Fair use ruiu? OpenAI encara multa bilionária

O fair use que sustentava a IA generativa começou a rachar por dentro

Fair use sempre foi o escudo principal de quem treina modelo gigante com dados da web. A tese era simples: copiar para aprender é diferente de copiar para republicar. Só que agora esse argumento está balançando, e não por pressão externa, mas por falas vindas de dentro da OpenAI e da Microsoft. Quando seu próprio diretor de ciência aplicada descreve a prática como um roubo surpreendente de proporções inéditas, fica difícil manter a narrativa de que está tudo dentro da lei.

Para quem opera produto com LLM, isso não é debate acadêmico. É risco de custo, risco de arquitetura e risco de fornecimento de dados. Se o tribunal americano entender que treinar com conteúdo protegido sem licença não é fair use, o preço do token muda, o pipeline de dados muda e o roadmap inteiro muda junto. É esse ponto que precisamos destrinchar com calma.

O fato

O New York Times, o grupo Daily News, que inclui Chicago Tribune e Denver Post, a Ziff Davis, dona de CNET, IGN e PCMag, além do Center for Investigative Reporting e do The Intercept, entraram com um pedido conjunto de julgamento sumário na corte federal de Nova York. É parte de um litígio consolidado que começou com a ação do Times em dezembro de 2023. O valor pedido chega na casa dos bilhões de dólares, segundo apuração do Financial Times, em um documento de 92 páginas.

O coração da peça não é só a acusação de cópia. São os anexos de descoberta: e-mails internos, mensagens de Slack e depoimentos sob juramento. Brent Hecht, diretor de ciência aplicada da Microsoft, escreveu que uma vitória no fair use faria a ideia de uso justo virar piada. Nick Turley, chefe do ChatGPT na OpenAI, teria admitido que os produtos são amplamente substitutivos e que a ameaça aos publishers é existencial. Satya Nadella confirmou em depoimento que conversas com chatbots já substituíram visitas às fontes originais.

A acusação vai além. O processo fala em bypass sistemático de paywall, violação de termos de licença de dados usados no treino e até implementação de filtros para esconder evidências depois das ações judiciais. A Microsoft respondeu que as falas de Hecht refletem uma visão individual e não uma análise jurídica, e que o depoimento de Nadella tratava de princípios amplos sobre como as pessoas consomem informação. A OpenAI segue a mesma linha, mas o estrago de percepção já está feito.

Como funciona na visão de quem opera

Vamos traduzir isso para arquitetura. Treinar um modelo de fronteira hoje depende de três camadas: crawl massivo da web aberta, datasets licenciados e terceirizados, e sintonia fina com dados de maior qualidade como jornalismo, livros e código. O jornalismo profissional entra na segunda e terceira camada porque tem estrutura, factualidade e atualização constante. É caro de produzir e ótimo para reduzir alucinação. Por isso todo builder sabe que tirar publishers do pipeline derruba qualidade.

Do ponto de vista de API e produto, o problema é ainda mais direto. O modelo não só aprende com o texto, ele responde com o texto reprocessado. No fluxo de busca tradicional, o Bing ou o Google entregavam o link e o click through rate sustentava o publisher. No fluxo de resposta direta via Copilot ou ChatGPT, os dados internos citados no processo mostram queda de 87 a 93 por cento nos cliques para o Times, e quedas fortes para Daily News e Ziff Davis. Um engenheiro da OpenAI resumiu de forma seca: por mais que a gente mostre os links, os usuários não clicam.

É aqui que aparece o famoso 'doom loop' interno da Microsoft. Se o produto final seca a receita de quem produz o insumo essencial, a cadeia de suprimento de conteúdo quebra. Sem conteúdo novo e confiável, o modelo degrada, a web empobrece e o custo de aquisição de dados bons dispara. Tecnicamente, a inferência plausível é que as empresas tentaram mitigar isso com filtros anti reprodução literal e com acordos de licenciamento pontuais, mas sem mudar a base econômica. Filtro reduz memorização verbatim, só que não resolve a substituição funcional, que é o ponto central do processo.

O que isso muda na prática

Quem ganha no curto prazo se a tese dos publishers vencer? Publishers grandes com acervo valioso, escritórios de licenciamento e intermediários de dados limpos. Quem perde? Quem construiu produto apoiado em RAG improvisado sobre conteúdo raspado, startup que não tem caixa para licenciar e até time enterprise que usa copiloto interno alimentado com dados de terceiros sem rastreabilidade.

• Custo de dados vai subir: espere por licenças por token, por domínio ou por revenue share, parecido com o que aconteceu com música no streaming.
• Latência e arquitetura vão mudar: mais citação com link verificável, mais retrieval com permissão, menos resposta direta decorada.
• Compliance vira feature: log de proveniência, opt out respeitado e trilha de licença por documento deixam de ser opcional.

A ação prática para agora é simples e vale para qualquer time que usa LLM em produção: audite sua cadeia de dados. Liste de onde vem cada fonte do seu fine tuning e do seu RAG, marque o que é licenciado, o que é aberto com licença permissiva e o que é raspado sem permissão clara. Se você não consegue responder isso em uma tabela de uma página, você já tem um passivo. O segundo passo é desenhar fallback: se amanhã você precisar remover todo conteúdo de um publisher grande, seu produto continua útil ou quebra?

A tensão real: isso escala ou só move o gargalo?

A dúvida que fica não é moral, é operacional. Mesmo que OpenAI e Microsoft façam acordos bilionários, isso resolve para o ecossistema ou só cria um clube fechado? Grandes labs pagam, garantem acesso exclusivo a conteúdo premium e seguem na frente. Labs menores e projetos open weight ficam com web degradada, sintético de baixa qualidade e custo maior por dado limpo. A concentração aumenta, não diminui.

Tem outro ponto incômodo. O próprio Copyright Office americano já sinalizou em maio de 2025 que fair use não dá conta da escala de cópia feita para treino. A chefe responsável pelo relatório foi afastada depois, o que mostra o peso político do tema. Então não estamos falando de interpretação técnica fria. Estamos falando de briga sobre quem captura o valor da informação na era da resposta direta. O modelo atual transfere valor do criador para o intermediário que sintetiza, e nenhum filtro de citação resolveu isso até agora.

Para operador, a conta é dura. Licenciar tudo encarece o treino e a inferência, e esse custo vai para preço de API. Não licenciar mantém margem hoje e cria risco jurídico gigante amanhã. É um trade off clássico de infraestrutura, parecido com o início da nuvem quando ninguém sabia quanto custava escala de verdade até chegar a fatura.

Conclusão

O processo do Times contra OpenAI e Microsoft pode redefinir o que é permitido copiar para treinar IA nos Estados Unidos, e o fato mais pesado não é o valor bilionário, é que as frases mais fortes contra o fair use vieram de dentro das próprias empresas. Se você constrói com IA, trate dado como supply chain crítica a partir de hoje. Afinal, o que vale mais no seu produto: a resposta rápida ou a fonte que permite que ela continue existindo?