Imagine descobrir que o seu chefe, nos bastidores, descreveu o produto que ele mesmo vende como “roubo”. Não um roubo qualquer: “o maior roubo de trabalho da história da humanidade”. Foi exatamente isso que aconteceu com a Microsoft.

Documentos judiciais desselados na terça-feira (17 de setembro de 2026) no processo do New York Times contra OpenAI e Microsoft revelaram o que executivos dessas empresas diziam a portas fechadas sobre o scraping massivo de conteúdo usado para treinar modelos de IA. E o contraste entre o discurso público (“fair use, inovação, progresso”) e o que escreviam em memos internos é, no mínimo, constrangedor.

Brent Hecht e o memo que ninguém deveria ter visto

O protagonista dessa história é Brent Hecht, Diretor de Ciência Aplicada da Microsoft. Em janeiro de 2023, Hecht escreveu um memo interno onde descreveu o scraping de dados para treinar modelos de IA como “um roubo impressionante de proporções sem precedentes” e, na frase que virou manchete mundial, “o maior roubo de trabalho da história da humanidade”.

Preste atenção na data: janeiro de 2023. O ChatGPT tinha acabado de explodir (novembro de 2022). A corrida pelo treinamento de modelos já estava a todo vapor. E um dos próprios executivos da empresa que investiu bilhões na OpenAI estava, internamente, chamando o processo inteiro de roubo.

Não foi uma conversa informal no café. Foi um documento escrito, formal, que circulou internamente na Microsoft. E agora, três anos depois, está nos autos de um processo judicial.

O “doom loop” que Hecht previu (e que está acontecendo)

Um ano depois do primeiro memo, em janeiro de 2024, Hecht produziu uma apresentação interna onde cunhou o termo “doom loop” para descrever o que acontece quando modelos de IA destroem as fontes de dados que os alimentam.

A lógica é simples e devastadora:

1. Modelos de IA são treinados com conteúdo de publishers (jornais, blogs, revistas)
2. IA gera respostas que substituem a necessidade de visitar esses sites
3. Publishers perdem tráfego, receita publicitária e assinaturas
4. Publishers reduzem equipe, produzem menos conteúdo de qualidade
5. Modelos perdem acesso a conteúdo novo e bom para treinamento
6. A qualidade dos modelos cai
7. Todo mundo perde

Hecht não usou meias palavras. Ele disse que isso “prejudicaria o desempenho dos nossos modelos e de toda a web ao mesmo tempo”. Um executivo da Microsoft, falando sobre o produto da Microsoft, usando a palavra “prejudicar”.

Project Mango: 160 mil obras num dataset compartilhado

Os documentos desselados revelam detalhes sobre projetos internos de compartilhamento de dados entre Microsoft e OpenAI que poucos conheciam. O mais notável é o Project Mango.

O Project Mango foi uma iniciativa conjunta onde a Microsoft forneceu dados à OpenAI para treinamento de modelos. O dataset resultante continha pelo menos 160.903 obras únicas de publishers de notícias. Não estamos falando de tweets ou posts de Reddit: são artigos completos, reportagens investigativas, análises de mercado, conteúdo premium que custou tempo, dinheiro e trabalho humano para ser produzido.

Mas o Project Mango não estava sozinho. Existia também o Project Taxi, outro pipeline de compartilhamento de dados entre as duas empresas. Na direção oposta, a OpenAI entregou todo o dataset de treinamento do GPT-3 para a Microsoft, que o usou para avaliar como implementar os modelos da OpenAI em seus próprios produtos comerciais.

Os números que os documentos revelam

Os novos filings colocaram números concretos no que antes era especulação:

• 91.692 cópias de obras publicadas pelo New York Times, Daily News e Center for Investigative Reporting foram encontradas nos datasets de mid-training da OpenAI
• Mais de 2 milhões de documentos do domínio nytimes.com apareceram em um dataset derivado do Common Crawl
• 160.903 obras únicas de publishers no dataset do Project Mango

Para contextualizar: o New York Times publica cerca de 150 a 200 matérias por dia. Dois milhões de documentos representam décadas de produção jornalística. Tudo copiado, indexado e usado para treinar um modelo que agora compete diretamente com eles.

