Binnen Microsoft klinkt felle interne kritiek op de manier waarop AI-modellen worden gevoed met journalistieke content. Uit vrijgegeven processtukken rond de rechtszaak van The New York Times blijkt dat een kopstuk van het techbedrijf de praktijk omschrijft als grootschalige diefstal. De onthulling valt samen met een cruciale fase in het juridische conflict tussen de krant, OpenAI en Microsoft.
De opmerkelijke uitspraken zijn afkomstig van Brent Hecht, hoofd toegepaste wetenschap bij Microsoft. In interne correspondentie windt hij er geen doekjes om: het scrapen van artikelen noemt hij “een ongekende diefstal van nooit eerder vertoonde omvang” en mogelijk zelfs de grootste ontvreemding van menselijke arbeid ooit.
Die stellingname wringt hevig met de formele verdediging van zijn werkgever. Zowel Microsoft als OpenAI leunen in de rechtbank zwaar op het fair use-principe, waarmee ze betogen dat het benutten van beschermde teksten voor modeltraining legaal is. Hecht veegt die lezing echter van tafel: een overwinning op die gronden zou volgens hem het hele concept van fair use verworden tot een farce.
Miljoenen artikelen en een omzeilde paywall
De juridische documenten schetsen hoe OpenAI te werk ging. Volgens de advocaten van The New York Times zijn miljoenen artikelen systematisch binnengehaald om modellen vanaf GPT-3 tot en met GPT-4o te trainen. Die technologie vormt de ruggengraat van commerciële api’s en chatbot ChatGPT.
Opvallend is dat de paywall van het dagblad daarbij doelbewust werd gekraakt. Toen een OpenAI-ontwikkelaar een omzeilingsmethode presenteerde aan medeoprichter Greg Brockman, reageerde die laconiek met “Ah, nice.” Microsoft-topman Satya Nadella verklaarde later onder ede dat hij direct een hertraining van de modellen had geëist als hij van die praktijk had geweten. Nadella erkende bovendien dat dergelijke AI-systemen traffic kapen van nieuwssites.
Cijfers over wegvallend verkeer
De interne data van de techgiganten bevestigt die uitholling van bezoekersaantallen. Microsoft zelf zag doorkliks naar artikelen van The New York Times met 83 tot 93 procent instorten; bij andere titels liep het verlies op tot 94 procent. Gebruikers klikken amper door op voetnoten in ChatGPT, wat het hoofd van de chatbotdienst intern deed spreken van een regelrechte existentiële bedreiging voor de mediasector.
Die krimp is breed voelbaar in het medialandschap. Cijfers van Chartbeat laten over de afgelopen twee jaar een verkeersdaling van 60 procent bij kleinere publishers zien, tegenover 22 procent bij grote spelers, terwijl AI-bots nog geen procent van alle pageviews terugsturen. Intussen probeert Cloudflare het tij te keren met een betaalsysteem voor AI-scrapers.
Zaak in beslissende fase
Het conflict escaleerde toen The New York Times de zaak in december 2023 begon en miljarden aan schadeclaims eiste. OpenAI pareerde onder meer met de claim dat journalisten ChatGPT doelbewust hadden gemanipuleerd, terwijl het gelijktijdig haast maakte met commerciële licentiedeals voor uitgevers.
De juridische strijd bereikt nu een kookpunt. Begin september schaarde de Amerikaanse regering zich aan de zijde van OpenAI door te stellen dat AI-training principieel onder fair use kan vallen. Kort daarna bepleitten beide partijen hun zaak bij rechter Sidney Stein, een zitting die volgens Reuters bepalend is voor de toekomst van het auteursrecht. Terwijl de uitspraak op zich laat wachten, groeit het front van klagende partijen: CNN daagde Perplexity voor de rechter, en ook Newsday en The Seattle Times openden recent een juridisch offensief tegen OpenAI en Microsoft.
Juridisch front breed uitgemeten
De rechtszaak van The New York Times staat niet op zichzelf. De hele creatieve en informatieve sector voert vergelijkbare gevechten. Zo werd concurrent Anthropic aangeklaagd om diefstal van songteksten door grote muziekuitgevers, en stapten encyclopedie-uitgevers naar de rechter vanwege het ongeoorloofd leegtrekken van hun naslagwerken door OpenAI.
Ook softwarebouwers ontkomen er niet aan. Zo werd Adobe aangeklaagd wegens vermeend misbruik van auteursrechtelijk beschermd werk voor trainingsdoeleinden. Andere partijen kiezen intussen voor een zakelijkere dwangroute. Zo laat Wikipedia laat Big Tech betalen voor AI-training om te voorkomen dat data zonder tegenprestatie verdwijnt in commerciële systemen.