Treinar IA é justo, copiar não: alerta Wikipedia

O teste que pode quebrar a web aberta

Se você treina modelos com dados da web, o debate sobre direitos autorais da IA acabou de ficar pessoal. A Fundação Wikimedia, que mantém a Wikipedia, entrou nos processos que colocam editoras como o The New York Times contra OpenAI e Microsoft e avisou que uma decisão simplista pode ameaçar a sustentabilidade do conhecimento livre. Não é retórica institucional. É um alerta operacional de quem vive dos dois lados: fornece os dados mais valiosos para treinar LLMs e ao mesmo tempo perde tráfego porque os chatbots respondem sem citar, sem linkar e sem respeitar licença.

A Wikipedia vive hoje um paradoxo difícil de sustentar. Seus verbetes viraram uma das fontes mais críticas para todo o treinamento de inteligência artificial, mas os mesmos sistemas que aprendem com ela esvaziam as visitas que mantêm a comunidade de editores viva. Sem visitas, sem doações, sem novos editores, o ciclo que cria e revisa o conteúdo quebra. E tem um detalhe que pouca gente fora da operação percebe: boa parte desse conteúdo é livre, mas não é sem regras. Ele usa licença Creative Commons que exige atribuição e compartilhamento nas mesmas condições, algo que ChatGPT e Copilot simplesmente ignoram quando cospem o texto como se fosse deles.

O fato: o meio-termo que a Wikimedia levou à Justiça

A Fundação entrou com um amicus brief na sexta-feira sem tomar partido de editoras ou de big techs. O recado central é direto: as duas partes estão pedindo uma aplicação ampla e simplificada demais da doutrina de 'fair use'. Para a Wikimedia, treinar um modelo com obras protegidas deveria ser considerado uso justo quando o resultado entrega algo novo e diferente das fontes originais. Já reproduzir trechos na resposta ao usuário, substituindo a visita ao site original, deveria exigir licença. É uma linha fina, mas é exatamente onde a operação real acontece.

O Times defende uma leitura mais restritiva. Diz que a OpenAI infringiu copyright ao raspar seu site para montar datasets de treino e que a reprodução de conteúdo mina o modelo de negócio jornalístico. OpenAI e Microsoft respondem que o treino de LLMs é transformativo e, portanto, 'fair use'. A OpenAI chegou a dizer que regurgitar é um 'bug raro'. A Microsoft citou em petição de setembro uma análise de especialistas segundo a qual o Copilot raramente reproduz frases completas de notícias usadas para ancorar respostas, o que para ela preservaria o caráter transformativo do treino. A Wikimedia discorda dos dois extremos e tenta forçar o tribunal a separar as duas etapas.

Como funciona na visão de quem opera

Na prática, treino e saída são dois sistemas diferentes, com custos e riscos diferentes. O pré-treino envolve crawl em larga escala, limpeza, deduplicação, tokenização e rodadas caras de GPU que podem custar milhões de dólares para um modelo de fronteira. Nessa fase, o modelo não guarda páginas, ele comprime padrões estatísticos de linguagem. É plausível argumentar que isso é transformativo, porque ninguém usa um checkpoint de pesos como substituto de uma matéria do Times ou de um verbete da Wikipedia. O valor está na capacidade geral, não na cópia. Se a Justiça tratar simples scraping como infração, o custo de conformidade explode e só quem tem acordos bilionários de licenciamento sobrevive.

A inferência é outra história. Quando o modelo memoriza e cospe parágrafos inteiros, quando o RAG puxa conteúdo ancorado e entrega pronto no chat sem clique, sem crédito e sem respeitar a licença CC BY-SA, ele vira um concorrente direto da fonte. Tecnicamente isso acontece por memorização de sequências frequentes, por temperatura baixa, por prompts adversariais ou por grounding mal implementado que copia em vez de sintetizar. E aqui latência e custo importam: filtrar saídas, rodar verificador de similaridade, forçar citação e reescrever parafraseando aumenta tokens, aumenta latência e aumenta a conta de inferência. É por isso que muitas empresas preferem chamar de bug e seguir em frente. Só que para a Wikipedia, esse 'bug' significa atribuição quebrada em escala industrial.

