OpenAI e Microsoft sabiam do doom loop da web

O 'doom loop' já está rodando e você sente no tráfego

O 'doom loop' da OpenAI e Microsoft não é uma metáfora distante, é aquele gráfico de acesso despencando no seu Search Console. Você publica um conteúdo caro, bem apurado, o Google indexa, o chatbot raspa, resume e entrega pronto na resposta. O usuário não clica, você não monetiza, e na próxima vez tem menos dinheiro para publicar de novo. É um ciclo simples e brutal. E o mais incômodo agora é descobrir que esse efeito já tinha nome, sobrenome e alerta interno antes de virar rotina.

É disso que tratam os documentos revelados no processo do New York Times contra OpenAI e Microsoft. Não é um analista externo prevendo o futuro. São e-mails, apresentações e falas internas admitindo que a estratégia de IA generativa ameaçava a base econômica dos próprios fornecedores de conteúdo. Para quem opera site, newsletter, portal ou produz dados para treinar modelo, isso muda o tom da conversa. Não estamos mais discutindo risco potencial, estamos discutindo dano em curso que foi mapeado por dentro.

O fato: eles sabiam e foram em frente

O que aconteceu é direto. No processo movido pelo New York Times, foram abertos documentos internos com 92 páginas de citações e trocas entre executivos e engenheiros. O ponto central é que OpenAI e Microsoft tinham consciência de que a raspagem massiva da web para treinar modelos e responder sem levar tráfego de volta criaria um colapso no ecossistema de publicação. Um documento interno da Microsoft usa exatamente o termo 'doom loop' para descrever isso, dizendo que é altamente incomum um produto final ameaçar as fundações econômicas de seus fornecedores essenciais, mas que foi exatamente a situação criada para o negócio de LLMs.

As frases mais fortes vêm de Brent Hecht, diretor de ciência aplicada da Microsoft. Ele teria descrito a coleta feita por ChatGPT e Copilot como o 'maior roubo de trabalho da história da humanidade' e dito que a defesa baseada em fair use virou uma 'zombaria completa da ideia de fair use'. A Microsoft tentou se distanciar, dizendo que são visões individuais, acadêmicas e voltadas para o futuro, não a posição oficial da empresa. Outro gerente chegou a classificar Hecht como uma voz propositalmente divergente dentro da companhia. Só que o problema para as empresas é que a realidade confirmou o alerta. O chamado Google Zero, onde a busca entrega resposta direta de IA e zera o clique, aconteceu.

Há mais. Satya Nadella admite em trechos que chatbots basicamente substituíram a busca para muita gente, removendo a necessidade de ir à fonte. Greg Brockman, cofundador da OpenAI, aparece mais interessado nos 'gazilhões' de dólares potenciais da IA comercial do que em qualquer dilema. Um representante da OpenAI confessou desconhecer qualquer esforço para detectar ou remover conteúdo com paywall dos dados de treino, mesmo com Nadella dizendo depois que 'tudo que tem paywall deveria ser licenciado'. E internamente a OpenAI sabia que o GPT-4 tinha memorizado muita coisa e seria, nas palavras de funcionários, 'insanamente bom em regurgitar'. O processo cita exemplos de respostas com trechos longos e literais de veículos como Times, Mercury News, Denver Post, Lifehacker e Eurogamer.

Como funciona na visão de quem opera

Pensa na arquitetura como uma cadeia de suprimento quebrada. Na ponta da entrada, você tem crawlers varrendo a web aberta, incluindo páginas com paywall fraco, robots.txt ignorado na prática e conteúdo licenciado de forma duvidosa. Isso vira tokens de treino em escala de trilhões. O custo dessa captura é quase zero para quem raspa, mas altíssimo para quem produziu. Na ponta do meio, você tem pré-treino e fine-tuning que memorizam padrões, fatos e, em muitos casos, trechos literais. Não é só aprender estilo, é guardar texto. A prevenção de memorização existe no discurso, mas na operação ela sempre foi parcial, porque tirar duplicatas e conteúdo protegido em escala web é caro, lento e imperfeito.

Na ponta da saída, você tem uma API de chat que responde em 1 ou 2 segundos o que antes exigia três cliques e cinco minutos de leitura. A latência baixa e a conveniência matam o incentivo da visita. Tecnicamente, dá para imaginar por que o loop se fecha. Menos tráfego significa menos receita de assinatura e ads para publishers, o que significa menos conteúdo novo e diverso para indexar. Com menos conteúdo fresco, o modelo passa a se alimentar de conteúdo sintético, de SEO feito para IA ou do próprio output reciclado. A qualidade cai, a alucinação aumenta, o custo de filtragem e RLHF sobe. É plausível que a Microsoft tenha percebido isso cedo porque opera as duas pontas, o Bing e o Azure, e viu o custo de inferência cair enquanto o custo de aquisição de dados bons subia.

