Merriam-Webster e Encyclopedia Britannica processam a OpenAI por 100 mil artigos

Merriam-Webster e Encyclopedia Britannica entraram na Justiça contra a OpenAI, acusando a empresa de violação massiva de direitos autorais. Segundo os autores da ação, a OpenAI usou quase 100 mil artigos protegidos por direitos autorais para treinar seus grandes modelos de linguagem, sem qualquer permissão e sem pagar compensação.

A Merriam-Webster é um dos dicionários mais antigos e de maior autoridade da língua inglesa, fundado em 1831. A Encyclopedia Britannica é ainda mais antiga: é publicada desde 1768 e, por dois séculos e meio, foi a principal enciclopédia em inglês do mundo. Nesse período, os editores das duas organizações criaram um dos corpora de textos de referência mais extensos e rigorosamente verificados. É justamente esse tipo de dado que tem valor especial no treinamento de modelos de linguagem que precisam dar respostas factualmente confiáveis: preciso, checado repetidas vezes e ligado a definições e datas específicas.

O cerne da acusação é o seguinte: ao montar os datasets de treinamento de seus LLMs, a OpenAI incluiu sistematicamente materiais dessas publicações sem firmar contratos de licenciamento. Segundo a ação, são quase 100 mil artigos. Os autores afirmam que não se trata de uma amostra aleatória da web de acesso público, mas de uma apropriação deliberada e em larga escala de conteúdo produzido por profissionais. Criar esses materiais exigiu anos de trabalho de milhares de lexicógrafos, pesquisadores, editores científicos e especialistas setoriais. Todo esse trabalho agora serve, na prática, de combustível para um produto comercial, sem pagamento e sem consentimento.

A ação se soma a uma ampla onda de processos contra a OpenAI. Antes, reivindicações semelhantes foram feitas pelo New York Times, grandes agências literárias, a Authors Guild dos EUA, associações de jornalistas independentes e vários escritores conhecidos. A lógica de todos esses processos é a mesma: as empresas de IA construíram um negócio bilionário sobre o trabalho intelectual alheio, sem pagar um centavo e sem pedir permissão.

A escala das reivindicações cresce. Antes, entravam com ações autores individuais; agora entram na briga organizações cujas marcas estão diretamente associadas à credibilidade e à autoridade acadêmica. Não é mais só uma história sobre direitos autorais, mas sobre quem é dono da reputação de confiabilidade na era da IA.

A OpenAI responde, como de costume, o mesmo: o treinamento com dados publicamente disponíveis se enquadra na doutrina de fair use (uso justo) da lei de direitos autorais dos EUA. Outro argumento da empresa é que ela não reproduz os textos originais literalmente, apenas treina com padrões estatísticos extraídos deles. Nenhum dos dois argumentos recebeu ainda confirmação judicial definitiva. A maioria dos casos está em fase inicial, e os tribunais ainda não formaram uma posição consolidada sobre onde fica o limite do fair use no caso dos LLMs.

A participação de editoras de dicionários e enciclopédias é o que torna esta ação especial. O produto delas não é notícia escrita sob prazo, nem blogs publicados por alcance. É conhecimento de referência produzido de forma lenta e cara: verificado, estruturado, com rígidos padrões editoriais. Esses dados são a base das respostas que a IA apresenta como fatos. Não por acaso foram incluídos no corpus de treinamento. E não por acaso agora estão no centro de alguns dos processos judiciais mais importantes da história da IA generativa.

O resultado desses casos definirá as regras de toda a indústria. Uma vitória dos detentores de direitos obrigaria as empresas de IA a licenciar retroativamente os dados de treinamento, com consequências financeiras imprevisíveis. Uma vitória do fair use criaria um precedente que, na prática, tiraria dos autores qualquer poder de influência na era da IA generativa. Por ora, o desfecho é incerto, mas uma coisa é clara: a indústria não pode construir indefinidamente o futuro sobre o passado alheio sem negociar condições.