Odtajnione w czwartek dokumenty z procesu The New York Times przeciwko OpenAI i Microsoftowi pokazują, co obie firmy mówiły o pobieraniu treści wydawców, kiedy nikt ich nie słuchał. Dyrektor Microsoftu nazwał trening modeli „zdumiewającą kradzieżą o bezprecedensowej skali”, prezes OpenAI odpowiedział „ah nice” na wiadomość o obejściu paywalla NYT, a wewnętrzne dane Copilota wykazały spadek klikalności do serwisu gazety nawet o 93 procent. W poniedziałek branżowe media analizują już, co ten materiał robi z linią obrony opartą na fair use.
Skąd wzięły się nowe dokumenty
Pozew The New York Times przeciwko OpenAI i Microsoftowi trwa od grudnia 2023 roku i toczy się przed sądem federalnym dla Południowego Dystryktu Nowego Jorku (SDNY), a prowadzi go sędzia Sidney Stein. Z czasem do sprawy dołączyły kolejne redakcje: grupa Daily News (m.in. Chicago Tribune i Denver Post), Ziff Davis (CNET, IGN, PCMag), Center for Investigative Reporting (Mother Jones) oraz The Intercept. Wszystkie domagają się odszkodowań liczonych w miliardach dolarów za wykorzystanie ich artykułów do trenowania modeli językowych.
Obie strony złożyły w tym roku wnioski o wyrok w trybie uproszczonym (summary judgment), a wraz z nimi obszerne uzasadnienia oparte na materiale z discovery: wewnętrznych mailach, prezentacjach, zeznaniach kadry zarządzającej. Do tej pory większość tych fragmentów była zaczerniona. W czwartek 17 września sąd dopuścił do publikacji wersje z częściowo zdjętymi redakcjami i to one wywołały lawinę doniesień, którą jako pierwsze opisały TechCrunch, The Washington Post i Nieman Lab.
Jak podkreśla Digiday w poniedziałkowej analizie, proces odtajniania dopiero się zaczął. Cytowani przez serwis prawnicy spodziewają się, że w kolejnych tygodniach „góra dowodów” będzie rosła, bo obie strony wciąż spierają się o zakres tego, co może trafić do publicznego obiegu.
Kluczowe fakty z odtajnionych akt
Poniżej zebraliśmy najważniejsze ustalenia, które pojawiają się w brief NYT i w relacjach mediów. Część liczb pochodzi z wewnętrznych analiz Microsoftu, część z dokumentacji OpenAI ujawnionej w toku discovery.
| Ustalenie | Szczegół | Źródło w aktach |
|---|---|---|
| „Największa kradzież pracy w historii ludzkości” | Notatka Brenta Hechta, dyrektora ds. nauk stosowanych w Microsofcie, ze stycznia 2023 | Wewnętrzne memo Microsoftu |
| „Doom loop” dla wydawców | Prezentacja Hechta ze stycznia 2024 opisująca wpływ Copilota na ruch mediów | Wewnętrzna prezentacja Microsoftu |
| Spadek CTR z Copilota do NYT | 87–93 procent mniej kliknięć w porównaniu z klasycznym Bingiem | Analiza danych Microsoftu |
| Spadek CTR dla Daily News i Ziff Davis | Odpowiednio 83–91 procent i 51–94 procent | Analiza danych Microsoftu |
| Obejście paywalla NYT | Badacz OpenAI Nick Ryder pisze o „hacku” na paywall nytimes.com, Greg Brockman odpowiada „ah nice” | Wewnętrzna korespondencja OpenAI |
| Project Mango | Zbiór treningowy z co najmniej 160 903 unikalnymi utworami wydawców-powodów | Dokumentacja datasetów OpenAI |
| Zbiory pośrednie | 91 692 kopie tekstów NYT, Daily News i CIR w zbiorach mid-training | Dokumentacja datasetów OpenAI |
| Common Crawl | Ponad 2 miliony dokumentów z nytimes.com w zbiorze użytym do treningu | Brief NYT |
| NYT Annotated Corpus | 1,8 mln artykułów z licencją wyłącznie niekomercyjną, użyte mimo zastrzeżeń pracowników | Wewnętrzna korespondencja OpenAI |
| „Existential threat” | Nick Turley, szef ChatGPT, pisze, że produkty OpenAI są „w dużej mierze substytucyjne, kropka” | Wewnętrzna korespondencja OpenAI |
Co dokładnie napisał Brent Hecht
Najczęściej cytowany fragment pochodzi z notatki Brenta Hechta, dyrektora ds. nauk stosowanych (Director of Applied Science) w Microsofcie. W styczniu 2023 roku, dwa miesiące po premierze ChatGPT, Hecht ocenił praktykę masowego pobierania treści z sieci jako „zdumiewającą kradzież o bezprecedensowych rozmiarach” i, jak dodał, prawdopodobnie „największą kradzież pracy w historii ludzkości”. W tym samym dokumencie ostrzegał, że powoływanie się w takiej sytuacji na fair use „zrobiłoby kompletną kpinę z samej idei dozwolonego użytku”.
