La demanda por derechos de autor contra OpenAI expone un bucle fatal dentro de la economía de la IA
OpenAI enfrenta un conflicto más agudo después de que una presentación judicial desprecintada revelara advertencias internas sobre los fundamentos económicos de su tecnología. La demanda por derechos de autor contra OpenAI ahora contiene discusiones sobre “robo”, sustitución, colapso del tráfico de referencia y un “bucle fatal” impulsado por la IA.
Esas palabras aparecen en materiales citados por los editores que buscan un juicio sumario contra OpenAI y Microsoft. Un juicio sumario permite a un tribunal resolver reclamaciones sin juicio cuando los hechos materiales no están realmente en disputa. La presentación no establece que ninguna de las dos empresas haya cometido una infracción de derechos de autor.
Sin embargo, complica su defensa pública. OpenAI y Microsoft sostienen que el entrenamiento de modelos transforma el material de origen y constituye un uso legítimo. Los editores argumentan que los productos resultantes copian su trabajo, compiten con él y debilitan el mercado que sostiene el periodismo futuro.
Este conflicto es mayor que una disputa sobre datos de entrenamiento. Las discusiones internas describen un sistema que depende de la publicación humana mientras desvía la atención de los editores que la producen. Si ese mecanismo persiste, los modelos y su suministro de información podrían deteriorarse juntos.
La demanda por derechos de autor contra OpenAI acaba de incorporar un nuevo expediente
El cambio más importante no es una nueva acusación, sino la divulgación pública de pruebas internas antes ocultas por tachaduras.
Las organizaciones de noticias presentaron el material parcialmente desprecintado el 17 de septiembre de 2026. Forma parte de un litigio consolidado en el Distrito Sur de Nueva York ante el juez Sidney H. Stein.
El proceso reúne reclamaciones de The New York Times y otros editores contra OpenAI y Microsoft. Los editores sostienen que las empresas copiaron artículos protegidos durante la adquisición, el entrenamiento, la recuperación y la generación de resultados.
Los pasajes recién visibles incluyen documentos internos, mensajes y testimonios de deposición. Describen desacuerdos dentro de ambas empresas sobre consentimiento, compensación, sustitución de mercado y el futuro suministro de información en línea.
Un documento de Microsoft predijo que millones de personas considerarían que los grandes modelos que absorben su trabajo constituyen una forma extraordinaria de robo. Según informes, el científico aplicado de Microsoft Brent Hecht lo describió como potencialmente el mayor robo de trabajo en la historia de la humanidad.
Ese lenguaje exige una interpretación cuidadosa. Procedía de un empleado individual o de un análisis interno, no de una determinación judicial ni de una admisión corporativa formal de infracción. Microsoft afirma que Hecht fue contratado en parte para presentar perspectivas poco convencionales y contrapuestas.
La presentación desprecintada sigue siendo relevante porque registra inquietudes dentro de las organizaciones que construyen y distribuyen estos sistemas. Esas inquietudes se parecen mucho a los argumentos que los editores han planteado públicamente.
Los ejecutivos de OpenAI también discutieron el riesgo de que sus productos sustituyeran las visitas a las fuentes originales. Según informes, Nick Turley, quien dirigía el desarrollo de productos de ChatGPT, escribió en 2023 que la IA representaba una amenaza existencial para los editores.
En un mensaje posterior, Turley habría dicho que los productos de OpenAI ya eran en gran medida sustitutivos. Esperaba que esa sustitución aumentara a medida que los productos mejoraran.
El CEO de Microsoft, Satya Nadella, también declaró sobre la sustitución de visitas a editores por conversaciones con chatbots, según la presentación. Microsoft sostiene que sus observaciones generales sobre el cambio en el consumo no resuelven las cuestiones de derechos de autor ante el tribunal.
La presentación también describe esfuerzos técnicos que presuntamente obtuvieron o intercambiaron grandes colecciones de material en línea. Según información legal, el Proyecto Taxi de Microsoft proporcionó a OpenAI una colección con miles de millones de páginas web recopiladas para Bing.
Otro esfuerzo, denominado Proyecto Mango, presuntamente implicó que OpenAI pagara a Microsoft para operar un rastreador. Un rastreador es un software que visita automáticamente páginas web y copia su contenido para indexarlo o procesarlo.
