Catorce entidades propietarias de 19 publicaciones periodísticas presentaron una demanda federal en Manhattan contra OpenAI, reclamando más de 250 millones de dólares por el uso no autorizado de cientos de miles de artículos para entrenar modelos de inteligencia artificial. El caso, interpuesto ante el Tribunal de Distrito del Distrito Sur de Nueva York, acusa a la compañía de haber incorporado más de 160,000 artículos en el conjunto de datos WebText —utilizado para entrenar GPT-2— y más de 122 millones de fragmentos de texto en una versión de 2019 del repositorio Common Crawl, de los cuales 23 millones provienen de un solo dominio del grupo demandante.

El argumento legal y las implicaciones para la industria

La demanda solicita que un jurado determine si la infracción fue deliberada, lo que abriría la puerta a reclamaciones de hasta 150,000 dólares por cada obra infringida intencionalmente, más 25,000 dólares adicionales por cada eliminación de metadatos de gestión de derechos de autor. Como evidencia, el escrito incluye declaraciones atribuidas a empleados de OpenAI: el responsable de ChatGPT habría señalado que los productos de la compañía representan una "amenaza existencial" para las editoriales porque "son sustitutivos, punto", mientras que un ingeniero afirmó que los usuarios no hacen clic en los enlaces a fuentes originales independientemente de su visibilidad. Estas declaraciones internas refuerzan el argumento de que la sustitución de tráfico hacia sitios de noticias no es un efecto colateral, sino una consecuencia conocida.

Además de las compensaciones económicas, la demanda exige una orden judicial que obligue a destruir los modelos y conjuntos de entrenamiento que incorporaron contenido de las publicaciones implicadas. Esta petición eleva el riesgo operativo para OpenAI más allá de una multa: afectaría directamente activos de infraestructura de IA ya desplegados.

Un frente legal que se consolida

Este litigio se integra a un patrón creciente de demandas por derechos de autor contra desarrolladores de modelos de lenguaje. El caso más emblemático es el presentado por The New York Times en diciembre de 2023, también en el mismo tribunal de Nueva York y también contra OpenAI y Microsoft. A ese se suman demandas recientes de The Seattle Times, Newsday y un grupo de diarios regionales de Mississippi. El grupo demandante en este caso busca que su litigio sea consolidado con los anteriores, lo que podría derivar en un proceso conjunto de mayor alcance y visibilidad.

No todos los medios han optado por la confrontación judicial. Perplexity firmó un acuerdo de licencia con el mismo grupo editorial ahora demandante, y OpenAI mantiene acuerdos de pago con Associated Press y Axel Springer, entre otros. Esta bifurcación entre litigio y negociación refleja la ausencia de un marco regulatorio claro sobre el uso de contenido protegido en el entrenamiento de IA, un vacío que los tribunales están siendo llamados a llenar.

El resultado de estos casos definirá si el entrenamiento de modelos de lenguaje con contenido periodístico constituye uso legítimo o infracción sistemática, con consecuencias directas sobre los modelos de negocio de toda la industria de medios y sobre la viabilidad legal de los conjuntos de datos que sostienen a los grandes modelos de IA.