Rok później, w styczniu 2024, ten sam menedżer przygotował prezentację, w której mechanizm działania Copilota wobec wydawców nazwał „doom loop”: asystent odpowiada na pytanie na podstawie artykułu, użytkownik nie klika, wydawca traci przychód, produkuje mniej treści, model ma z czego się uczyć coraz mniej.
„Ah nice”, czyli paywall jako przeszkoda techniczna
Drugim fragmentem, który błyskawicznie obiegł branżę, jest wymiana wiadomości w OpenAI. Badacz Nick Ryder poinformował prezesa firmy Grega Brockmana o „hacku, który pozwala obejść paywall nytimes.com”. Odpowiedź Brockmana brzmiała „ah nice”. Według doniesień TechCrunch Brockman w innym miejscu określił modele OpenAI jako „doskonałe w newsach”.
W tym samym pakiecie dokumentów pojawia się informacja, że standardowa procedura crawlowania OpenAI „nie obejmowała przeglądania regulaminów stron”, a przed treningiem z części materiałów usuwano noty o prawach autorskich. Powodowie wskazują też, że firma nabyła New York Times Annotated Corpus, zbiór 1,8 miliona artykułów udostępniany wyłącznie do celów niekomercyjnych, i wykorzystała go mimo wewnętrznych zastrzeżeń, że jest to niezgodne z licencją.
Zeznania Satyi Nadelli
Prezes Microsoftu Satya Nadella zeznawał pod przysięgą. Jak relacjonuje TechCrunch, przyznał, że treści zza paywalla „powinny być licencjonowane” na potrzeby treningu, oraz że gdyby wiedział o obchodzeniu paywalli, zażądałby od OpenAI ponownego wytrenowania modeli. Nadella potwierdził też, że rozmowy z chatbotem zastępują użytkownikom odwiedziny na stronie źródłowej. Dla wydawców jest to kluczowe: to dokładnie definicja substytucji, na której opiera się czwarty czynnik testu fair use.
Dlaczego paywall zmienia rachunek fair use
Do tej pory spory o trening AI w Stanach Zjednoczonych toczyły się głównie wokół pytania, czy trening jest „transformatywny”. Sądy w sprawach Anthropic (Bartz) i Meta (Kadrey) wskazywały, że sam trening może być użyciem transformatywnym, ale zaznaczały, że sposób pozyskania danych ma znaczenie. W sprawie Anthropic firma zapłaciła 1,5 miliarda dolarów ugody za książki pobrane z pirackich bibliotek, nie za trening jako taki.
Nowe dokumenty przesuwają spór NYT dokładnie na ten tor. Jak tłumaczy Digiday, cytując Alana Chapella z Chapell and Associates, obejście paywalla wyprowadza sprawę z „szarej strefy fair use” w obszar treści „jednoznacznie skradzionych”. Chapell podkreśla, że wykazana substytucja (użytkownik dostaje informację bez odwiedzenia wydawcy) „prawie zawsze” pogrąża obronę opartą na dozwolonym użytku.
Do tego dochodzi wątek ustawy DMCA z 1998 roku. Jej przepisy zakazują obchodzenia technicznych zabezpieczeń dostępu do utworów, a paywall jest takim zabezpieczeniem. Jeśli sąd uzna, że „hack” opisany w mailach OpenAI był obejściem zabezpieczenia, roszczenie przestaje być wyłącznie sporem o prawa autorskie.
- Czynnik pierwszy (cel i charakter użycia): OpenAI i Microsoft twierdzą, że trening jest transformatywny. Cytaty Turleya o produktach „w dużej mierze substytucyjnych” osłabiają ten argument.
- Czynnik czwarty (wpływ na rynek): spadki CTR o 83–94 procent i istniejące umowy licencyjne innych firm (Amazon, Google, Meta, Perplexity, Mistral) pokazują, że rynek licencji istnieje i został pominięty.