Los editores caracterizan estos acuerdos como prueba de adquisición y distribución a escala industrial. Los demandados cuestionan las conclusiones jurídicas de los editores y sostienen que el entrenamiento es transformador.
El tribunal debe separar el lenguaje interno provocador de la prueba que satisface cada elemento de la legislación sobre derechos de autor. Esa tarea abarcará qué se copió, por qué se copió y si los productos resultantes dañaron los mercados pertinentes.
Aun así, el lenguaje cambia la comprensión pública de la disputa. Muestra que la sustitución y el perjuicio a los editores no eran meras críticas externas. Las personas que trabajaban cerca de los productos examinaban la misma posibilidad.
Por qué las cifras de tráfico de Bing elevan la importancia del caso
La evidencia de tráfico convierte una disputa abstracta sobre derechos de autor en un argumento medible sobre quién captura el valor de la información en línea.
La presentación de los editores cita datos de Microsoft que muestran una caída del 83% al 93% en las tasas de clics para contenido de Times y Daily News. Según informes, los dominios de Ziff Davis experimentaron descensos de entre el 51% y el 94%.
Una tasa de clics mide con qué frecuencia alguien sigue un resultado hasta su fuente después de verlo. Las tasas más bajas no prueban automáticamente una infracción de derechos de autor, causalidad o pérdida de ingresos. Sí revelan cómo las interfaces de respuestas pueden alterar el comportamiento de la audiencia.
La búsqueda tradicional crea un intercambio. Los editores permiten que sus páginas sean indexadas, los motores de búsqueda muestran fragmentos y los usuarios visitan los sitios web de origen. Los editores pueden entonces vender suscripciones, publicidad, membresías, eventos u otros servicios.
La búsqueda generativa cambia ese intercambio cuando presenta una respuesta sintetizada antes del enlace a la fuente. Los usuarios pueden obtener suficiente información de la interfaz y dejar de buscar. Una mejor ubicación de las citas no puede garantizar una visita.
Según informes, un ingeniero de OpenAI reconoció que los usuarios podrían no seguir los enlaces, independientemente de su prominencia. Esa observación respalda la teoría de sustitución de los editores de manera más directa que la crítica general al entrenamiento de modelos.
La distinción importa. El entrenamiento se refiere a lo que entra en un modelo, mientras que la sustitución se refiere a lo que ocurre cuando el modelo compite por el mismo lector. Un tribunal podría evaluar esos usos de manera diferente conforme a la legislación sobre derechos de autor.
El cuarto factor del uso legítimo examina los posibles efectos sobre el mercado de la obra protegida. No es el único factor, pero la evidencia de sustitución directa podría tener un peso considerable en ese análisis.
La presentación también describe un supuesto “truco” interno para sortear el muro de pago de The New York Times. Según informes, Greg Brockman respondió favorablemente cuando se discutió el método.
Ese relato merece cautela porque su importancia jurídica depende del contexto. Importa si el método accedió a texto protegido, apoyó pruebas, afectó productos o representó un experimento pasajero.
OpenAI también ha acusado al Times de utilizar prompts artificiales diseñados para generar resultados inusualmente similares. La empresa sostiene que los usuarios ordinarios no interactúan con ChatGPT de la misma manera.
Estas versiones contrapuestas plantean una cuestión probatoria central. El tribunal debe determinar si la sustitución es un caso excepcional producido para el litigio o una capacidad previsible del producto.
Los datos de tráfico pueden ofrecer una señal más amplia porque se refieren al comportamiento de la audiencia, no a prompts seleccionados. Sin embargo, los porcentajes citados por sí solos no revelan todas las líneas de base, tipos de consultas, cambios de interfaz o periodos de medición pertinentes.
Microsoft afirma que Copilot no sustituye al periodismo de los editores. Su portavoz también declaró que las observaciones de Nadella sobre el consumo de información siguen siendo coherentes con la posición jurídica de la empresa.
Esa defensa separa el cambio económico de la responsabilidad jurídica. Una tecnología puede reducir las referencias sin infringir derechos de autor, del mismo modo que un competidor legal puede quitar cuota de mercado a una empresa establecida.
Los editores responden que la competencia no es independiente. Afirman que los demandados copiaron el mismo periodismo que sus productos resumen, reproducen y utilizan para retener lectores.