Por que o loop se retroalimenta

O detalhe que pouca gente discute é o efeito de segunda ordem nos dados. Quando todo mundo usa o mesmo corpus raspado e os mesmos filtros, os modelos convergem. Ficam bons em responder o óbvio e ruins em cobrir o novo, o local, o nicho. Para manter relevância, as empresas precisam de dados frescos e proprietários, que estão justamente atrás de paywall ou em acordos caros. Ou seja, o modelo que nasceu do conteúdo aberto e gratuito agora precisa pagar pelo conteúdo que ajudou a desvalorizar. Não é só uma questão legal, é uma equação de custo que não fecha sem licenciamento ou sem mudar a forma de distribuir tráfego de volta.

O que isso muda na prática

Quem ganha no curto prazo é quem controla a camada de resposta. OpenAI, Microsoft, Google. Elas capturam a atenção e a monetização via assinatura, API e ads embutidos na resposta. Quem perde é quem vive de página vista, de afiliado, de tutorial, de review, de notícia factual. Se seu conteúdo é facilmente resumível em três parágrafos, você já foi substituído na prática. Quem tem comunidade, dado proprietário, experiência real ou autoridade verificável ainda segura alguma visita, mas precisa provar isso a cada query. Não adianta reclamar do fair use no X enquanto seu robots.txt continua aberto e seu conteúdo continua servido em HTML limpo para qualquer bot.

Na prática, tem pelo menos uma ação que você deveria fazer nesta semana. Audite seu fornecimento de dados como se você fosse fornecedor de uma fábrica que não te paga.

• Bloqueio seletivo e medição: revise robots.txt, regras de CDN e logs para GPTBot, ClaudeBot, CCBot e similares, libere só o que te traz retorno e meça impacto em tráfego e citações em respostas de IA.
• Conteúdo à prova de resumo: priorize original, dados próprios, testes, planilhas, benchmarks e bastidores que a IA não consegue regurgitar sem citar você.
• Diversificação de receita: transforme parte do conteúdo aberto em produto fechado como newsletter, comunidade, API própria ou licenciamento direto, porque depender só de busca aberta virou risco estrutural.

Se você constrói produto com LLM, o ajuste é outro. Pare de tratar conteúdo raspado como insumo infinito e gratuito. Mapeie suas fontes, registre licenças, implemente citação com link real e teste retrieval com atribuição. Isso não é só compliance para o processo do Times, é sobrevivência do seu próprio modelo. Sem fonte viva, seu RAG vira espelho de espelho.

A tensão que ninguém quer encarar

Aqui fica a dúvida real. Mesmo que OpenAI e Microsoft percam feio no tribunal e paguem bilhões, isso resolve ou só move o gargalo? Uma indenização não reconstrói redações fechadas nem devolve três anos de tráfego perdido. E um acordo de licenciamento em larga escala pode na verdade consolidar ainda mais o poder de quem pode pagar, deixando pequenos publishers e modelos open source de fora. Paga quem tem caixa, usa quem tem escala. O resto continua raspando no escuro ou treinando com dado sintético cada vez mais fraco.

Tem também a conta técnica. Licenciar tudo, filtrar paywall de verdade, desduplicar, remover memorização verbatim e ainda manter latência baixa custa dinheiro e tempo. Isso aumenta o custo por token e pressiona preço de API. Vale a pena para as big techs? Provavelmente sim, porque elas diluem no Azure, no Office, no Search. Para uma startup que só vende wrapper de chatbot, talvez não. No fim, o 'doom loop' descrito internamente parece menos um erro e mais uma aposta. Queimar a web aberta para dominar a camada de resposta, depois recomprar o que sobrar dela em forma de acordos exclusivos. Funciona como estratégia, mas como ecossistema é péssimo.

Conclusão

Os documentos mostram que o colapso não foi acidente, foi um risco mapeado e assumido. A web virou fornecedora sem contrato de uma indústria que agora diz que precisa pagar para continuar existindo. A pergunta que fica para quem publica e para quem constrói é simples e incômoda. Você vai continuar alimentando de graça um sistema que te substitui, ou vai tratar seu conteúdo como ativo estratégico a partir de agora?