Per due anni intere squadre di avvocati di OpenAI hanno ripetuto la stessa cosa davanti ai giudici: cercare tra i dati di addestramento e nelle conversazioni di ChatGPT contenuti giornalistici protetti da copyright era impossibile. Troppo complesso, troppo costoso, un incubo per la privacy. Peccato che, stando alle nuove carte processuali, le cose stessero diversamente. Un ingegnere dell’azienda, durante una deposizione ordinata dal tribunale nel mese di aprile, avrebbe raccontato tutt’altra storia.
Il caso OpenAI contro il New York Times e le nuove accuse
Il punto è che quelle ricerche interne, a quanto pare, erano già state fatte. E non solo. Prima ancora che il New York Times depositasse la causa, OpenAI avrebbe già messo insieme un database di circa 78 milioni di conversazioni di ChatGPT, usate internamente proprio per capire quanto stesse violando il copyright altrui. Insomma, l’azienda sapeva. Sapeva benissimo. Ma in aula sosteneva di non poter fare quelle verifiche.
C’è di più. Poco dopo l’inizio della causa, OpenAI avrebbe sviluppato un filtro chiamato Bloom, inserendolo in una suite di strumenti interni battezzata Project Giraffe. Lo scopo era chiaro: individuare e tenere d’occhio i casi in cui ChatGPT sputava fuori contenuti protetti. Quindi non solo l’azienda aveva gli strumenti per cercare le violazioni, li aveva costruiti apposta. E non li aveva mostrati al tribunale.
Cosa chiedono i querelanti e la risposta di OpenAI
I querelanti avevano chiesto un campione di 120 milioni di log di conversazione. OpenAI ha trattato, riducendolo a 20 milioni. La consegna è arrivata a dicembre, ma con talmente tante censure da risultare praticamente inutilizzabile, almeno secondo il tribunale. E qui la faccenda si fa pesante. Perché i legali del Daily News e del Times accusano l’azienda di aver cancellato miliardi di output di ChatGPT dopo l’avvio della causa, in barba all’ordine di conservazione del tribunale, e di aver perfino sostituito milioni di log nel campione richiesto.
Le richieste dei due giornali sono precise. Vogliono che il giudice sanzioni OpenAI, accusandola di aver nascosto prove e ostacolato la raccolta delle evidenze. Chiedono che quel campione da 20 milioni di conversazioni venga dichiarato inaffidabile e quindi buttato via. Non solo. Domandano al tribunale di dare per assodato che quei log avrebbero mostrato numerosi casi di riproduzione dei loro contenuti protetti, togliendo così a OpenAI la possibilità di sostenere il contrario. E, ciliegina sulla torta, che l’azienda paghi le spese legali affrontate per strappare quelle prove.
La replica di OpenAI non si è fatta attendere. Il portavoce Drew Pusateri ha usato toni netti: man mano che il caso del Times si indebolisce e i legali sono costretti a ritirare alcune rivendicazioni, insistono nel voler invadere la privacy di persone che non c’entrano nulla con questa causa, tirando fuori accuse palesemente false. E ha aggiunto che l’azienda continuerà a difendere la privacy degli utenti e i principi consolidati del fair use.
Dalla disputa sul copyright a una questione di trasparenza
Il quadro, se le accuse reggessero, cambierebbe parecchio. Non si parlerebbe più soltanto di un modello addestrato su materiale protetto. Si parlerebbe di un’azienda che avrebbe costruito strumenti per monitorare quel fenomeno, raccolto milioni di conversazioni per misurarlo, creato sistemi apposta per stanarlo, dicendo però ai giudici di non poter fare quelle stesse verifiche.
A questo si aggiungono le contestazioni sul campione ritenuto inutilizzabile e sulla presunta cancellazione di miliardi di output dopo l’avvio della causa. Se tutto venisse dimostrato, ci sarebbe in ballo qualcosa di ben più serio della semplice violazione del copyright.