Bypass de paywall e remoção de copyright

Talvez o detalhe mais juridicamente explosivo dos documentos seja a descrição de como a Microsoft e a OpenAI obtiveram esse conteúdo. Segundo os filings:

• Bypass de paywalls: as empresas contornaram paywalls de forma não detectável para acessar conteúdo premium que só era disponível para assinantes pagos
• Scraping via Bing Index: a Microsoft usou seu próprio índice de busca (Bing) para extrair e montar datasets de treinamento
• Remoção deliberada de avisos de copyright: os processos de preparação de dados deliberadamente removiam avisos de direitos autorais dos textos antes de incluí-los nos datasets de treinamento

Pense nisso por um segundo. Não foi acidente. Não foi um crawler que “sem querer” ignorou robots.txt. Foi um processo deliberado, com etapas específicas para contornar proteções e apagar rastros de autoria.

A parte do Bing é especialmente irônica. A Microsoft possui um dos maiores motores de busca do mundo. Ela indexa bilhões de páginas diariamente para oferecer resultados de pesquisa. E usou essa infraestrutura, construída para servir os publishers, como pipeline de dados para treinar uma IA que compete diretamente com eles. É como um carteiro que usa o acesso à sua casa para copiar seus documentos.

Se você é dev e já lidou com termos de uso de APIs, sabe que até fazer um scraping ingênuo de um site comercial pode gerar um cease-and-desist. Agora imagine fazer isso em escala industrial, de forma automatizada, com paywalls sendo contornados programaticamente. E, para completar, apagando sistematicamente qualquer indicação de que o conteúdo tinha dono.

# Pseudocódigo do que os filings descrevem (simplificado)
for article in bing_index.crawl(publishers):
    content = bypass_paywall(article.url)
    content = strip_copyright_notices(content)
    content = remove_author_attribution(content)
    training_dataset.append(content)

# 160.903 obras depois...
model.train(training_dataset)
model.sell_api_access(price="$20/month")

Claro, ninguém publicou esse código. Mas é essencialmente o que os documentos descrevem: um pipeline automatizado para converter trabalho jornalístico protegido em dados de treinamento “limpos”.

O discurso público vs. o memo interno

Esse é o coração da história, e é o que faz ela ser tão relevante para quem trabalha com tecnologia.

O que a Microsoft e a OpenAI disseram publicamente:

• “O treinamento de modelos com dados da web é fair use”
• “Estamos democratizando o acesso à informação”
• “Nossos modelos criam valor, não destroem”

O que Brent Hecht escreveu internamente:

• “O maior roubo de trabalho da história da humanidade”
• “Roubo impressionante de proporções sem precedentes”
• “Vai prejudicar nossos modelos e toda a web”

E não é só a Microsoft. Os documentos mostram que a liderança da OpenAI também reconheceu internamente que seus modelos representavam uma “ameaça existencial” aos publishers e jornalistas cujo trabalho alimentou o treinamento.

Existencial. Não “desafio de mercado”. Não “disrupção saudável”. Ameaça existencial. Essa é a linguagem que usavam a portas fechadas enquanto, publicamente, falavam de “parceria com a indústria editorial”.

O DOJ entrou no jogo (e escolheu um lado)

Em um desenvolvimento que pode parecer estranho para quem está de fora, o Departamento de Justiça dos EUA (DOJ) entrou no processo e se posicionou a favor da OpenAI. O DOJ argumentou que, de modo geral, treinar modelos de IA com texto protegido por copyright não constitui infração de direitos autorais.

Esse posicionamento do governo americano pode definir os rumos de toda a indústria de IA. Se o tribunal concordar, cria-se um precedente que essencialmente legaliza o scraping massivo de conteúdo para treinamento de modelos, independentemente de paywalls, termos de uso ou avisos de copyright.