Por eso las cifras de Bing importan más allá de un solo editor. Sugieren una posible transferencia de atención desde los sitios web de origen hacia las plataformas que utilizan esas fuentes.
Para publicaciones independientes, redacciones locales y sitios web especializados, una fuerte caída de referencias puede afectar las decisiones de contratación y cobertura. También puede reducir el volumen de material original disponible para futuros modelos.
El bucle fatal de OpenAI convierte a los editores en proveedores no remunerados
El análisis interno del bucle fatal identifica una contradicción estructural: los productos de IA necesitan contenido autorizado mientras debilitan los negocios que financian su creación.
El documento de Microsoft citado describe un producto final que amenaza los fundamentos económicos de sus proveedores esenciales. Califica a esos editores como parte de la cadena de suministro de contenido para los LLM.
Un modelo de lenguaje grande, o LLM, predice y genera lenguaje después de aprender relaciones estadísticas en grandes colecciones de texto. Su utilidad depende en parte de la relevancia, diversidad y fiabilidad de esas colecciones.
Las organizaciones de noticias producen una categoría distinta de material de origen. Los periodistas asisten a procedimientos, realizan entrevistas, examinan registros, verifican afirmaciones y corrigen errores. Ese trabajo crea información que antes no existía en línea.
Un sistema de IA puede resumir el artículo resultante en segundos. No puede realizar retrospectivamente la labor periodística necesaria para producir los hechos subyacentes.
El bucle fatal comienza cuando los productos de IA ingieren o recuperan esa información. Luego presentan su información más valiosa mediante una interfaz separada.
Los lectores reciben respuestas sin visitar al editor original. El editor pierde atención, ingresos, datos de comportamiento y posibles relaciones con suscriptores.
La reducción de ingresos puede conducir a menos periodistas y una cobertura más limitada. Eso deja menos fuentes originales para los motores de búsqueda, los chatbots y futuros ciclos de entrenamiento.
Los modelos podrían depender entonces cada vez más de resúmenes derivados, información reciclada, material promocional o texto sintético. La precisión y la diversidad pueden disminuir a medida que se reduce el suministro de información verificada de forma independiente.
No se trata simplemente de una disputa entre medios tradicionales y nueva tecnología. Es una cuestión sobre si el mercado de la información recompensa el descubrimiento o solo la distribución.
Las plataformas tienen grandes ventajas en la distribución. Controlan la interfaz, el sistema de recomendaciones, el modelo y la relación con el usuario. Los editores suelen asumir el costo de producir los hechos mostrados dentro de ese entorno.
Las licencias ofrecen una posible corrección. OpenAI ha firmado acuerdos de contenido con varios editores y sostiene que la IA puede ayudar a las redacciones a llegar a audiencias y crear nuevos productos.
Las licencias también plantean preguntas difíciles. Los grandes editores pueden negociar desde una posición más sólida que los medios locales, los trabajadores independientes o los pequeños sitios especializados. Los acuerdos privados pueden mantener intacto el desequilibrio más amplio del mercado.
Los mecanismos de exclusión presentan otra opción. OpenAI afirma que los editores pueden controlar si sus rastreadores acceden al contenido para funciones de entrenamiento o búsqueda.
Sin embargo, excluirse puede ser comercialmente doloroso cuando las interfaces de IA se convierten en importantes canales de descubrimiento. Un editor puede tener que elegir entre ceder acceso a su contenido y desaparecer de un sistema de distribución relevante.
Esa elección se parece a la relación anterior entre los editores y las plataformas de búsqueda, pero las respuestas generativas elevan lo que está en juego. Tradicionalmente, la búsqueda dirige hacia fuera, mientras que las interfaces de chat están diseñadas para completar internamente la tarea informativa.
El bucle también afecta a los usuarios empresariales. Las compañías dependen cada vez más de resúmenes generados por IA sobre regulaciones, mercados, competidores y avances técnicos. Una procedencia débil de las fuentes puede dificultar la auditoría de esos resúmenes.
Una base de conocimiento de IA bien gestionada puede preservar el contexto de las fuentes dentro de una organización. No puede reparar la economía más amplia de la información original.