O que isso muda na prática

Se a tese da Wikimedia vencer, o recado para quem constrói é claro. Treinar continua viável, mas servir resposta colada vai custar licença ou engenharia. Quem ganha nesse cenário são provedores com acordos de licenciamento, ferramentas de detecção de plágio e arquiteturas que citam de verdade. Quem perde são wrappers que vivem de resumir jornal e enciclopédia sem gerar tráfego de volta, além de times que dependem de datasets raspados sem nenhum controle de saída. E tem o efeito colateral para o open source: se qualquer treino exigir licença prévia, modelos abertos morrem, porque só gigantes conseguem pagar. Se qualquer cópia for liberada, morrem as fontes abertas, porque ninguém vai manter conteúdo de graça para ser canibalizado.

• Audite memorização: rode um lote de prompts de extração nos seus fluxos e meça taxa de reprodução literal acima de 50 tokens.
• Corrija atribuição CC: se usa Wikipedia ou conteúdo BY-SA no RAG, exiba autor, link e licença na resposta, não só no rodapé escondido.
• Separe treino de entrega: documente o que é peso do modelo e o que é cópia servida em tempo real, porque o tribunal vai separar isso.

A ação prática imediata é simples e cabe no sprint atual. Pegue seu pipeline de RAG ou de grounding e adicione uma camada de verificação antes de exibir a resposta. Compare a saída com os trechos recuperados, bloqueie acima de um limiar de similaridade e force paráfrase com citação. Registre logs de quando o bloqueio dispara. Isso reduz risco jurídico, melhora a relação com editores e ainda te dá um argumento técnico se questionarem: você não está suprimindo engajamento com a obra original, está transformando. Custa alguns milissegundos a mais e alguns tokens a mais, mas é mais barato que um processo ou que ficar sem fonte de dados em dois anos.

A tensão que ninguém quer encarar

Aqui fica a dúvida real que o processo expõe e que nenhum manifesto resolve. Essa separação entre treinar e regurgitar escala na operação de verdade ou só move o gargalo para a inferência? É fácil escrever em um brief que treino transformativo é livre e cópia servida precisa de licença, mas quem define o limite? É uma frase, um parágrafo, um resumo que dispensa o clique? Se o critério for subjetivo, cada resposta vira um micro litígio. E o custo compensa para um projeto pequeno, para um modelo aberto, para uma startup que não tem departamento jurídico? Provavelmente não sem ferramentas padronizadas de filtragem e licenciamento.

Tem outro ponto incômodo. Mesmo se a Justiça acertar na teoria, a Wikipedia continua sangrando na prática. O problema não é só copyright, é incentivo econômico. Por que alguém vai editar de graça, revisar vandalismo, checar fontes e combater doxxing se o valor é capturado por um chatbot que nem cita? A própria Wikimedia admite que usa LLMs para ajudar editores a detectar vandalismo, violação de copyright e artigos fracos. Ou seja, ela precisa da tecnologia que a ameaça. Se o tribunal proibir o treino, ela perde ferramenta interna. Se liberar a cópia irrestrita, ela perde comunidade. É um equilíbrio instável e não existe decisão judicial que crie sozinha um modelo de remuneração para conhecimento aberto.

Conclusão

No fim, a Wikimedia está pedindo o óbvio para quem opera: deixe treinar para criar algo novo, mas cobre licença quando o produto substitui a fonte. Faz sentido técnico, mas vai exigir engenharia melhor de citação e um acordo honesto sobre quem paga a conta da web aberta. A pergunta que fica para você que constrói é direta: seu produto gera tráfego de volta para quem criou o dado ou só extrai valor até a fonte secar?