Wikipedia pidió a un tribunal que la IA deje de reproducir sus artículos

La Fundación Wikimedia, la organización que opera Wikipedia, presentó un escrito ante el tribunal de Nueva York que juzga a OpenAI y Microsoft por el uso de artículos de prensa para entrenar IA. No toma partido: pide que entrenar modelos sea uso legítimo, pero que los chatbots no reproduzcan textos sin licencia.

El documento es un amicus curiae, que presenta quien no es parte del juicio para aportar argumentos al juez. Según The Verge, Wikimedia advierte que las posturas de ambas partes impulsan una aplicación “excesiva y simplificada” de la doctrina del uso legítimo, la excepción que permite emplear obras protegidas sin permiso en ciertos casos.

El litigio reúne las demandas a ambas empresas que presentaron The New York Times, el Daily News, The Intercept, el Center for Investigative Reporting, Ziff Davis y un grupo de autores de libros. El Times sostiene, por ejemplo, que OpenAI copió su sitio web para armar los datos de entrenamiento.

OpenAI y Microsoft responden que entrenar modelos de lenguaje es uso legítimo. La empresa dueña de ChatGPT dijo que la reproducción de textos es “un error poco frecuente”. Microsoft afirmó en un escrito de septiembre que, según un análisis de expertos, su asistente Copilot rara vez repite oraciones completas de las noticias.

Wikimedia plantea que los chatbots no pueden reproducir artículos

Wikimedia propone una salida intermedia. Según The Verge, que cita una publicación de la fundación, extraer datos de sitios web no debería considerarse infracción, y entrenar un modelo con obras protegidas y sin licencia debería ser uso legítimo cuando aporta “algo nuevo y diferente” respecto de las fuentes originales.

La excepción, de acuerdo con esa posición, son los sistemas que recuperan copias de un texto para responder a una consulta y lo entregan desplazando la lectura de la obra original. En ese caso, la fundación sostiene que corresponde pedir licencia, porque el resultado sustituye al original y no lo transforma lo suficiente.

Para Wikipedia, eso significaría citar la fuente original bajo su licencia Creative Commons, que también exige que cualquier adaptación se publique con la misma licencia. La fundación sostiene que servicios como ChatGPT reproducen texto de licencia libre sin respetar esas condiciones.

Cada extremo tiene un riesgo, según el escrito. Un triunfo total de los editores permitiría que los titulares de derechos bloqueen incluso usos innovadores. Un triunfo total de las empresas de IA sería “una luz verde para ignorar los términos de licencia y fragmentar el flujo de conocimiento” entre autores humanos y lectores.

Wikipedia, fuente de datos y también afectada

La fundación afirma en el escrito que sus sitios son una de las fuentes de datos más críticas para entrenar sistemas de IA. Esos mismos sistemas, agrega, desvían visitantes y debilitan a las comunidades de voluntarios que mantienen la enciclopedia.

El 5 de octubre, Wikimedia informó que agentes que cree operados por OpenAI hicieron millones de solicitudes automáticas a sus interfaces públicas y rastrearon millones de páginas, sobre todo de Wikidata y Wikimedia Commons. Según la fundación, ese tráfico pudo contribuir a una interrupción parcial del servicio de consultas en mayo.

Wikimedia también reconoce el valor de estos modelos: pueden ayudar a los editores a combatir el vandalismo, detectar violaciones de derechos de autor y publicación de datos personales, y encontrar artículos que necesitan mejoras.

“Un fallo que no aplique con cuidado los principios del uso legítimo podría amenazar la sostenibilidad del conocimiento libre”, dijo el asesor jurídico general de la fundación, Stephen LaPorte. La directora ejecutiva, Bernadette Meehan, afirmó que ampliar el acceso al conocimiento con IA es “un objetivo poderoso”, pero que debe respetar a quienes lo producen.

Wikimedia no es la única que intervino. El Gobierno de Estados Unidos presentó en septiembre un escrito a favor de OpenAI, según Reuters. Esta semana se sumaron escritos de la Asociación de Editores Estadounidenses, que respalda a los demandantes, y del profesor Matthew Sag, que no apoya a ninguna parte.

El juez Sidney Stein evalúa los pedidos cruzados de sentencia sumaria. Según Sag, su fallo será el primero del Segundo Circuito sobre si entrenar modelos con libros y artículos es uso legítimo, y el primero en el mundo que trate los reclamos de editoriales de noticias.