USA Today processa OpenAI por US$250 milhões

OpenAI transformou notícia em matéria-prima para modelo de linguagem e agora a conta chegou. A USA Today Co. entrou com processo alegando cópia de centenas de milhares de artigos para treinamento sem pedir permissão, sem pagar licença e sem oferecer uma saída real para os veículos. O valor pedido passa de US$250 milhões e o argumento central é direto e incômodo para quem constrói produto com IA: sucesso comercial construído sobre violação em larga escala. Para quem opera API, pipeline de RAG ou agente que lê a web em tempo real, isso não é briga distante de advogado. É risco de arquitetura, de custo e de continuidade.

O fato

A ação foi protocolada nesta semana e inclui não só o jornal nacional, mas uma lista de regionais fortes como Tennessean, Indy Star, The Columbus Dispatch e The Oklahoman, entre outros títulos do grupo. A alegação é que a OpenAI copiou o conteúdo de forma sistemática para treinar seus modelos, depois passou a competir pela mesma atenção e pela mesma receita de publicidade com respostas geradas que dispensam o clique no site original. O texto da petição fala em dano real e contínuo, não em episódio pontual. É a tese que já vimos em outros casos, agora com um número que chama atenção: mais de US$250 milhões em indenização.

Esse processo não anda sozinho. A OpenAI já responde a ações do The New York Times, do The Intercept, da Ziff Davis que controla a CNET, da CBC e Radio-Canada, da Encyclopaedia Britannica, da Merriam-Webster, do The Seattle Times e de uma coalizão com quase 400 jornais locais. O padrão se repete: publishers dizem que seu arquivo foi raspado em massa, usado para criar produtos que valem centenas de bilhões de dólares, sem contrato. A OpenAI, até o momento do relato inicial, não comentou o caso específico da USA Today. Mas o recado do mercado é claro. O período do treinamento livraria geral acabou, e cada novo processo aumenta a pressão por acordos de licenciamento pagos.

Como funciona na visão de quem opera

Na prática, ninguém baixa manualmente centenas de milhares de matérias. O que acontece é raspagem em escala via Common Crawl, coletores próprios e parceiros de dados, depois limpeza, deduplicação e mistura em um corpus gigante de trilhões de tokens. Nesse bolo entram notícias, fóruns, livros, código e web aberta. O modelo não guarda o artigo inteiro como um PDF, ele comprime padrões estatísticos nos pesos. Só que isso não elimina o problema jurídico nem o problema de produto. Se o dado de entrada era protegido e foi usado comercialmente sem licença, o passivo acompanha o modelo mesmo depois do treinamento. E remover um publisher depois que o modelo já convergiu não é apertar delete, é refazer filtragem, fazer fine-tuning corretivo ou, no limite, retreinar.

Para quem consome modelo via API, o efeito aparece em três camadas: custo, latência e proveniência. Licenciar conteúdo premium custa caro, e esse custo vai parar na conta da inferência ou na assinatura. Se a OpenAI for forçada a bloquear memorização de trechos longos ou a citar e redirecionar para a fonte, a resposta fica mais segura juridicamente, porém mais lenta e mais fragmentada. Já existe inferência técnica plausível de que filtros de copyright e classificadores de saída adicionam milissegundos por requisição e aumentam a taxa de recusa ou de resumo evasivo. Não é apenas detalhe legal, é decisão de engenharia. Quanto mais restrito o acesso ao dado editorial, maior a dependência de dados sintéticos e de acordos fechados, o que muda a qualidade em temas factuais, locais e recentes.

O ponto mais sensível para builders é o RAG por cima de notícia. Muita startup monta hoje um agente que busca artigos em tempo real, resume e responde sem repassar tráfego ou receita. Mesmo que o modelo base seja limpo, a camada de retrieval pode reproduzir o mesmo conflito em produção. Se o publisher prova que o sistema extrai valor do seu trabalho sem autorização, o alvo deixa de ser só o laboratório que treinou e passa a ser quem opera o pipeline. É por isso que provenance, logs de fonte e política de citação deixaram de ser cosméticos. Em um cenário de litígio ativo, mostrar de onde veio cada parágrafo, com timestamp e URL, pode ser a diferença entre operar e desligar o recurso.

O que isso muda na prática

Quem ganha no curto prazo são os grandes publishers com arquivo valioso e poder de processar. Eles têm alavanca para forçar acordos de licenciamento parecidos com os que já vimos no mercado, com pagamento anual, acesso a conteúdo em tempo real e preferência em citação. Quem perde são os veículos médios e locais sem departamento jurídico, que veem seu conteúdo sendo usado do mesmo jeito mas sem conseguir sentar na mesa de negociação, além de desenvolvedores pequenos que dependem de scraping barato para manter margem. No meio ficam OpenAI e concorrentes, que precisam equilibrar qualidade factual com risco legal crescente.

• Audite sua fonte de verdade: se seu produto resume notícias, liste de onde vem cada documento e corte domínios que não têm licença ou permissão clara.
• Troque raspagem solta por contrato ou feed oficial: priorize APIs licenciadas, parcerias e agregadores com repasse, mesmo que custe mais por mil requisições.
• Implemente citação e clique de volta: exiba fonte, autor e link visível, limite o tamanho do trecho reproduzido e registre o retrieval para auditoria futura.

A ação prática imediata para qualquer time que usa IA com conteúdo de terceiros é criar um inventário de dados em uma tarde. Separe o que é dado licenciado, dado público com licença permissiva e dado raspado sem status definido. Para a terceira categoria, defina regra: ou substitui por fonte licenciada, ou coloca filtro de saída que impede reprodução literal e força resumo com atribuição. Isso não resolve o treinamento do modelo base, que é responsabilidade do provider, mas reduz drasticamente seu próprio risco operacional. E se você vende para cliente enterprise, prepare um anexo sobre governança de dados. Comprador grande já pergunta sobre isso antes de assinar.

A tensão que ninguém quer encarar

A dúvida real é se esse modelo fecha a conta. Licenciar todo o jornalismo de qualidade do mundo para treinar fronteira custa bilhões, e esse custo vai pressionar preço de API, assinatura e margem de quem revende IA. Se cada publisher cobrar pedágio, só dois ou três laboratórios gigantes conseguem pagar, o que concentra ainda mais o mercado. Por outro lado, manter o acesso livre derruba o incentivo para produzir apuração original, especialmente cobertura local que já opera no limite. O sintoma é estranho: a IA fica boa em responder sobre a sua cidade justamente quando o jornal da sua cidade demite repórter porque perdeu tráfego para a IA. Isso escala tecnicamente, mas será que sustenta a fonte que alimenta o sistema.

Também existe o risco de só mover o gargalo. Mesmo que a OpenAI feche acordo com a USA Today e com outros grandes, o problema continua para milhares de blogs, newsletters e portais menores que não serão licenciados. O modelo pode ficar factual em manchete nacional e fraco em nicho, em interior, em tema técnico específico. Para quem constrói produto, a pergunta incômoda é: você está resolvendo alucinação com RAG licenciado ou só trocando alucinação por resposta genérica e desatualizada porque cortou as melhores fontes para evitar processo. Sem resposta honesta para isso, qualquer roadmap de agente de pesquisa corre o risco de degradar em silêncio.

Conclusão

No fim, o processo da USA Today é menos sobre US$250 milhões e mais sobre quem paga pela matéria-prima da IA. A era do dado gratuito e infinito está terminando. Vale repensar agora: seu produto sobrevive se amanhã toda notícia de qualidade exigir licença paga por token.