El NYT acusa a OpenAI de ocultar pruebas en el juicio por derechos de autor

The New York Times y The Daily News han acusado a OpenAI de mentir sobre su capacidad para buscar contenido protegido por derechos de autor en sus registros de conversaciones y en los datos con los que entrenó ChatGPT. La acusación, presentada como una nueva petición de sanciones, es el último capítulo de un litigio de dos años en el que los medios sostienen que la empresa violó la ley al entrenar sus modelos con su periodismo y reproducirlo en las respuestas a los usuarios.

La disputa importa porque toca el punto más sensible de la industria de la IA generativa: qué material entra en los modelos, si ese material está protegido y si las respuestas de un chatbot reproducen —o "regurgitan", en la jerga del caso— textos ajenos. Lo que ahora se discute no es solo si eso ocurrió, sino si OpenAI escondió deliberadamente las herramientas que podían demostrarlo.

Qué alegan los medios

Durante todo el proceso, OpenAI ha defendido que carecía de la capacidad de rastrear su propio corpus de entrenamiento. También argumentó que buscar o entregar su enorme colección de conversaciones de ChatGPT sería técnicamente costoso y plantearía problemas de privacidad, porque los registros tendrían que recuperarse, procesarse y anonimizarse.

Los demandantes querían precisamente esos datos: buscaban determinar si su periodismo protegido estaba en el conjunto de entrenamiento de OpenAI y con qué frecuencia ChatGPT generaba respuestas que usaban o reproducían sus contenidos.

El giro llega, según la demanda, con una declaración judicial de abril. En ella, el ingeniero de privacidad de datos de OpenAI Vinnie Monaco habría revelado que la empresa ya había realizado búsquedas y evaluaciones internas de su corpus de entrenamiento para localizar obras periodísticas protegidas. Es decir, lo que decía no poder hacer, ya lo había hecho.

Una base de datos y un filtro que lo cambian todo

La misma declaración habría destapado dos elementos especialmente relevantes.

El primero: antes incluso de que el Times presentara su demanda, OpenAI ya había reunido una base de datos de unos 78 millones de conversaciones de ChatGPT anonimizadas que usaba internamente para calcular cuánto estaba infringiendo obras ajenas.

El segundo: poco después de presentarse la demanda, la empresa habría implementado un filtro llamado "Bloom", dentro de un conjunto de herramientas bautizado como "Project Giraffe", que detectaba y registraba los casos de regurgitación en las respuestas del modelo.

Dicho de otro modo, los demandantes acusan a OpenAI de haber tenido durante todo este tiempo herramientas específicas para medir el problema, mientras sostenía ante el tribunal que buscar esa información era inviable.

La pelea por las muestras de conversaciones

El otro frente del conflicto es la entrega de registros de chat. Los demandantes pidieron originalmente una muestra de 120 millones de conversaciones. OpenAI negoció rebajarla a 20 millones, y entregó esa muestra a los tribunales el pasado diciembre.

El problema, según los medios, es que la muestra llegó con tantas tachaduras que el propio tribunal la calificó de "inservible". Los demandantes van más allá: afirman que OpenAI borró miles de millones de respuestas de ChatGPT tras la presentación de la demanda, en violación directa de la orden judicial de conservación de pruebas, y que la compañía sustituyó millones de registros dentro de la muestra solicitada.

La lectura que hacen los abogados es directa: OpenAI habría dificultado de forma innecesaria el acceso a información que la empresa ya había recopilado por su cuenta.

"Si OpenAI creyera de verdad que copiar el periodismo de nuestros clientes era justo y legal, no habría ocultado la verdad sobre haberlo hecho", declaró Ian B. Crosby, abogado principal de los demandantes.

Qué piden al juez

El NYT y The Daily News reclaman ahora que el juez sancione a OpenAI por, según ellos, retener pruebas y entorpecer el proceso de descubrimiento. En concreto, piden al tribunal:

• Que impida a OpenAI usar como prueba la muestra de 20 millones de registros, por considerarla poco fiable.
• Que acepte como hecho probado que los registros de ChatGPT habrían mostrado una regurgitación significativa y un uso de los contenidos de los demandantes como base de las respuestas.
• Que prohíba a OpenAI argumentar que los registros entregados no demuestran una regurgitación sustancial.
• Que obligue a OpenAI a pagar las costas legales derivadas de tener que perseguir estas pruebas.

Estas peticiones no son menores. Si el juez las concediera, estaría dando por ciertos hechos que normalmente habría que demostrar con las propias pruebas que ahora están en disputa. Una sanción de este tipo puede inclinar un caso incluso antes de llegar al fondo del asunto.

La respuesta de OpenAI

El portavoz de OpenAI Drew Pusateri negó las acusaciones y acusó al Times de intentar acceder a conversaciones privadas de usuarios a medida que su caso se debilita.

"A medida que el caso del Times se debilita y se han visto obligados a retirar demandas contra nosotros, insisten en sus esfuerzos por invadir la privacidad de personas que no tienen nada que ver con este caso, incluso formulando estas acusaciones descaradamente falsas", afirmó Pusateri. "Seguiremos defendiendo la privacidad de nuestros usuarios y los principios largamente establecidos del uso legítimo".

La defensa de OpenAI descansa, como en otros pleitos sobre IA generativa, en la doctrina del fair use (uso legítimo), la figura del derecho estadounidense que permite reutilizar material protegido en ciertas condiciones sin autorización del titular. Pero la disputa actual no gira sobre esa doctrina, sino sobre algo previo: la conducta de la empresa durante el propio proceso judicial.

Por qué este pulso trasciende el caso

El choque entre editores de noticias y empresas de IA lleva tiempo definiendo una de las grandes fronteras legales del sector. Los modelos de lenguaje se entrenan con cantidades masivas de texto, y buena parte de ese material procede de medios que no dieron permiso ni recibieron compensación. La pregunta de fondo —si eso es entrenamiento transformador o copia a gran escala— sigue sin respuesta firme en los tribunales.

Lo que hace distinto este episodio es que el conflicto se ha desplazado del terreno de los principios al del comportamiento procesal. Ya no se debate únicamente si entrenar con periodismo protegido es legal, sino si OpenAI ocultó las herramientas que podían responder a esa pregunta. Para una empresa que se presenta públicamente como defensora de la transparencia y de un uso legítimo bien fundamentado, la acusación de haber escondido pruebas es incómoda por partida doble.

Hay además una tensión que atraviesa todo el litigio: la privacidad de los usuarios frente al derecho de los demandantes a obtener pruebas. OpenAI sostiene que entregar registros de conversaciones expone datos de personas ajenas al caso; los medios responden que la empresa ya tenía versiones anonimizadas de esos datos y las usaba internamente. Ambas cosas pueden ser ciertas a la vez, y esa ambigüedad es exactamente lo que el juez tendrá que resolver.

El siguiente paso está en manos del tribunal, que deberá decidir si impone las sanciones solicitadas. Su decisión no solo afectará al pulso entre el Times y OpenAI: marcará cuánto pueden esconder las empresas de IA sobre sus propios sistemas cuando la ley les exige enseñar las cartas.