- Sposób pozyskania: obejście paywalla, użycie korpusu z licencją niekomercyjną i usuwanie not copyright to fakty, które sąd ocenia niezależnie od transformatywności.
Powodowie dorzucają jeszcze wyliczenie kosztów: przy cenach API OpenAI wygenerowanie miliona artykułów po 500 słów kosztuje około 6 800 dolarów. Ma to ilustrować, jak tanio da się zalać rynek „pink slime”, czyli syntetycznymi treściami udającymi dziennikarstwo, i dlaczego szkoda rynkowa dla wydawców nie jest hipotetyczna.
Co to znaczy dla SEO i AIO
Dla osób, które optymalizują treści pod wyszukiwarki i pod odpowiedzi AI, w tej historii są trzy praktyczne wnioski. Pierwszy dotyczy pomiaru: dane Microsoftu o spadku CTR z Copilota są najtwardszym publicznie dostępnym dowodem na skalę „zero-click” w interfejsach konwersacyjnych. Spadek o 87–93 procent w porównaniu z klasycznym Bingiem to nie estymacja z narzędzia zewnętrznego, tylko liczba z wewnętrznego dashboardu firmy, która ten produkt sprzedaje. Warto ją mieć pod ręką przy każdej rozmowie z klientem o tym, dlaczego widoczność w AI mierzy się inaczej niż widoczność w SERP.
Drugi wniosek dotyczy paywalli i dostępu botów. Wewnętrzny cytat inżyniera OpenAI, że „niezależnie od tego, jak eksponujemy linki, użytkownicy nie klikną”, pokazuje, że sama obecność cytowania nie ratuje ruchu. Wydawcy, którzy planują politykę dostępu dla crawlerów AI, mają dziś więcej argumentów, by traktować ją jak decyzję biznesową, a nie techniczną. Pisaliśmy już o tym, co model widzi i cytuje z treści za paywallem, i ta analiza nabiera nowego kontekstu.
Trzeci wniosek to licencje. Digiday cytuje Danielle Coffey, prezeskę News/Media Alliance, oraz Davida Buttle’a, założyciela koalicji licencyjnej Spur, którzy zgodnie wskazują, że fala umów z OpenAI, Microsoftem, Amazonem, Google, Metą, Perplexity i Mistralem ustaliła już cenę rynkową treści. Każdy kolejny wydawca negocjuje z pozycji, w której druga strona nie może twierdzić, że licencjonowanie nie było możliwe. Dla mniejszych serwisów oznacza to, że warto śledzić koalicje zbiorowe, bo to tam pojawi się realna dźwignia negocjacyjna.
Jest jeszcze wątek techniczny, który dla praktyków AIO jest równie ważny jak prawny. Dokumenty potwierdzają, że OpenAI korzystało z wielu równoległych źródeł danych: Common Crawl, własnych zbiorów WebText i WebText2, pakietów Project Taxi i Project Mango współdzielonych z Microsoftem, a także z kupionych korpusów. To spójne z tym, co pokazywała analiza ruchu, o której pisaliśmy w tekście o tym, że ChatGPT nie korzysta z jednego indeksu. Jeśli strona ma być widoczna w odpowiedziach, trzeba dbać o każdy z tych kanałów osobno.
Reakcje branży
Microsoft odpowiedział oficjalnie. Rzecznik firmy Alex Haurek przekazał The New York Times, że stanowisko koncernu „jest wyłożone w pismach procesowych, które wyjaśniają, dlaczego te transformatywne zastosowania są zgodne z prawem autorskim i dlaczego Copilot nie zastępuje dziennikarstwa wydawców”. OpenAI, według relacji mediów, nie odniosło się szczegółowo do poszczególnych cytatów.
Po stronie wydawców ton jest wyraźnie ofensywny. Nieman Lab opisał dokumenty jako pierwszy tak obszerny wgląd w to, „co Microsoft i OpenAI naprawdę myślały o treningu AI”. Prawnicy cytowani anonimowo przez Digiday mówią wprost, że cytat o „hacku na paywall” jest tym rodzajem dowodu, który w sprawach o prawa autorskie zwykle przesądza o nastawieniu ławy przysięgłych, jeśli sprawa dotrze do procesu.
