Por Canuto  

La disputa entre The New York Times y OpenAI entró en una fase más agresiva luego de que los demandantes acusaran a la empresa de ocultar evidencia clave sobre cómo rastreaba contenido periodístico dentro de sus datos de entrenamiento y registros de ChatGPT.
***

  • The New York Times y The Daily News afirman que OpenAI sí podía buscar obras protegidas en sus datos, pese a negar esa capacidad durante el litigio.
  • Una deposición judicial habría revelado la existencia de una base interna de aproximadamente 78 millones de conversaciones desidentificadas de ChatGPT.
  • Los demandantes piden sanciones, exclusión de evidencia y que el tribunal asuma como hecho la presunta regurgitación sustancial de su contenido.

 

La disputa judicial entre The New York Times, The Daily News y OpenAI sumó un nuevo capítulo este 9 de julio, después de que los medios acusaran a la empresa de inteligencia artificial de ocultar evidencia durante el proceso de descubrimiento en el caso por derechos de autor relacionado con ChatGPT.

Según reportó TechCrunch, los demandantes sostienen que OpenAI mintió sobre su capacidad para buscar dentro de los registros de chat de clientes y dentro de sus conjuntos de datos de entrenamiento para localizar obras periodísticas protegidas por copyright.

La demanda lleva ya dos años en curso y gira en torno a una acusación central: que OpenAI entrenó sus modelos de IA generativa con contenido del Times y luego permitió que ese periodismo apareciera reproducido en respuestas entregadas a usuarios.

Durante buena parte del caso, OpenAI argumentó que no tenía capacidad para buscar en su propio corpus de entrenamiento. También sostuvo que revisar o producir su enorme volumen de conversaciones de ChatGPT implicaría una carga técnica considerable y abriría preocupaciones sobre la privacidad de los usuarios.

Los medios solicitaron acceso a esos datos para determinar si su contenido protegido estaba presente en el material usado para entrenar a OpenAI y para medir si ChatGPT generó respuestas basadas en ese periodismo, o si directamente lo reprodujo.

Lo que alegan los demandantes sobre las búsquedas internas de OpenAI

El punto de inflexión surgió a partir de una declaración de deposición ordenada por el tribunal en abril. En ella, el ingeniero de privacidad de datos de OpenAI, Vinnie Monaco, habría revelado información que contradice la postura sostenida por la empresa durante el litigio.

De acuerdo con esa deposición, OpenAI ya había realizado búsquedas internas y evaluaciones de su corpus de entrenamiento para detectar obras periodísticas protegidas por derechos de autor. Esa revelación es clave porque los demandantes afirman que la empresa negó repetidamente contar con esa capacidad.

La declaración también habría mostrado que OpenAI acumuló, antes incluso de que el Times presentara su demanda, una base de datos de aproximadamente 78 millones de conversaciones desidentificadas de ChatGPT. Esa base se habría usado internamente para medir hasta qué punto el sistema infringía obras de terceros.

Para los demandantes, ese detalle altera el centro de la discusión. Si OpenAI ya tenía datos preparados y herramientas para examinar salidas potencialmente infractoras, entonces su argumento de imposibilidad técnica pierde fuerza dentro del proceso.

La acusación no se limita al entrenamiento del modelo. También se extiende al comportamiento del producto ya desplegado, porque esa base de conversaciones podría servir para determinar con qué frecuencia ChatGPT habría generado respuestas que regurgitan o se apoyan en contenido periodístico protegido.

Proyecto Giraffe, filtro Bloom y la disputa por los registros de ChatGPT

Otra revelación mencionada por los demandantes apunta a una herramienta llamada “Proyecto Giraffe”. Según su versión, OpenAI incorporó allí un filtro denominado “Bloom” poco después de presentada la demanda.

Ese filtro, siempre según las alegaciones de los medios, servía para detectar y mantener un registro de los casos de regurgitación en las salidas del sistema. En términos simples, habría permitido identificar cuándo el chatbot repetía contenido demasiado cercano a material protegido.

