Filing Baru Ungkap Microsoft Sebut Pelatihan AI sebagai Pencurian

Telset.id – Dokumen baru yang tidak disunting (unredacted) dalam gugatan hak cipta The New York Times terhadap OpenAI dan Microsoft mengungkap pengakuan bahwa praktik scraping data untuk pelatihan AI disebut sebagai “pencurian”. Gugatan yang telah berjalan tiga tahun ini kini memasuki babak baru setelah sejumlah materi internal kedua perusahaan dibuka ke publik, memperlihatkan bagaimana eksekutif puncak mereka sendiri menilai dampak produk AI terhadap industri penerbitan dan jurnalisme.

Informasi terbaru ini muncul dari brief yang diajukan The New York Times, bukan dari bukti ekshibit yang masih tertutup. Kutipan-kutipan yang tersaji pun disampaikan tanpa konteks aslinya. Meski demikian, isi filing tersebut menjadi eskalasi terbaru dalam gugatan yang awalnya menuduh kedua perusahaan melanggar hukum hak cipta karena melatih model AI generatif menggunakan konten The New York Times.

Pertanyaan apakah perusahaan AI boleh menggunakan materi berhak cipta untuk melatih AI memang belum punya jawaban pasti. Namun, hakim sejauh ini cenderung berpihak pada argumen perusahaan AI bahwa pelatihan semacam itu termasuk “fair use”. Aturan hukum ini memungkinkan penggunaan karya berhak cipta tanpa izin dalam kasus tertentu, seperti parodi, peliputan berita, atau kritik.

Pengakuan Internal dan Dampak pada Penerbit

Sejumlah pengakuan baru dalam filing ini justru berlawanan dengan pembelaan fair use OpenAI, khususnya syarat bahwa penggunaan tidak boleh menggantikan atau merugikan pasar karya asli. Data Microsoft sendiri menunjukkan bahwa mesin jawaban Copilot menyebabkan tingkat klik (click-through rate) untuk domain The New York Times turun hingga 93 persen dibandingkan pencarian Bing tradisional.

Presentasi internal Microsoft yang ditulis oleh Director of Applied Science Microsoft, Brent Hecht, pada Januari 2024 menyebut penurunan tersebut sebagai “doom loop” yang akan “merugikan performa model kami dan seluruh web pada saat yang sama”. Dokumen Microsoft itu, sebagaimana dikutip dalam filing, menyatakan: “Sangat tidak biasa bahwa produk akhir mengancam fondasi ekonomi pemasok utamanya, tetapi itulah situasi yang kami ciptakan untuk bisnis LLM kami terkait ‘rantai pasokan kontennya’.”

CEO Microsoft Satya Nadella juga bersaksi dalam deposisi awal tahun ini bahwa “apa pun yang berada di balik paywall harus dilisensikan oleh siapa pun yang ingin menggunakannya…untuk grounding atau training”. Ia juga menegaskan bahwa jika dirinya “diberi tahu bahwa OpenAI telah melakukan scraping dan pelatihan pada informasi yang berada di balik paywall”, ia akan “menggunakan hak Microsoft untuk meminta OpenAI melatih ulang modelnya”.

Pengakuan lain menyerang pilar berbeda dari uji fair use. Head of ChatGPT OpenAI, Nick Turley, menulis dalam komunikasi internal bahwa penerbit menghadapi “ancaman eksistensial” dari produk seperti chatbot, yang “sebagian besar bersifat substitutif” dan “akan semakin substitutif seiring membaiknya produk”. Presiden OpenAI Greg Brockman menyebut model-model tersebut “sangat baik untuk berita”.

Nadella sepakat di bawah sumpah awal tahun ini bahwa berbicara dengan chatbot “telah menggantikan…memberi Anda informasi langsung di situs web pada platform AI versus harus mengunjungi sumber aslinya”. Bahasa semacam itu menunjukkan bagaimana teknologi tersebut dapat bersaing langsung dengan karya asli, bukan mentransformasinya.

Sebuah dokumen Microsoft menyatakan ada “risiko nyata” bahwa AI generatif dapat “secara signifikan mengganggu pekerjaan orang-orang yang menghasilkan data yang digunakan untuk melatih model fondasi tersebut”.

Skala Penyalinan dan Upaya Melewati Paywall

Skala penyalinan yang terungkap tergolong mencolok. Dokumen-dokumen tersebut mengungkap untuk pertama kalinya bahwa dataset mid-training OpenAI saja berisi lebih dari 91.692 salinan karya yang diterbitkan oleh NYT, Daily News, dan Center for Investigative Reporting. Dataset yang berasal dari Common Crawl mencakup lebih dari 2 juta dokumen dari nytimes.com saja.

Dalam memo internal Januari 2023, Hecht menyebutnya sebagai “pencurian menakjubkan dengan proporsi yang belum pernah terjadi sebelumnya” dan “pencurian tenaga kerja terbesar dalam sejarah manusia”. Filing tersebut menjabarkan secara lebih rinci bagaimana OpenAI dan Microsoft memperoleh serta menggunakan konten para penggugat, termasuk melakukan scraping dari Bing Index.

“OpenAI menyerahkan seluruh dataset pelatihan GPT-3 kepada Microsoft, yang digunakan Microsoft untuk mengevaluasi cara mengimplementasikan model OpenAI dalam produk komersialnya sendiri,” demikian bunyi filing tersebut. “Microsoft juga memberikan data pelatihan kepada OpenAI melalui inisiatif bernama Project Taxi dan Project Mango.” Kedua perusahaan diduga menyusun data Project Mango menjadi dataset pelatihan yang berisi salinan setidaknya 160.903 karya unik dari penerbit berita.

Untuk memaksimalkan hasil scraping, karyawan OpenAI diduga menyusun rencana melewati paywall tanpa terdeteksi. Filing menunjukkan bahwa ketika peneliti OpenAI Nick Ryder memberi tahu Brockman tentang “hack untuk melewati paywall nytimes”, Brockman membalas: “ah nice”.

Karyawan OpenAI juga diduga membangun dataset pelatihan seperti WebText dan WebText2 yang secara tidak proporsional bergantung pada konten berita hasil scraping. Mereka juga diduga menarik jutaan artikel dari Common Crawl, repositori data web crawl gratis dan terbuka. Temuan tersebut juga menjabarkan upaya sengaja menghapus pemberitahuan hak cipta dari data pelatihan sebelum mencapai model, karena peneliti “tidak ingin model menampilkan” “pemberitahuan hak cipta” kepada pengguna.

OpenAI dan Microsoft tidak memberikan tanggapan atas permintaan komentar. Terkait dinamika internal Microsoft yang terus menjadi sorotan, sejumlah perkembangan lain seperti update darurat Windows 11 dan langkah perusahaan merilis perbaikan bug Patch Tuesday turut mewarnai pemberitaan seputar raksasa teknologi tersebut.

Gugatan yang telah berjalan tiga tahun ini kini bergantung pada bagaimana pengadilan menilai apakah praktik pelatihan AI dapat dikategorikan sebagai fair use. Sejumlah pengakuan internal yang baru terungkap—mulai dari istilah “pencurian” hingga data penurunan click-through rate—menjadi bahan pertimbangan yang secara langsung menyentuh syarat inti fair use, yakni ada tidaknya kerugian terhadap pasar karya asli.