Warto odnotować kontekst polityczny. Na początku września administracja Donalda Trumpa złożyła w tej sprawie stanowisko przyjaciela sądu (amicus brief), w którym poparła argumentację OpenAI o fair use. Nowe dokumenty utrudniają jednak obronę, bo przenoszą dyskusję z abstrakcyjnego pytania o transformatywność na konkretne zachowania: obchodzenie zabezpieczeń, ignorowanie regulaminów i licencji.
Dla branży SEO ciekawy jest też efekt odwrotny: powodowie zauważają, że po złożeniu pozwów OpenAI wdrożyło filtr tłumiący w odpowiedziach ChatGPT treści z serwisów, które pozwały firmę, podczas gdy treści wydawców, którzy nie poszli do sądu, pozostały nietknięte. To sygnał, że widoczność w odpowiedziach AI może być regulowana ręcznie na poziomie domeny, co dla praktyków AIO jest informacją co najmniej równie istotną jak sam spór prawny. Podobny mechanizm „selektywnego dostępu” widzieliśmy już w sprawie, w której Google przegrało z SerpApi spór o scraping wyników: sądy coraz częściej rozstrzygają nie o tym, czy dane wolno pobierać, ale jak i na jakich warunkach.
Co dalej
Sędzia Stein ma przed sobą wnioski obu stron o wyrok w trybie uproszczonym. Jeśli uzna, że fakty są sporne, sprawa trafi na rozprawę z ławą przysięgłych, a wtedy odtajnione cytaty staną się centralnym elementem narracji powodów. Jeśli rozstrzygnie część zarzutów bez procesu, kluczowe będzie, jak oceni wątek paywalla i DMCA, bo to on wyróżnia sprawę NYT na tle wcześniejszych wyroków dotyczących trenowania modeli.
Równolegle trwa proces odtajniania. Kolejne partie dokumentów mogą ujawnić szczegóły datasetów, procedur filtrowania i umów między OpenAI a Microsoftem. Dla wydawców w Polsce i Europie ma to znaczenie pośrednie, ale realne: umowy licencyjne, które będą podpisywane w najbliższych miesiącach, będą negocjowane w cieniu tych akt, a każdy argument o „braku rynku licencji” właśnie stracił na sile.
Na koniec liczba, którą warto zapamiętać: 160 903 unikalne utwory wydawców-powodów w jednym zbiorze treningowym. To nie jest anegdota o kilku artykułach, tylko dokumentacja systematycznego pozyskiwania treści, którą teraz oceni sąd.
FAQ
Co dokładnie zostało odtajnione w sprawie NYT przeciwko OpenAI?
Częściowo odredagowane wersje pism procesowych składanych wraz z wnioskami o wyrok w trybie uproszczonym. Zawierają fragmenty wewnętrznych maili, prezentacji i zeznań, m.in. notatkę Brenta Hechta z Microsoftu, wymianę wiadomości między Ryderem a Brockmanem o obejściu paywalla oraz dane Microsoftu o spadku CTR z Copilota.
Czy sąd już orzekł, że OpenAI naruszyło prawo?
Nie. Sprawa jest na etapie wniosków o summary judgment przed sędzią Sidneyem Steinem w SDNY. Odtajnione dokumenty to materiał dowodowy powodów, a nie rozstrzygnięcie. Microsoft podtrzymuje, że jego zastosowania są transformatywne i zgodne z prawem autorskim.
Dlaczego obejście paywalla jest ważniejsze niż sam trening?
Bo dotychczasowe wyroki w sprawach Anthropic i Meta dopuszczały trening jako użycie transformatywne, ale karały nielegalny sposób pozyskania danych. Paywall jest technicznym zabezpieczeniem dostępu, więc jego obejście może dodatkowo naruszać przepisy DMCA i wzmacnia argument o substytucji w czwartym czynniku fair use.
Jakie liczby o ruchu ujawniły dokumenty?
Wewnętrzne analizy Microsoftu pokazały spadek klikalności z Copilota w porównaniu z klasycznym Bingiem o 87–93 procent dla NYT, 83–91 procent dla grupy Daily News i 51–94 procent dla Ziff Davis.
Co ta sprawa oznacza dla polskich wydawców i specjalistów SEO?
Bezpośrednio nic, bo to prawo amerykańskie. Pośrednio dużo: ustalona cena rynkowa licencji wzmacnia pozycję negocjacyjną wydawców, dane o zero-click są argumentem w rozmowach o mierzeniu widoczności w AI, a informacja o ręcznym filtrowaniu domen w ChatGPT pokazuje, że widoczność w odpowiedziach AI nie zależy wyłącznie od jakości treści.