Para devs que constroem produtos com IA, isso é ao mesmo tempo um alívio e um alerta. Alívio porque remove incerteza jurídica sobre o uso de modelos pré-treinados. Alerta porque o precedente pode ser aplicado contra o seu próprio código open-source de maneiras que você não imagina.

A timeline que os documentos revelam

Quando você monta a cronologia dos eventos, o quadro fica ainda mais claro:

Observe a sequência: em janeiro de 2023, o mesmo mês em que Hecht chamava o scraping de roubo, a Microsoft fechou um investimento de US$ 10 bilhões na OpenAI. Os executivos sabiam o que estavam financiando. Escreveram sobre isso. E assinaram o cheque mesmo assim.

Isso não é hipocrisia ingênua. É uma decisão calculada: “sabemos que é problemático, mas o upside financeiro justifica o risco jurídico”. E, sejamos honestos, até agora essa aposta tem se mostrado correta. O market cap da Microsoft subiu mais de US$ 1 trilhão desde o início da parceria com a OpenAI.

O que muda para quem é dev

Se você trabalha com IA ou consome APIs de modelos como GPT, Claude ou Gemini, essa história tem implicações diretas:

1. Seu código open-source pode estar no próximo dataset

Se conteúdo protegido por copyright e trancado atrás de paywalls foi raspado sem permissão, imagine o que acontece com repositórios públicos no GitHub. Spoiler: já aconteceu. O caso GitHub Copilot vs. developers teve desfecho similar, e os modelos code-gen de hoje foram treinados com bilhões de linhas de código open-source sem consentimento explícito dos autores.

2. A qualidade dos modelos tem prazo de validade

O “doom loop” de Hecht não é teoria. Se os publishers que produzem conteúdo de qualidade falirem (e muitos já fecharam), os modelos vão treinar com… o quê? Conteúdo gerado por IA? Já existe um nome para isso: model collapse. Quando modelos treinam com output de outros modelos, a qualidade degrada exponencialmente a cada geração.

3. Licenciamento de dados é o próximo grande mercado

A tendência já começou. Reddit fechou acordo de US$ 60 milhões com o Google. Stack Overflow licenciou seus dados para a OpenAI. O New York Times preferiu processar. Em dois a três anos, “Data Licensing” vai ser uma linha de receita tão comum quanto SaaS ou publicidade em empresas de conteúdo.

Por que isso importa mais do que parece

É tentador olhar para essa história como “mais uma briga de copyright entre grandes empresas”. Mas ela expõe algo mais profundo sobre como a indústria de IA foi construída.

O modelo de negócio da IA generativa atual é fundamentado em uma premissa simples: pegar o trabalho de outras pessoas, processar em escala, e vender o resultado. Quando um executivo da própria Microsoft chama isso de “o maior roubo de trabalho da história”, não é exagero hiperbólico. É alguém de dentro descrevendo o mecanismo central do negócio.

Para quem trabalha com tecnologia, a pergunta que fica é: você está OK com isso? Não existe resposta certa. Eu uso modelos de IA todos os dias. Provavelmente este texto foi parcialmente informado por modelos treinados com conteúdo raspado. A contradição é real e não tem solução fácil.

O que os documentos da Microsoft deixam claro é que as empresas sabiam disso desde o início. Sabiam que estavam construindo em cima do trabalho alheio. Sabiam que isso causaria dano. E seguiram em frente porque o incentivo financeiro era grande demais para recuar.

Pelo menos agora temos as provas nos autos de um processo judicial. E aí, a próxima vez que alguém defender “fair use” no treinamento de IA, a gente pode responder: “até a Microsoft discorda… pelo menos quando ninguém está olhando.”

Fonte de inspiração: Microsoft exec called AI scraping ‘the largest theft of labor in human history,’ new unredacted filings reveal (TechCrunch)