Dirigente Microsoft: lo scraping per l'IA è «il più grande furto»

Un dirigente di Microsoft ha definito in privato lo scraping usato per addestrare l’IA «the largest theft of labor in human history». La frase emerge da nuovi documenti non redatti nel caso per violazione del copyright che il New York Times ha avviato contro OpenAI e Microsoft¹.

Il deposito reso pubblico attribuisce a figure apicali di OpenAI la valutazione dei propri modelli come «minaccia esistenziale» per editori e giornalisti, il cui lavoro ha alimentato l’addestramento¹. Le citazioni compaiono nel materiale diffuso dal Times. Mancano però gli exhibit originali che ne fornirebbero il contesto.

Secondo l’accusa, le aziende avrebbero usato contenuti protetti in tre modi principali: aggirando i paywall senza farsi rilevare, effettuando scraping su larga scala per creare dataset di addestramento, rimuovendo intenzionalmente gli avvisi di copyright dai dati¹. Questi elementi compongono l’ossatura del racconto presentato nel brief.

Il Times ha inserito le citazioni e i comportamenti contestati nel proprio memorandum legale. Gli allegati che dovrebbero documentare l’origine delle frasi e le circostanze in cui vennero pronunciate restano sotto sigillo¹. Di conseguenza, la versione disponibile al pubblico riporta estratti selezionati e non include il materiale di supporto.

Il nome del dirigente Microsoft autore della frase sul «furto» non compare nella documentazione resa pubblica. Il deposito, così come disponibile, non identifica la persona né fornisce ulteriori dettagli biografici o di ruolo¹. Lo stesso vale per le valutazioni attribuite alla leadership di OpenAI: il brief riferisce giudizi interni, ma non li accompagna con l’inquadramento completo degli atti sottostanti¹.

Nell’insieme, il quadro si regge su due pilastri distinti. Da un lato, la descrizione delle pratiche contestate: bypass di paywall, scraping di massa, rimozione di notice di copyright. Dall’altro, le valutazioni interne riportate come prova del livello di consapevolezza e dell’impatto atteso dei modelli sui media¹. Entrambi provengono dal materiale del Times, non dagli exhibit originali.

Il deposito non redatto segna un nuovo passaggio della causa. In origine, il Times aveva accusato le aziende di aver violato il diritto d’autore addestrando modelli generativi sui propri contenuti; ora aggiunge citazioni e ricostruzioni che, secondo il giornale, rafforzano l’impianto accusatorio¹.

Finché gli allegati rimangono sigillati, resta impossibile verificare l’esatta cornice delle frasi, il tono, i destinatari, l’eventuale contesto tecnico o commerciale che le accompagnava¹. Per un giudice, questi dettagli non sono accessori: incidono sul peso probatorio delle citazioni, sulla loro interpretazione e sulla capacità di collegarle in modo puntuale ai comportamenti contestati.