A USA Today Co., controladora do USA Today (antiga Gannett), processou a OpenAI em 8 de outubro no tribunal federal do Distrito Sul de Nova York. Acusa a empresa de usar sem autorização centenas de milhares de artigos de notícias de seus 19 jornais para treinar a série de modelos GPT, e pede indenização superior a US$ 250 milhões. É mais uma peça importante na guerra de direitos autorais entre editoras e empresas de IA.
Pontos principais
1. Provas detalhadas, com a petição mirando diretamente o corpus de treinamento: a petição de 79 páginas afirma que o corpus interno WebText da OpenAI contém mais de 160 mil entradas de artigos do grupo, 83 mil delas só do usatoday.com, e que o conteúdo dos domínios de suas publicações no conjunto de dados C4 passa de 122 milhões de tokens. A petição também cita comunicações internas da OpenAI: o cofundador Greg Brockman disse que o modelo era "especialmente bom em prever o texto de artigos de notícias", e um vice-presidente de pesquisa afirmou que "treinar redes é fazê-las memorizar dados".
2. Amostras de saída do GPT-5.6 como provas: a petição anexa exemplos de saída do GPT-5.6 mostrando que, ao ser solicitado a encontrar artigos pelo título, o modelo consegue produzir resumos longos com várias seções que reproduzem a estrutura e a organização do original, envolvendo artigos de jornais locais como o The Indianapolis Star e o Detroit Free Press. A autora sustenta que a OpenAI treinou deliberadamente o modelo para ser um "substituto" das notícias; como admitiu o responsável pelo ChatGPT: "depois que o ChatGPT dá a resposta, não há motivo para clicar no link original".
3. Anexação ao litígio consolidado de direitos autorais do Distrito Sul de Nova York: no mesmo dia, o grupo apresentou uma notificação de caso relacionado pedindo que a ação seja anexada ao litígio multidistrital (MDL) por violação de direitos autorais contra a OpenAI já consolidado nesse tribunal, cujos autores já incluem o The New York Times, o Center for Investigative Reporting e outras organizações. O resultado pode redefinir os limites das regras do setor sobre "raspagem da web mais treinamento de modelos".
Link original: ver o original. Este texto é um resumo, apenas para referência.
