Microsoft admite: scraping de IA é roubo em massa?

O problema que todo mundo fingia não ver

A raspagem de dados por IA sempre teve um cheiro estranho para quem vive de conteúdo. Você publica um texto depois de dias de apuração, ele entra num crawl, vira token, vira peso, vira resposta solta no chatbot sem clique, sem crédito e sem repasse. Agora essa sensação ganhou nome dentro de documentos internos. Um diretor de ciência aplicada da Microsoft chamou o processo de 'o maior roubo de trabalho da história da humanidade' em um memorando de janeiro de 2023. Não foi um crítico externo, foi gente de dentro, olhando para a própria cadeia de suprimento de conteúdo e percebendo que a conta não fechava.

O que torna esse caso diferente é que não estamos falando de opinião publicada para lacrar no palco. Estamos falando de e-mails, memorandos e depoimentos que vieram à tona no processo movido pelo The New York Times contra OpenAI e Microsoft. O jornal pede julgamento sumário e juntou um brief que, segundo relatos, cita falas duras das duas empresas. A OpenAI teria classificado o ChatGPT como uma 'ameaça existencial' para publishers. Um engenheiro teria admitido que os usuários não clicam nos links, por mais visíveis que sejam. É o tipo de frase que destrói qualquer tese de defesa simpática.

O fato, sem enfeite

O processo começou no fim de 2023. O Times acusa OpenAI e Microsoft de violação de copyright em milhares de artigos usados para treinar modelos. Quase três anos depois, o caso ainda corre, e agora o jornal tenta encurtar o caminho com um pedido de decisão direta do juiz, ancorado em documentos internos das rés. Parte desse material segue sob sigilo, mas os trechos citados no brief vazaram e pintam um quadro incômodo.

Entre os trechos, há um outro memorando da Microsoft que diz, de forma seca, que quase ninguém que criou conteúdo pretendia que ele fosse usado desse jeito, e que ninguém foi compensado por isso. Há ainda dados internos sobre o Copilot derrubando em até 93% a taxa de cliques para o Times em comparação com a busca tradicional do Bing. O mesmo diretor teria chamado isso de 'doom loop', um ciclo em que a IA canibaliza a fonte que a alimenta, prejudicando ao mesmo tempo o desempenho dos modelos e a saúde da web. Em outra passagem, ele escreve que é muito incomum um produto final ameaçar a base econômica dos seus fornecedores essenciais, mas que foi exatamente isso que o negócio de LLMs criou com sua cadeia de conteúdo.

Do lado da OpenAI, o chefe do ChatGPT, Nick Turley, teria dito em comunicações internas que o chatbot é substitutivo aos publishers e que vai ficar cada vez mais substitutivo conforme melhora. Um pesquisador chegou a comentar sobre um 'hack para contornar o paywall do Times', com resposta bem humorada de Greg Brockman. Para quem constrói produto com IA, esse detalhe importa muito, porque mostra consciência do efeito mercado, e efeito sobre o mercado é um dos quatro fatores do fair use nos Estados Unidos.

Como funciona na visão de quem opera

Na prática, o pipeline é simples e brutal. Crawlers varrem a web, limpam HTML, quebram texto em chunks, filtram qualidade, transformam em tokens e jogam isso num pré-treino massivo. Depois entra ajuste fino, RLHF e, na hora de servir, entra RAG ou browsing para responder com cara de atual. O custo pesado está no treino, na casa de dezenas de milhões de dólares para modelos de fronteira, mas o custo marginal por resposta é baixo, centavos ou frações de centavo. A latência é o que manda no produto, então todo mundo tenta responder direto, sem mandar o usuário para fora.

É aí que mora o conflito de arquitetura. Busca clássica monetiza a saída, ela te manda para o link. Chatbot monetiza a permanência, ele te segura na conversa. Se o modelo responde com o resumo perfeito do artigo, com números, contexto e conclusão, por que você clicaria? Os documentos citam exatamente isso, um engenheiro dizendo que não importa o quão proeminente seja o link, o usuário não vai clicar. Para publisher, clique é receita. Sem clique, sem assinatura e sem anúncio. Para operadora de modelo, clique para fora é fricção e perda de atenção. Os incentivos são opostos, e nenhum prompt de sistema resolve isso.

Como não temos acesso completo aos contratos e logs, dá para inferir o resto com alguma segurança. O teste interno da Microsoft comparando Copilot com Bing sugere instrumentação de click-through por domínio, algo padrão em times de search. Provável que tenham medido impressão com citação contra clique efetivo. Uma queda de 93% não é ruído, é mudança de comportamento. Isso explica o pânico interno, porque se a fonte seca, o dado fresco some, e modelo sem dado fresco alucina mais e envelhece rápido.

O que isso muda na prática

Quem ganha hoje é quem tem distribuição e caixa para licenciar ou para brigar na justiça. Quem perde é o publisher médio, o blog técnico, o veículo regional, que não tem acordo com OpenAI ou Microsoft e vê seu conteúdo virar resposta sem visita. Para quem constrói com LLMs, o recado é direto, o risco jurídico e reputacional do seu pipeline de dados agora é risco de produto. Não dá mais para tratar dataset como detalhe de engenharia que ninguém pergunta.

• Ação prática imediata: audite de onde vem seu contexto. Se você usa RAG com crawling aberto, troque por fontes licenciadas, APIs pagas ou parcerias claras, registre a origem por documento e exponha citação clicável com snippet limitado. E meça seu próprio click-through, se seu bot zerou o tráfego dos parceiros, você criou um problema comercial, não só técnico.
• Ajuste de produto: prefira respostas que provoquem o clique em conteúdo original quando o valor estiver lá, com resumo curto e link em destaque, em vez de entregar o artigo inteiro reescrito. Teste compensação por uso, mesmo que simples, como revenue share ou créditos.

Para publishers e criadores, a lição é parar de depender só de bloqueio via robots.txt, que é pedido educado, não barreira real. É preciso combinar bloqueio técnico, termos de uso claros, monitoramento de uso e negociação coletiva de licenciamento. Individualmente, quase ninguém tem força contra uma big tech. Em bloco, com prova de substituição, a conversa muda.

A tensão que ninguém quer encarar

Aqui fica a dúvida real de operador. O fair use foi desenhado para crítica, ensino, notícia e pesquisa, não para um produto comercial que responde em escala e substitui o original. Um tribunal já entendeu que o uso de material publicado pela Anthropic podia se encaixar nisso, então não há consenso. Mas quando seus próprios executivos escrevem que sabiam do dano ao mercado, a defesa fica muito mais frágil. O quarto fator do fair use, o efeito sobre o mercado da obra, passa a pesar contra.

E mesmo se a lei der um jeito de liberar, a física do sistema continua quebrada. Se a IA extrai valor sem repor, ela mata a fonte e depois piora por falta de dado novo. É o 'doom loop' citado no memo. Pagar por licença resolve no curto prazo para os grandes, mas cria uma web de dois níveis, onde só quem tem acordo aparece bem citado e o resto vira sombra para treino. Isso escala? Talvez para cinco ou dez grandes publishers. Para o resto da web aberta, o custo não compensa e o gargalo só muda de lugar, do treino para o licenciamento.

Conclusão

No fim, o processo do Times não é só sobre copyright, é sobre quem paga a conta da inteligência artificial. Os documentos mostram que Microsoft e OpenAI já sabiam do estrago. A pergunta que fica para quem constrói é simples e incômoda, seu produto gera tráfego para quem te alimenta ou só extrai?