La existencia de ese sistema sería importante porque sugeriría que OpenAI sí estaba monitoreando este riesgo de forma estructurada. Eso contrasta con la idea de que localizar ese tipo de coincidencias era impracticable o excesivamente complejo.

En el litigio, los demandantes habían solicitado inicialmente una muestra de 120 millones de registros de chat. Sin embargo, OpenAI negoció una reducción de esa cifra hasta una muestra de solo 20 millones.

OpenAI presentó finalmente esa muestra ante el tribunal en diciembre pasado, pero los demandantes aseguran que contenía tantas redacciones que terminó siendo “inutilizable”, en palabras atribuidas al propio tribunal dentro del expediente citado por los medios.

Las acusaciones más severas: destrucción de datos y sustitución de registros

Más allá del volumen recortado de la muestra, los demandantes sostienen que OpenAI eliminó miles de millones de salidas de ChatGPT después de que presentaron la demanda. Según su planteamiento, esa conducta habría violado de forma directa la orden judicial de conservación de evidencia.

También afirman que la compañía sustituyó millones de registros dentro de la muestra solicitada. En conjunto, esas acusaciones dibujan un patrón que, a juicio de los demandantes, entorpeció de manera innecesaria el acceso a información ya recopilada internamente por la empresa.

Ian B. Crosby, abogado principal de los demandantes, resumió la postura de sus clientes con una frase dura. Señaló que, si OpenAI realmente creyera que copiar el periodismo de sus clientes era justo y legal, no habría ocultado la verdad sobre haberlo hecho.

Con base en estas acusaciones, The New York Times y The Daily News pidieron al juez que discipline a OpenAI por supuestamente retener evidencia y alterar el proceso de descubrimiento. No se trata de una objeción procesal menor, sino de una solicitud formal de sanciones.

Entre las medidas solicitadas está impedir que OpenAI use la muestra de 20 millones de registros de chat como evidencia, al considerar que no es confiable. Los demandantes también quieren que el tribunal dé por establecido que esos registros habrían mostrado una gran regurgitación y fundamentación del contenido de los medios.

Además, solicitaron que OpenAI no pueda argumentar que los registros entregados no prueban una regurgitación sustancial. Finalmente, pidieron que la empresa asuma los honorarios legales derivados de la búsqueda de esta evidencia.

La respuesta de OpenAI y el choque entre copyright y privacidad

OpenAI rechazó las acusaciones en un comunicado atribuido a su portavoz, Drew Pusateri. La empresa sostuvo que The New York Times está intentando acceder a conversaciones privadas de usuarios justo cuando, según su versión, su caso se está debilitando.

Pusateri afirmó que, con el debilitamiento de la causa del Times y tras verse obligados a abandonar acusaciones contra OpenAI, los demandantes continúan intentando invadir la privacidad de personas que no tienen nada que ver con el litigio. También calificó las nuevas alegaciones como flagrantemente falsas.

El portavoz agregó que OpenAI seguirá defendiendo la privacidad de sus usuarios y los principios de uso justo establecidos desde hace mucho tiempo. Esa respuesta mantiene el eje defensivo que la empresa ha venido utilizando en este proceso.

El caso expone una tensión que trasciende a las partes involucradas. Por un lado, los editores buscan pruebas concretas para demostrar si su trabajo fue usado en el entrenamiento y reproducido en las respuestas del modelo.

Por otro lado, la empresa intenta presentar la revisión masiva de conversaciones como un riesgo para la privacidad, una línea argumental sensible en cualquier debate sobre IA, datos y responsabilidad corporativa.

Para lectores nuevos en este tema, conviene distinguir dos frentes jurídicos relacionados pero diferentes. Uno es el uso de material protegido para entrenar modelos, y el otro es la posible reproducción de ese material en las respuestas que recibe el usuario final.

Ambas cuestiones son centrales para la industria de IA generativa, porque podrían influir en futuros estándares de licenciamiento, auditoría de datasets y conservación de registros. Lo que decida el tribunal en esta etapa procesal podría afectar cómo otras empresas documentan y monitorean sus propios modelos.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados