostenible cuando internamente se habla de robo y de amenaza existencial.
La cifra del 93% de caida de trafico es, a nuestro juicio, mas peligrosa para la defensa que cualquier adjetivo. Traslada el debate del terreno filosofico sobre que es aprender al terreno medible del dano economico. Y ahi los numeros son tozudos. Para las empresas espanolas que integran estas herramientas, el mensaje practico es no dar por sentado que la legalidad del dato subyacente es problema del proveedor. Exigir garantias contractuales de indemnizacion deja de ser un lujo legalista. El sector de la IA lleva tiempo funcionando con la premisa de pedir perdon en vez de permiso. Estos documentos sugieren que la factura de esa estrategia empieza a llegar, y no sera pequena.
Quieres aplicar esto en tu empresa? En Blixel.ai te ayudamos a integrar IA con sentido comun. Hablemos.
Deja una respuesta