Solo 59.545 de 8,2 millones de chats de Copilot coincidieron con noticias, según Microsoft
Índice de contenidos
- Claves de la noticia
- Los números llegan con una selección sesgada hacia coincidencias
- Menos del uno por ciento requiere un denominador claro
- CIR aporta una escala más cercana a una redacción
- La sentencia sumaria podría cerrar el caso antes del juicio
- Los editores necesitan medir sustitución además de copia
Claves de la noticia
- Un experto de los editores encontró 59.545 conversaciones con al menos 16 palabras coincidentes dentro de 8,2 millones de registros seleccionados.
- En el pleito de autores, Microsoft dice que solo 24 respuestas contenían 30 palabras o más de las obras estudiadas.
- La frecuencia de reproducción no decide por sí sola si el entrenamiento fue lícito ni si el producto sustituye al contenido original.
Microsoft usa un análisis aportado al litigio de copyright para defender que Copilot rara vez reproduce fragmentos extensos. Los editores discuten la conclusión y sostienen que entrenamiento, sustitución y daño de mercado siguen en disputa.
Los números llegan con una selección sesgada hacia coincidencias
Microsoft ha pedido sentencia sumaria en los litigios consolidados de editores y autores contra la compañía y OpenAI. Para sostener que Copilot rara vez reproduce obras, cita el análisis de 8,2 millones de conversaciones entregadas durante el descubrimiento. Esos registros no eran una muestra aleatoria: se eligieron porque contenían palabras clave asociadas a sitios de los demandantes y, por tanto, debían ser más propensos a incluir su contenido.
El experto contratado por los editores halló 59.545 chats con al menos 16 palabras en común con noticias usadas para fundamentar respuestas. Microsoft presenta esa proporción como evidencia de reproducción infrecuente. The New York Times rechaza la lectura y afirma que los documentos muestran apropiación para crear productos sustitutivos. El tribunal todavía no ha decidido qué interpretación pesa más.
Menos del uno por ciento requiere un denominador claro
Dividir 59.545 entre 8,2 millones produce aproximadamente un 0,73 %. La cifra es inferior al uno por ciento, pero no significa que el 99,27 % de todo Copilot esté libre de cualquier material protegido. Describe coincidencias de al menos 16 palabras dentro de un conjunto escogido con criterios específicos. Tampoco dice cuántas respuestas leyó cada usuario, qué textos estaban licenciados o si varias coincidencias procedían de la misma obra.
En el expediente de autores, otro análisis encontró 24 respuestas con al menos 30 palabras coincidentes y solo 10 de 212 libros con alguna coincidencia. Cambiar el umbral de 16 a 30 palabras modifica el fenómeno medido. Un fragmento breve puede ser sustancial si contiene el corazón de una obra; uno más largo puede ser una cita permitida según contexto. Las métricas ayudan, pero no sustituyen el examen jurídico.
CIR aporta una escala más cercana a una redacción
Microsoft señala que un experto del Center for Investigative Reporting identificó 51 casos de solapamiento sustancial. Esa cifra puede parecer pequeña frente a millones de chats, aunque para una organización concreta cada reproducción puede competir con una visita, una suscripción o una licencia. Los demandantes sostienen además que el perjuicio no depende solo de verbatim: un resumen suficientemente completo puede reducir el incentivo de consultar el original.
La defensa responde que el entrenamiento crea una herramienta con propósito distinto y que los casos de texto repetido no invalidan su carácter transformador. Son dos preguntas separadas. Una trata del uso de copias durante el entrenamiento; otra, de lo que el sistema entrega al público. Un modelo puede reproducir poco y haber usado material sin permiso, o reproducir mucho pese a entrenarse con material autorizado. La sentencia deberá mantener esa separación.
También importa el mecanismo de recuperación. Parte del contenido noticioso se usa para fundamentar respuestas actuales, una operación distinta de memorizar texto durante el entrenamiento. Si el sistema consulta una obra en el momento de responder, licencias, enlaces y límites de cita pueden pesar de manera diferente. Mezclar ambas rutas diluiría el análisis de los 59.545 casos.
La sentencia sumaria podría cerrar el caso antes del juicio
Microsoft pide que el juez resuelva cuestiones jurídicas sin un juicio completo porque considera que los hechos relevantes no permiten una conclusión favorable a los demandantes. Si obtiene la sentencia, parte o todo el caso puede terminar en esta etapa; si se rechaza, editores y autores continuarán hacia un proceso probatorio más amplio. El Gobierno estadounidense ya presentó una posición favorable a la tesis de uso legítimo de OpenAI en el pleito del Times.
Las cifras no son una auditoría pública independiente de Copilot. Proceden de expertos dentro de un litigio y llegan al público mediante argumentos de las partes y documentos judiciales. Su valor es que introducen un orden de magnitud concreto. Su límite es que Microsoft selecciona qué resultados destacan y los demandantes discutirán método, umbrales y universo. La transparencia completa exigiría publicar criterios reproducibles sin exponer conversaciones privadas.
Los editores necesitan medir sustitución además de copia
La discusión futura girará sobre tráfico, suscripciones, licencias y respuestas fundamentadas. Si una herramienta ofrece la información esencial de un reportaje y conserva al usuario, el daño puede existir aunque no repita dieciséis palabras seguidas. Si remite lectores y añade una función distinta, el argumento transformador gana fuerza. Los tribunales deberán conectar métricas técnicas con efectos de mercado, no convertir un porcentaje aislado en veredicto.
Para medios españoles, el expediente ofrece una advertencia contractual. Los acuerdos con plataformas deberían definir uso para entrenamiento, recuperación, citas, atribución, conservación y acceso a estadísticas. Un recuento propio de las cifras publicadas sitúa la coincidencia de noticias en siete chats por cada mil del conjunto seleccionado. Es suficientemente baja para cuestionar la idea de copia sistemática literal, pero demasiado contextual para resolver por sí sola si Copilot compite de manera ilícita con las obras que lo alimentan.
