Documentos judiciales revelan críticas de Microsoft al entrenamiento de IA

En un artículo para TechCrunch, Rebecca Bellan revisó las nuevas revelaciones de la demanda por derechos de autor que The New York Times presentó contra OpenAI y Microsoft. Los documentos muestran que directivos de ambas compañías reconocieron los riesgos que las prácticas de entrenamiento de inteligencia artificial representan para los medios de información y que, dentro de las propias empresas, hubo advertencias sobre el uso de contenidos protegidos sin autorización.

Según la demanda, un alto ejecutivo de Microsoft describió en privado las prácticas de entrenamiento de IA de las compañías como un "robo". Por su parte, directivos de OpenAI señalaron que sus modelos representaban una "amenaza existencial" para los medios de información y los periodistas cuyo trabajo había servido para entrenarlos.

Los documentos judiciales también exponen cómo las empresas habrían obtenido y utilizado esos contenidos mediante distintas prácticas, como eludir los muros de pago sin ser detectadas, recopilar información masivamente para construir conjuntos de datos de entrenamiento y eliminar deliberadamente los avisos de derechos de autor de los materiales utilizados.

Cabe aclarar que gran parte de la nueva información proviene del escrito presentado por The New York Times y no de las pruebas originales, que continúan bajo reserva judicial. Las declaraciones citadas a continuación se presentan sin su contexto original.

La publicación de estos documentos sin tachaduras representa un nuevo avance en la demanda, iniciada hace tres años, en la que The New York Times acusó a OpenAI y Microsoft de infringir las leyes de derechos de autor al entrenar modelos de IA generativa con sus contenidos.

La posibilidad de que las empresas de IA utilicen legalmente material protegido por derechos de autor para entrenar sus modelos sigue siendo una cuestión sin una respuesta definitiva. No obstante, los jueces se han mostrado, en gran medida, receptivos a los argumentos de las compañías tecnológicas, que sostienen que este proceso constituye un "uso legítimo" (fair use). Esta figura jurídica permite utilizar obras protegidas sin autorización en determinadas circunstancias, como la parodia, la cobertura periodística o la crítica. A principios de septiembre de 2026, la administración Trump presentó un escrito en defensa del uso sin licencia de material protegido por derechos de autor para entrenar los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) de OpenAI.

Sin embargo, varias de las nuevas revelaciones contradicen los argumentos de OpenAI sobre el uso legítimo, especialmente el principio según el cual ese uso no debe sustituir la obra original ni perjudicar su mercado.

Los propios datos de Microsoft ofrecen un ejemplo de este impacto. Según la información presentada en la demanda, Copilot, el motor de respuestas de la compañía basado en IA, redujo hasta en un 93% la tasa de clics hacia el dominio de The New York Times, en comparación con las búsquedas tradicionales de Bing. Una presentación interna elaborada en enero de 2024 por Brent Hecht, director de Ciencias Aplicadas de Microsoft, describió esta caída como un "círculo vicioso" que "perjudicaría al mismo tiempo el rendimiento de nuestros modelos y el de toda la web»"

"Es muy poco habitual que un producto final amenace las bases económicas de sus proveedores esenciales, pero esa es la situación que hemos creado para nuestro negocio de modelos de lenguaje de gran tamaño en relación con su “cadena de suministro de contenidos”", señala el documento de Microsoft citado en la demanda.

Satya Nadella, director ejecutivo de Microsoft, también declaró bajo juramento, durante una deposición realizada en 2026, que "cualquier contenido protegido por un muro de pago debería contar con una licencia para que cualquiera pueda utilizarlo […] como fuente de información o para entrenar modelos". Asimismo, afirmó que, si hubiera sabido que OpenAI había extraído y utilizado para entrenar sus modelos información protegida por un muro de pago, habría invocado el derecho de Microsoft a "exigir que OpenAI volviera a entrenar sus modelos".

Otras declaraciones cuestionan distintos criterios que se tienen en cuenta al evaluar el uso legítimo. Nick Turley, responsable de ChatGPT en OpenAI, escribió en una comunicación interna que los medios de información se enfrentaban a una "amenaza existencial" por productos como el chatbot, que son "en gran medida sustitutivos" y "lo serán cada vez más a medida que mejoren".

Greg Brockman, presidente de OpenAI, describió los modelos de la compañía como "excelentes para las noticias". Por su parte, Nadella reconoció bajo juramento en 2026 que las conversaciones con chatbots habían sustituido, en cierta medida, la experiencia de "obtener la información directamente en el sitio web, dentro de la plataforma de IA, en lugar de tener que acudir a la fuente original".

Para Bellan, estas declaraciones evidencian cómo la tecnología podría competir directamente con los contenidos originales, en lugar de transformarlos mediante un uso diferente, un aspecto relevante en la discusión sobre los límites del uso legítimo.

Un documento de Microsoft también advierte de un "riesgo real" de que la IA generativa pueda "alterar significativamente el empleo de las mismas personas que generaron los datos con los que se entrenó el modelo fundacional".

La magnitud de la reproducción de contenidos también resulta significativa. Los documentos revelan por primera vez que los conjuntos de datos utilizados por OpenAI durante las etapas intermedias del entrenamiento contenían, por sí solos, más de 91.692 copias de obras publicadas por The New York Times, Daily News y el Center for Investigative Reporting. Además, un conjunto de datos derivado de Common Crawl incluía más de dos millones de documentos procedentes únicamente de nytimes.com.

En un memorando interno de enero de 2023, Hecht calificó estas prácticas como "un robo asombroso, de proporciones sin precedentes" y "el mayor robo de trabajo de la historia de la humanidad".

El documento judicial también detalla cómo OpenAI y Microsoft habrían obtenido los contenidos de los medios demandantes, entre otras vías, mediante su extracción del índice de Bing.

"OpenAI entregó a Microsoft el conjunto completo de datos de entrenamiento de GPT-3, que Microsoft utilizó para evaluar cómo integrar los modelos de OpenAI en sus propios productos comerciales", señala el documento. "Microsoft también proporcionó datos de entrenamiento a OpenAI mediante iniciativas denominadas Project Taxi y Project Mango".

Según la demanda, las compañías reunieron los datos de Project Mango en un conjunto de entrenamiento que contenía copias de al menos 160.903 obras distintas pertenecientes a los medios de información demandantes.

Para aprovechar al máximo la extracción de contenidos, empleados de OpenAI habrían diseñado una estrategia para eludir los muros de pago sin ser detectados. Los documentos muestran que, cuando el investigador de OpenAI Nick Ryder le comentó a Brockman que había encontrado un "truco para saltarse el muro de pago de The New York Times", este respondió: "Ah, genial".

Los empleados de OpenAI también habrían desarrollado conjuntos de datos de entrenamiento, como WebText y WebText2, que dependían de manera desproporcionada de contenidos periodísticos extraídos de internet. Además, habrían recopilado millones de artículos de Common Crawl, un repositorio abierto y gratuito de datos obtenidos mediante el rastreo de páginas web.

Los documentos también describen esfuerzos deliberados para eliminar los avisos de derechos de autor de los datos antes de incorporarlos a los modelos. Según las pruebas citadas en la demanda, los investigadores buscaban evitar que el modelo mostrara "avisos de derechos de autor" a los usuarios en sus respuestas.

"Las pruebas que se revelan aquí por primera vez demuestran que OpenAI y Microsoft sabían que lo que estaban haciendo estaba mal", afirmó Steven Lieberman, abogado de New York Daily News, en una declaración compartida con TechCrunch.

OpenAI y Microsoft no respondieron a las solicitudes de comentarios.