USA TODAY ha iniciado acciones legales contra OpenAI basándose en el uso no autorizado de sus activos informativos. La demanda sostiene que la empresa desarrolladora de ChatGPT ha integrado en sus procesos de aprendizaje automático datos provenientes de 19 publicaciones distintas pertenecientes al grupo mediático. Este proceso de entrenamiento implica la ingesta masiva de textos para que los modelos de lenguaje puedan predecir patrones y generar respuestas coherentes, una práctica que el demandante considera una vulneración de sus derechos de propiedad.
El núcleo de la disputa radica en la distinción técnica entre la indexación de contenidos para motores de búsqueda y el entrenamiento de modelos de inteligencia artificial. Mientras que la indexación tradicional permite que los usuarios encuentren la fuente original mediante un enlace, el entrenamiento de redes neuronales permite a la IA sintetizar la información y ofrecerla directamente al usuario. Esta capacidad de resumen y generación elimina la necesidad de visitar el sitio web de la publicación original, afectando directamente al modelo de negocio basado en el tráfico y la publicidad digital.
La utilización de 19 publicaciones específicas para alimentar los conjuntos de datos de OpenAI plantea un problema de escala sobre cómo se han recopilado los datos en la fase de preentrenamiento. En esta etapa, los modelos absorben cantidades ingentes de texto mediante técnicas de web scraping, que consisten en extraer datos de forma automatizada de páginas web. USA TODAY argumenta que este método ignora los términos de servicio y los derechos de autor que protegen la producción periodística, transformando el contenido editorial en materia prima para un producto comercial ajeno.
La importancia de este caso reside en que no se trata de un uso esporádico de un artículo, sino de una integración sistemática de múltiples cabeceras editoriales. El uso de estos contenidos permite que la IA mejore su capacidad de redacción, veracidad y contexto, basándose en el trabajo profesional de periodistas que han invertido recursos económicos y humanos en la generación de esa información. Esta transferencia de valor ocurre sin que el grupo mediático haya recibido compensación económica ni haya otorgado una licencia de uso.
Desde una perspectiva técnica, el entrenamiento de un Large Language Model (LLM) requiere conjuntos de datos masivos y diversos para evitar el sobreajuste y mejorar la generalización. Al incluir 19 publicaciones de un mismo grupo mediático, OpenAI ha accedido a un corpus de datos con un estándar de calidad editorial específico. El conflicto surge cuando el resultado de este entrenamiento es un modelo capaz de emular el estilo o proporcionar la información contenida en dichas publicaciones sin citar la fuente ni dirigir tráfico hacia ella.
Esta demanda marca un punto de fricción creciente entre las empresas tecnológicas y los creadores de contenido. Si el tribunal falla a favor de USA TODAY, OpenAI podría verse obligada a modificar sus conjuntos de datos, eliminando la información derivada de estas publicaciones mediante procesos de desaprendizaje o pagando compensaciones económicas retroactivas. Esto sentaría un precedente para que otros grupos editoriales exijan el pago de licencias por el uso de sus archivos históricos y actuales, obligando a las tecnológicas a pasar de un modelo de recolección abierta a uno de acuerdos contractuales.
Para los desarrolladores de IA, el riesgo reside en la inseguridad jurídica sobre la procedencia de los datos. El concepto de fair use, o uso legítimo, que ha sido la defensa habitual de las tecnológicas en Estados Unidos, está siendo cuestionado cuando el resultado final es un producto comercial que compite directamente con la fuente de los datos originales. Si el uso de los datos no se considera transformativo, sino sustitutivo, la base legal sobre la que se han construido muchos modelos de IA generativa podría colapsar.
Anteriormente, el sector tecnológico operaba bajo la premisa de que cualquier contenido disponible públicamente en la web podía ser procesado por algoritmos de análisis. Sin embargo, la transición hacia la IA generativa ha cambiado la naturaleza del procesamiento de datos. Ya no se trata de analizar tendencias o indexar palabras clave, sino de crear una herramienta que puede replicar la función del periodista, redactando noticias o resumiendo investigaciones basadas en los mismos datos que el medio original produjo.
Actualmente, no se ha hecho público el volumen exacto de tokens o la cantidad de artículos específicos de esas 19 publicaciones que fueron procesados por OpenAI. Existe incertidumbre sobre si el entrenamiento se limitó a versiones antiguas de los modelos o si los datos siguen activos en las versiones más recientes de GPT. La transparencia sobre los conjuntos de datos de entrenamiento sigue siendo uno de los puntos más opacos de la industria de la IA generativa, ya que las empresas rara vez detallan la composición exacta de sus corpus de preentrenamiento.
Tampoco está claro si OpenAI intentó establecer contacto previo con el grupo editorial o si el proceso de recolección de datos fue totalmente automatizado y sin filtros de exclusión. La resolución del caso dependerá de si se demuestra que el uso de los contenidos constituye una transformación del material original o una simple reproducción a escala industrial para crear un producto sustitutivo que erosiona el valor económico de la fuente.
El impacto para los usuarios finales podría traducirse en una limitación de las capacidades de los modelos si se obliga a eliminar datos de fuentes periodísticas fiables. Si OpenAI es forzada a purgar sus modelos de la información proveniente de estas 19 publicaciones, la calidad de las respuestas relacionadas con hechos actuales o contextos específicos podría degradarse, afectando la precisión de la herramienta.
Para las empresas mediáticas, el resultado de este litigio definirá la viabilidad de sus archivos digitales. Si se establece que el entrenamiento de IA requiere licencias pagadas, los archivos históricos de los periódicos se convertirán en activos financieros estratégicos. Por el contrario, un fallo a favor de OpenAI validaría la práctica del scraping masivo como una actividad permitida, dejando a los editores sin herramientas legales para proteger su propiedad intelectual frente a la automatización.
La disputa también pone de relieve la ineficacia de los archivos robots.txt y otras herramientas de exclusión técnica. Muchos medios han intentado bloquear el acceso de bots de IA a sus servidores, pero la demanda de USA TODAY sugiere que la recolección de datos pudo ocurrir antes de estas restricciones o mediante métodos que eludieron las protecciones estándar, lo que plantea un debate sobre la responsabilidad ética y legal de los desarrolladores de IA al ignorar las preferencias de los propietarios de los datos.
