New York Times diz que OpenAI ocultou provas em julgamento de direitos autorais do ChatGPT

O The New York Times e o The Daily News afirmam que a OpenAI tem mentido sobre sua capacidade de pesquisar dados de registros de bate-papo de clientes e conjuntos de dados de treinamento em busca de suas obras protegidas por direitos autorais. Esta é a escalada mais recente em um processo de dois anos contra a empresa de IA por supostamente violar a lei de direitos autorais ao treinar seus modelos de IA gerativa com o conteúdo do Times e reproduzir esse jornalismo nas respostas aos usuários.

Ao longo do caso, a OpenAI argumentou que não tinha capacidade de pesquisar seu próprio corpus de treinamento. Ela também argumentou que pesquisar ou produzir sua imensa coleção de conversas do ChatGPT seria tecnicamente oneroso e levantaria preocupações com a privacidade do usuário, porque os registros precisariam ser recuperados, processados e desidentificados. Os veículos buscaram esses dados para determinar se seu jornalismo protegido por direitos autorais estava presente no conjunto de dados de treinamento da OpenAI e se e com que frequência o ChatGPT gerava respostas usando ou reproduzindo seu conteúdo.

Em um depoimento ordenado pela Justiça em abril, o engenheiro de privacidade de dados da OpenAI, Vinnie Monaco, supostamente revelou que a OpenAI já havia conduzido pesquisas e avaliações internas de seu corpus de treinamento para buscar trabalhos jornalísticos protegidos por direitos autorais. 

O depoimento de Monaco também revelou supostamente que, antes mesmo de o NYT entrar com o processo, a OpenAI já havia acumulado um banco de dados de cerca de 78 milhões de conversas desidentificadas do ChatGPT, que usava internamente para determinar o quanto estava infringindo o trabalho de terceiros. Além desse conjunto de dados, a OpenAI também teria implementado um filtro "Bloom" como parte de um conjunto de ferramentas chamado "Project Giraffe", que detectava e mantinha um registro de reproduções em saídas, pouco depois de o processo ser aberto. 

Essas duas últimas revelações são particularmente significativas. Os autores haviam originalmente pedido à OpenAI que fornecesse uma amostra de 120 milhões de registros de bate-papo, mas a OpenAI negociou para reduzir a amostra para apenas 20 milhões. A OpenAI finalmente enviou essa amostra aos tribunais em dezembro passado, mas teria incluído tantas redações a ponto de tornar a amostra "inutilizável", nas palavras do tribunal. Os autores também alegaram que a OpenAI deletou bilhões de respostas do ChatGPT após entrarem com o processo, em violação direta da ordem de preservação do tribunal, e que a gigante da IA substituiu milhões de registros na amostra solicitada. 

Em outras palavras, eles afirmam que a OpenAI tornou desnecessariamente difícil obter informações que a própria empresa já havia coletado.

"Se a OpenAI realmente acreditasse que copiar o jornalismo de nossos clientes era justo e legal, não teria escondido a verdade sobre tê-lo feito", disse Ian B. Crosby, advogado principal dos autores, em um comunicado.

Agora, o NYT e o The Daily News estão pedindo ao juiz que discipline a OpenAI por supostamente reter evidências e interferir no processo de descoberta de provas (discovery). Eles estão pedindo ao tribunal que impeça a OpenAI de usar a amostra de 20 milhões de registros de bate-papo como evidência, alegando que ela é não confiável; que aceite como fato que os registros do ChatGPT teriam mostrado grande reprodução e fundamentação do conteúdo dos autores; que impeça a OpenAI de argumentar que os registros de bate-papo fornecidos não demonstram reprodução substancial; e que faça a OpenAI pagar os honorários advocatícios por terem tido que correr atrás dessas evidências. 

Em um comunicado, o porta-voz da OpenAI, Drew Pusateri, negou as alegações, acusando o Times de tentar acessar conversas privadas de usuários à medida que seu caso enfraquece.

“À medida que o caso do Times enfraquece e eles são forçados a retirar as acusações contra nós, eles persistem em seus esforços para invadir a privacidade de pessoas que não têm nada a ver com este caso, inclusive fazendo essas alegações flagrantemente falsas”, disse Pusateri. “Continuaremos defendendo a privacidade de nossos usuários e os princípios de uso justo há muito estabelecidos.”