Por tanto, el problema se extiende del copyright a la infraestructura de información. Si la web contiene menos fuentes primarias, todos los sistemas de recuperación tendrán menos material fiable que recuperar.
La advertencia interna resulta llamativa porque trata la salud de los editores como una dependencia del rendimiento de los modelos. Enmarca el periodismo no solo como contenido, sino como infraestructura previa para la IA.
Ese enfoque cuestiona la suposición de que la información en línea es una materia prima ilimitada. El suministro debe renovarse continuamente mediante personas e instituciones con recursos para investigar el mundo.
Las advertencias internas no son admisiones legales de robo
La presentación expone preocupaciones serias, pero los tribunales determinan la responsabilidad por copyright mediante pruebas y criterios legales, no descripciones dramáticas en mensajes internos.
Calificar el material como una admisión de robo condensa varias cuestiones distintas. La infracción de copyright es una reclamación civil, mientras que el robo suele referirse a la apropiación de propiedad dentro de otro marco jurídico.
La metáfora de un empleado no vincula automáticamente a una empresa. Tampoco una predicción sobre la percepción pública demuestra que determinadas copias quedaran fuera del uso legítimo.
Los editores aún deben demostrar titularidad protegida, copia susceptible de reclamación y la conducta relevante de cada demandado. OpenAI y Microsoft pueden entonces presentar defensas aplicables a etapas y usos concretos.
El uso legítimo considera el propósito, la naturaleza de la obra original, la cantidad utilizada y los efectos sobre el mercado. Los tribunales valoran esos factores en conjunto, en vez de aplicar una regla mecánica.
OpenAI sostiene que el entrenamiento de modelos identifica patrones y produce un sistema con nuevas funciones. También afirma que las salvaguardas desalientan la reproducción y que los modelos aportan amplios beneficios públicos.
En su respuesta a la demanda, OpenAI señala que dos decisiones federales de California consideraron los usos de entrenamiento en otros casos como altamente transformativos. Esas resoluciones no resolvieron este litigio de Nueva York.
Los hechos pueden variar entre conjuntos de datos, métodos de adquisición, resultados y mercados. Un uso que transforma libros en parámetros de modelo aún puede plantear cuestiones separadas sobre adquisición pirata o resultados competidores.
Los editores enfatizan que los sistemas no operan únicamente en la fase de entrenamiento. Pueden recuperar artículos actuales, resumirlos, reproducir pasajes y responder las mismas preguntas que llevaban a los lectores a los editores.
Esa distinción podría separar el aprendizaje lícito de un despliegue presuntamente perjudicial. El tribunal podría analizar la adquisición, el entrenamiento, la fundamentación mediante recuperación y la generación de resultados como actos diferentes.
Microsoft también cuestiona el peso asignado a los documentos de Hecht. La empresa afirma que era un investigador académico sin autoridad para tomar decisiones y que se esperaba que planteara perspectivas asimétricas.
Esa explicación no borra su análisis. Sí limita la afirmación de que los documentos representaban una posición final de Microsoft.
Del mismo modo, la preocupación de un ejecutivo de OpenAI por la sustitución de los editores puede describir un riesgo empresarial en lugar de reconocer una infracción. La sustitución es relevante para el uso legítimo, pero no resuelve por sí sola todos los factores.
Los demandados también cuentan con respaldo del gobierno federal. El Departamento de Justicia argumentó que el entrenamiento de modelos puede servir a importantes intereses públicos e instó al tribunal a rechazar una teoría categórica de infracción.
Según la presentación del gobierno, el departamento advirtió que una resolución adversa amplia podría impedir el progreso científico y económico. Esa intervención refuerza el argumento de política pública a favor de la posición de OpenAI.
Sin embargo, el beneficio público no crea una exención ilimitada del copyright. El tribunal debe determinar cómo se aplica la legislación vigente a conductas específicas, incluida la supuesta adquisición desde fuentes no autorizadas.
El caso también sigue incompleto desde el punto de vista procesal. Una moción de juicio sumario presenta los hechos y conclusiones jurídicas propuestos por una parte. Las respuestas, contradeclaraciones, pruebas y conclusiones judiciales pueden cambiar materialmente el panorama.
Algunos detalles permanecen sellados, mientras que otros carecen de suficiente contexto para una interpretación segura. Los titulares que tratan cada frase como una confesión corporativa corren el riesgo de exagerar lo que el expediente demuestra actualmente.
