Microsoft: dai log di Copilot meno dell'1% ripete frasi di articoli

Microsoft ha consegnato 8,2 milioni di log di chat di Copilot e afferma che meno dell’1% ripeteva almeno 16 parole tratte da articoli o libri. Il dato arriva da nuovi atti legali nella causa intentata da editori, incluso The New York Times, e da autori [S1].

I log provengono dalla discovery. Microsoft li ha forniti a un esperto ingaggiato dagli editori. Non sono casuali. L’azienda dice di averli selezionati perché contenevano parole chiave legate ai siti degli editori. Erano quindi, per costruzione, le conversazioni più probabili da contenere lavori giornalistici dei querelanti [S1].

Secondo l’analisi citata nei documenti, 59.545 conversazioni nel set fornito contenevano almeno 16 parole in comune con contenuti di news usati per il “grounding” del modello. La società aggiunge che Copilot “raramente” riproduce anche solo frasi intere da articoli e libri, e ancor meno porzioni tali da sostituire l’originale [S1].

Microsoft qualifica inoltre la portata delle ripetizioni estese come minima. Dice che “meno dell’1%” degli oltre 8 milioni di log “rigurgitava” almeno 16 parole. L’azienda usa questo dato per sostenere che, nei casi analizzati, la rigenerazione di brani di articoli o libri è rara [S1].

Gli atti riportano anche i riscontri di esperti nominati dalle parti. Un esperto incaricato dal Center for Investigative Reporting ha individuato 51 casi di “sovrapposizione sostanziale” fra risposte di Copilot e lavori del CIR nel dataset esaminato. Nel procedimento avviato dagli autori, un altro esperto ha trovato 24 risposte, sulle 8,2 milioni di conversazioni, che contenevano almeno 30 corrispondenze con i testi considerati [S1].

Il contesto è la causa promossa da editori, tra cui The New York Times, e da autori. Al centro c’è l’uso di contenuti giornalistici e di libri e l’eventuale riproduzione di brani protetti nelle risposte del chatbot. Microsoft usa questi numeri per contestare la tesi che Copilot offra surrogati degli articoli o dei libri dei querelanti [S1].

I limiti dell’evidenza emergono dagli stessi atti. Gli 8,2 milioni di log non rappresentano l’uso generale di Copilot. Microsoft dice di averli scelti perché contenevano parole chiave che “implicavano l’uso dei siti” degli editori. Sono dunque conversazioni a rischio più alto di contenere materiale dei giornali. Se anche in questo sottoinsieme i match estesi restano rari, il dato pesa, ma non chiude la questione sul merito. Non è una sentenza. Sono documenti depositati nel procedimento in corso [S1].