Dataset cancellati, versioni che cambiano e una giudice che non ci sta: la battaglia sul copyright potrebbe costare milioni a OpenAI
La causa legale che coinvolge OpenAI sta entrando nella fase più delicata e potrebbe diventare un caso di scuola per il futuro dell’addestramento delle IA generative. Al centro della disputa ci sono Books 1 e Books 2, due dataset contenenti opere piratate provenienti da Library Genesis (LibGen), creati nel 2021 e cancellati prima del lancio pubblico di ChatGPT. Fin qui nulla di sorprendente: molte aziende hanno ripulito i propri archivi man mano che il tema del copyright diventava più urgente.
Ma la mossa si è trasformata in una potenziale pistola fumante. Un gruppo di autori sostiene infatti che quei materiali abbiano violato il diritto d’autore e che la loro eliminazione dimostri consapevolezza del problema. La giudice distrettuale Ona Wang ha quindi imposto a OpenAI di consegnare tutte le comunicazioni interne sulla cancellazione dei dataset. Ora i rischi economici per il colosso rischiano di aumentare: negli Stati Uniti una violazione intenzionale del copyright può infatti far schizzare le sanzioni fino a 150.000 dollari per ogni opera.
OpenAI insiste sul fatto che quei dataset fossero “in disuso” e mai utilizzati per l’addestramento dei modelli pubblici. Gli autori querelanti, però, non credono a questa versione e ritengono che l’azienda abbia cambiato strategia comunicativa man mano che il tribunale si avvicinava alle chat interne. Ed è proprio questo intreccio di versioni, ripensamenti e timori che sta dando alla causa un peso enorme per l’intero settore dell’intelligenza artificiale.
Altre notizie selezionate per te:
Armi biologiche, OpenAI attiva la Regina Rossa: deve fermare ChatGPT
OpenAI varca la nuova frontiera della salute e vuole i tuoi dati
Fuga da OpenAI, Google e Meta. La piccola Periodic Labs fa incetta di cervelloni
Le contraddizioni che hanno convinto la giudice Wang
Le dichiarazioni di OpenAI hanno avuto un effetto boomerang. Inizialmente l’azienda aveva indicato il “non utilizzo” come ragione della cancellazione. In seguito ha sostenuto che tutte le motivazioni dovessero essere coperte da privilegio avvocato-cliente, affermando che non si potevano fornire ulteriori dettagli.
La giudice Wang ha respinto questa linea difensiva con una motivazione netta: non è possibile sostenere che un dato motivo sia allo stesso tempo pubblico e coperto da segreto legale. “Non potete definire il ‘non utilizzo’ come una ragione e allo stesso tempo dire che la ragione è privilegiata”, ha osservato la magistrata, in una delle frasi più taglienti della sua decisione.
La sentenza obbliga OpenAI a consegnare entro l’8 dicembre tutti i messaggi interni legati alla cancellazione degli archivi e tutte le conversazioni in cui compare LibGen. Una richiesta pesante, soprattutto perché molte di queste comunicazioni erano state oscurate proprio invocando il privilegio legale.
Il caso dei canali Slack e la strategia che non regge
L’analisi dei messaggi Slack ha fatto emergere dettagli che potrebbero rivelarsi fondamentali. Un canale chiamato “excise-libgen” venne rinominato in “project-clear” su suggerimento del legale interno Jason Kwon. Secondo la giudice, queste conversazioni non sembrano affatto richieste di consulenze legali. “Palesemente prive di qualsiasi richiesta di consulenza”, ha scritto Wang, sottolineando che i legali intervenivano raramente.
La questione è centrale perché un eventuale tentativo di nascondere o rietichettare operazioni relative a materiale pirata potrebbe essere interpretato come comportamento consapevole e quindi aggravante. E questo spiega perché la causa sta assumendo un valore simbolico ben oltre i confini della singola azienda.
Le possibili conseguenze economiche e il precedente Anthropic
Dimostrare l’intenzionalità della violazione significherebbe aprire la strada a sanzioni devastanti. Gli autori temono che OpenAI possa aver cancellato i dataset non per “non utilizzo”, ma per timore di ripercussioni, oppure che gli stessi materiali siano stati reimpiegati sotto altre etichette per aggirare il problema.
La giudice Wang ha inoltre contestato la ricostruzione fatta da OpenAI di una precedente sentenza nel caso Anthropic. L’azienda aveva sostenuto che il giudice William Alsup avesse considerato legittimo utilizzare copie pirata se finalizzate all’addestramento. Wang ha definito quella interpretazione “grossolanamente distorta”: Alsup aveva invece messo in dubbio che lo scraping da siti pirata potesse mai essere giustificato, soprattutto quando gli stessi libri erano disponibili legalmente.
La testimonianza chiave di Dario Amodei
Un tassello importante potrebbe arrivare da Dario Amodei, oggi CEO di Anthropic ma ex dipendente di OpenAI. Secondo i querelanti, Amodei avrebbe svolto un ruolo diretto nella creazione dei dataset incriminati. A marzo il tribunale ha accolto la richiesta di ascoltarlo. “Amodei è in possesso di informazioni critiche”, sostengono gli autori. OpenAI ha annunciato ricorso, ma la decisione potrebbe comunque rafforzare la posizione dei querelanti.
Link utili:
OpenAI desperate to avoid explaining why it deleted pirated book datasets – Ars Technica
NYC judge: OpenAI must turn over communication with lawyers about deleted databases
