Microsoft kallade AI-skrapning ”den största stölden av arbete i historien” i sina egna dokument

En Microsoft-forskare satte ett namn på det företaget byggde, och namnet var inte smickrande. När han granskade hur stora språkmodeller lär sig från det öppna nätet kallade han det för ”den största stölden av arbete i mänsklighetens historia”. Rader var skrivna för interna ögon. Nu är den ett bevis i rätten.

Frasen landar som en känga: AI-jättens egen anställd kallar affärsmodellen för stöld. Den tolkningen är för snäv. Vad de offentliggjorda handlingarna faktiskt visar är ett företag som förstod mekanismen man tjänade pengar på, beskrev den mekanismen i klartext och ändå skickade ut produkten. Det intressanta är inte förolämpningen. Det är diagrammet under den.

Dokumentet tillhör Brent Hecht, Microsofts direktör för tillämpad vetenskap, och det dök upp i den upphovsrättsprocess som The New York Times väckt mot OpenAI och Microsoft. Hecht hävdade att träning av modeller på publicerat arbete utan betalning innebar ”en häpnadsväckande stöld av oöverträffade proportioner”. En separat intern presentation gick djupare in i maskineriet: den varnade för att Microsofts AI-innehållsstrategi hade startat en ”domedagsslinga” som skulle ”skada prestandan på våra modeller och hela webben samtidigt”. Stora språkmodeller, lyder en rad, är ”en produkt som förstör sin egen leveranskedja”.

Den sista meningen är hela historien på sju ord. En chatbot som svarar på en fråga i sökrutan tar bort anledningen att klicka vidare till sidan den lärt sig av. Färre klick innebär mindre intäkter för de sajter som producerar texten, vilket innebär att färre av dem överlever, vilket innebär mindre färsk mänsklig text för nästa modell att träna på. Microsoft teoretiserade inte denna slinga utifrån. Företagets egna data mätte den: Copilots svarsmotor drev ner klickfrekvensen till Times webbplats med så mycket som 93 procent jämfört med vanlig sökning.

Handlingarna kvantifierar också ingångssidan av bytet. OpenAIs mellanliggande träningsdata innehöll fler än 91 000 kopior av verk från Times, Daily News och Center for Investigative Reporting. En datamängd hämtad från Common Crawl bar på över två miljoner dokument från enbart nytimes.com. En samling märkt Project Mango innehöll minst 160 000 unika verk från nyhetspublikationer. Handlingarna beskriver betalväggar som kringgåtts och upphovsrättsmeddelanden som strippats från texten innan den matades in.

OpenAIs egna chefer var inte naiva om effekten. Nick Turley, som driver ChatGPT, citeras när han beskriver produkter som ”i hög grad substitutiva” för journalistik och kallar förändringen för ett ”existentiellt hot” mot publicister. Det är samma slutsats som Hecht nådde, arkiverad under en annan jobbtitel.

Här är varför språket spelar roll bortom pinsamheten. Microsoft har tagit avstånd från uttalandena och sagt till domstolen att dess faktiska hållning följer upphovsrättslagen, och inget av företagen ville kommentera läckan. Men ett försvar baserat på fair use bygger delvis på vad ett företag visste och avsåg. Dokument där företagets egna forskare namnger skadan – stöld, en förstörd leveranskedja, en urholkad webb – är inte åsikter som företaget helt enkelt kan ta avstånd från. De läses som bevis på att mekanismen var förstådd innan den skalades upp.

Webben som dessa modeller lärde sig från byggdes av människor som antog att det fanns en läsare i andra änden. Microsofts filer visar att man visste, skriftligen, att läsaren höll på att konstrueras bort – och fortsatte bygga.

Taggar: OpenAI, microsoft, AI training data, Brent Hecht, copyright lawsuits, The New York Times