Una conclusión más precisa sigue siendo trascendental. Los participantes internos reconocieron el riesgo de que los productos de IA sustituyeran a los editores, redujeran las referencias y debilitaran su propio suministro de información.
Las empresas pueden prevalecer legalmente mientras esa advertencia económica sigue siendo válida. El uso legítimo determina el permiso legal, no si la estructura de mercado resultante sostiene una web saludable.
El conflicto real es la sustitución mediante IA frente a una web sostenible
La disputa principal enfrenta las respuestas de IA sin fricción con la financiación continua del trabajo humano del que dependen esas respuestas.
OpenAI presenta la IA generativa como una herramienta transformadora con amplios beneficios. Sus modelos ayudan a los usuarios a analizar información, escribir software, estudiar temas difíciles y realizar trabajo de conocimiento.
Los editores no sostienen que todos esos usos deban desaparecer. Su caso se centra en cómo los sistemas obtuvieron material protegido y en si sus resultados compiten con los originales.
Los nuevos documentos reúnen esas dos capas. Sugieren que personas dentro de OpenAI y Microsoft entendían la sustitución como una característica prevista o inevitable de productos en mejora.
Un mejor chatbot debería responder más preguntas de forma completa. Desde la perspectiva del usuario, esa mejora reduce la necesidad de abrir páginas adicionales.
Desde la perspectiva de la plataforma, mantener la interacción dentro de su interfaz fortalece la retención. Desde la perspectiva del editor, ese mismo éxito elimina oportunidades de generar ingresos.
Por tanto, los incentivos siguen desalineados incluso cuando las citas son precisas. Una respuesta perfectamente atribuida aún puede satisfacer al usuario antes de que se produzca un clic.
Este conflicto aparece en toda la industria de la IA. Google incorpora resúmenes generativos en la búsqueda, mientras que otros motores de respuestas sintetizan páginas web en respuestas directas.
Anthropic y otros desarrolladores de modelos enfrentan preguntas similares sobre materiales de entrenamiento y resultados. Distintas empresas utilizan diferentes conjuntos de datos, licencias, rastreadores web y salvaguardas de producto.
La comparación no excusa la conducta de ningún demandado. Muestra por qué las reglas jurídicas finales influirán en un mercado entero, en lugar de en una sola asociación.
Si los tribunales protegen ampliamente el entrenamiento pero restringen los resultados sustitutivos, las empresas de IA podrían invertir más en controles de recuperación y licencias. También podrían distinguir con mayor claridad el desarrollo de modelos de la entrega de contenido.
Si los tribunales protegen tanto el entrenamiento como la generación de respuestas, los editores necesitarán una mayor capacidad de negociación comercial fuera de los litigios de copyright. Las posibles respuestas incluyen licencias colectivas, controles de acceso, suscripciones directas e intervención legislativa.
Si los editores ganan bajo varias teorías, los desarrolladores de modelos podrían enfrentar daños, conjuntos de datos más limitados o nuevos requisitos de permiso. Los efectos económicos dependerían de cómo traten las reparaciones a los modelos ya entrenados.
El litigio también expone un problema de calidad de los datos. Los desarrolladores de modelos tienen incentivos para adquirir grandes cantidades de texto, pero no necesariamente para sostener a cada institución que lo produce.
Los acuerdos de licencia pueden alinear parcialmente esos incentivos. El reparto de ingresos vinculado al uso real podría alinearlos más estrechamente, aunque la medición y la atribución siguen siendo técnicamente difíciles.
Los editores también necesitarían transparencia sobre cuándo su material sustenta una respuesta. Los proveedores de modelos necesitarían sistemas que rastreen fuentes sin exponer datos privados ni infraestructura propietaria.
El lenguaje interno de “cadena de suministro de contenido” ofrece un punto de partida útil. Las cadenas de suministro suelen implicar contratos, estándares de calidad, trazabilidad y pagos.
Gran parte de la web pública se desarrolló bajo normas más laxas. Cualquiera podía enlazar, citar dentro de los límites legales e indexar páginas mientras enviaba lectores de vuelta a las fuentes.
