Mariana Sousa 
Microsoft — novos trechos de um processo de direitos de autor revelam que práticas de recolha de dados usadas em modelos de IA terão tido impacto direto no tráfego de sites de notícias e gerado preocupação interna sobre efeitos económicos e laborais.
Queda acentuada de tráfego e riscos para o ecossistema
Os documentos mostram que a integração de modelos de conversa e motores de resposta levou a perdas de cliques em portais de notícias. Para um produto de respostas, a taxa de clique no domínio do The New York Times caiu até 93% em comparação com a pesquisa tradicional do Bing.
Esse fenómeno foi descrito internamente como um “loop” negativo que prejudica tanto o desempenho dos modelos como a própria web, criando tensões entre a utilidade do produto e a sustentabilidade dos fornecedores de conteúdo.
«É bastante invulgar que um produto final ameace as fundações económicas dos seus fornecedores essenciais, mas essa é a situação que criámos para o nosso negócio de LLM no que toca à ‘cadeia de fornecimento de conteúdo’.»
Escala do scraping e alegações sobre obtenção de dados
Os ficheiros detalham como conjuntos de treino foram montados a partir de scraping em larga escala, incluindo a recolha de milhões de artigos via repositórios como Common Crawl e a alegada criação de mecanismos para contornar paywalls sem detecção.
Relatórios internos apontam números concretos: mais de 91 692 cópias de obras de conjuntos editoriais específicos nos mid‑training datasets, mais de 2 milhões de documentos do domínio nytimes.com num dataset derivative, e 160 903 obras únicas agregadas num esforço identificado como Project Mango.
O que acha? Acha que estas revelações alteram a confiança nas plataformas de IA e o futuro dos media? Para acompanhar mais, aceda à nossa editoria.
Perguntas Frequentes
O que os documentos não selados dizem sobre as práticas de treino da Microsoft no processo do The New York Times?
Microsoft aparece nos documentos como utilizadora de conjuntos de dados obtidos por scraping em larga escala, com menções a esquemas para contornar paywalls e à remoção deliberada de avisos de copyright. Os ficheiros citam que os mid‑training datasets incluíam mais de 91 692 cópias de obras de editores como o The New York Times.
Quanto caiu o tráfego do The New York Times devido ao motor de respostas da Microsoft?
Microsoft registou uma queda de taxa de clique até 93% no domínio do The New York Times quando comparada com a pesquisa tradicional do Bing, segundo dados internos mencionados nos documentos. Esse declínio foi identificado como um risco que poderia prejudicar tanto os modelos como a própria base de conteúdo online.
Que números comprovam a dimensão do material usado para treinar os modelos da OpenAI e da Microsoft?
Microsoft e OpenAI aparecem nos ficheiros com conjuntos de treino que incluíam mais de 91 692 cópias de obras de determinados editores, um dataset derivado do Common Crawl com mais de 2 milhões de documentos do nytimes.com e um Project Mango com pelo menos 160 903 obras únicas.
O que executivos como Satya Nadella e outros reconheceram nos documentos do processo?
Microsoft registou em depoimento que conteúdo paywalled «deveria ser licenciado por quem o usa» para treino ou grounding; documentos citados também mostram líderes da OpenAI a descrever o efeito sobre editores como uma ameaça existencial, e notas internas qualificam o fenómeno como altamente substitutivo para o mercado de notícias.
Que perigos para emprego e mercado os documentos identificam relacionados com a IA generativa?
Microsoft indica nos ficheiros um «risco real» de que a IA generativa possa «perturbar significativamente» o emprego das pessoas que geraram os dados com que os modelos foram treinados. Em memorando de janeiro de 2023, Brent Hecht descreveu a prática como «um roubo assombroso de proporções sem precedentes» e «o maior roubo de trabalho na história da humanidade».