Las interfaces generativas alteran ese equilibrio porque pueden reconstruir el valor de muchas páginas en una sola respuesta. El resultado es conveniente precisamente porque elimina pasos del recorrido del lector.
La conveniencia es un beneficio social real. También lo son la competencia, el acceso a la investigación y las nuevas herramientas creativas. La cuestión es quién absorbe el coste de producir material fuente fiable.
Una respuesta sostenible no puede depender enteramente de que los usuarios hagan clic voluntariamente en las citas después de recibir todo lo que necesitan. Debe conectar el éxito del producto con la inversión continua en conocimiento previo.
El bucle fatal de OpenAI da a ese problema un nombre memorable. El mecanismo subyacente importa más que la expresión.
Tres señales mostrarán si el bucle fatal se profundiza
La próxima etapa revelará si los tribunales, los productos y los acuerdos comerciales pueden reconectar el uso de IA con las fuentes que crean su valor.
La primera señal es el tratamiento del juez Stein de las mociones de juicio sumario. Una resolución podría acotar el caso, resolver cuestiones específicas o enviar importantes disputas fácticas a juicio.
El razonamiento importará más que un simple ganador. Los lectores deberían observar si el tribunal separa la adquisición, el entrenamiento, la recuperación y los resultados como actividades jurídicamente distintas.
Una resolución centrada solo en el entrenamiento transformativo dejaría en gran medida sin resolver el problema de la sustitución. Una resolución que enfatice el daño al mercado aumentaría la presión para obtener licencias y realizar cambios de producto.
La segunda señal es el comportamiento de las referencias en los productos de búsqueda con IA. Las caídas de clics reportadas por Microsoft son considerables, pero las mediciones subyacentes necesitan un contexto más completo.
Habrá que observar si las plataformas publican datos comparables que cubran citas, clics, tipos de consulta y categorías de editores. La medición independiente será esencial porque cada parte tiene incentivos para presentar el tráfico de forma distinta.
La mejora de las tasas de clic debilitaría la versión más fuerte del argumento del bucle fatal. Las caídas continuas demostrarían que los enlaces a las fuentes por sí solos no restauran el intercambio económico.
La tercera señal es si las empresas de IA hacen que las licencias sean más sistemáticas. Los acuerdos individuales muestran que el contenido de los editores tiene valor comercial, pero los acuerdos aislados no crean un mercado duradero.
Un modelo más sólido incluiría criterios de elegibilidad transparentes, informes de uso, estándares de atribución y compensación accesible para editores más pequeños. Trataría la información reciente como infraestructura renovable en lugar de inventario gratuito.
OpenAI también puede reducir la presión aclarando los controles de los rastreadores y separando los permisos de entrenamiento de la visibilidad en las búsquedas. Los editores no deberían tener que desaparecer del descubrimiento para rechazar usos no relacionados de los modelos.
Las pruebas reveladas en la demanda por copyright contra OpenAI no demuestran que la web ya esté condenada. Sí muestran que personas internas identificaron el bucle de retroalimentación antes de que se convirtiera en un argumento jurídico público.
Ese reconocimiento eleva el estándar para la respuesta de la industria. Las empresas no pueden tratar de forma creíble el perjuicio para los editores como un efecto secundario imprevisto mientras diseñan productos en torno a respuestas completas y autosuficientes.
Los desarrolladores y compradores empresariales deberían preguntarse de dónde proceden las respuestas de la IA, si las fuentes siguen siendo accesibles y cómo gestionan los proveedores el material controvertido. Los trabajadores del conocimiento deberían conservar los documentos primarios en lugar de depender de resúmenes desvinculados.
Los editores deberían exigir métricas que conecten las respuestas con el uso de las fuentes y el valor económico. Los lectores también pueden apoyar a los medios cuyos reportajes originales aportan hechos que más tarde se repiten en toda la web.
La pregunta central ya no es si la IA generativa puede resumir el periodismo. Claramente puede hacerlo. La cuestión es si esa comodidad financia la próxima investigación o hace que sea menos probable.
Sigue las distinciones jurídicas del tribunal, las cifras de referencias de las plataformas y el alcance de los programas de licencias. En conjunto, esas señales mostrarán si el bucle de fatalidad de OpenAI está corrigiéndose o convirtiéndose en el modelo de negocio predeterminado de la web.
