Microsoft nannte KI-Scraping in internen Dokumenten den „größten Diebstahl von Arbeit der Geschichte“

Ein Microsoft-Wissenschaftler gab dem, was das Unternehmen baute, einen Namen, und dieser Name war nicht schmeichelhaft. Bei der Überprüfung, wie große Sprachmodelle aus dem offenen Internet lernen, nannte er es „den größten Diebstahl von Arbeitskraft in der Geschichte der Menschheit“. Die Zeile war für interne Augen geschrieben. Jetzt ist sie ein Gerichtsbeweisstück.

Der Satz wird als Aufhänger benutzt: der eigene Mitarbeiter des KI-Riesen, der das Geschäftsmodell als Diebstahl bezeichnet. Diese Lesart greift zu kurz. Was die entsiegelten Unterlagen tatsächlich zeigen, ist ein Unternehmen, das den Mechanismus, den es monetarisierte, verstand, diesen Mechanismus in klarer Sprache beschrieb und das Produkt trotzdem auslieferte. Das Interessante ist nicht die Beleidigung. Es ist das Diagramm darunter.

Das Dokument stammt von Brent Hecht, Microsofts Direktor für angewandte Wissenschaft, und tauchte im Urheberrechtsfall der New York Times gegen OpenAI und Microsoft auf. Hecht argumentierte, dass das Trainieren von Modellen mit veröffentlichten Werken ohne Bezahlung einem „erstaunlichen Diebstahl von beispiellosem Ausmaß“ gleichkomme. Eine separate interne Präsentation ging näher auf die Mechanismen ein: Sie warnte davor, dass Microsofts KI-Inhaltsstrategie eine „Abwärtsspirale“ ausgelöst habe, die „die Leistung unserer Modelle und des gesamten Webs gleichermaßen beeinträchtigen“ würde. Große Sprachmodelle, heißt es in einer Zeile, seien „ein Produkt, das seine eigene Lieferkette zerstört“.

Dieser letzte Satz ist die ganze Geschichte in sieben Worten. Ein Chatbot, der eine Frage im Suchfeld beantwortet, nimmt den Grund, auf die Seite zu klicken, von der er gelernt hat. Weniger Klicks bedeuten weniger Einnahmen für die Websites, die die Texte produzieren, was bedeutet, dass weniger von ihnen überleben, was bedeutet, dass es weniger frischen menschlichen Text für das nächste Modell zum Trainieren gibt. Microsoft hat diese Schleife nicht von außen theoretisiert. Die eigenen Daten haben sie gemessen: Copilots Antwortmaschine senkte die Klickraten auf die Website der Times im Vergleich zur normalen Suche um bis zu 93 Prozent.

Die Unterlagen beziffern auch die Input-Seite des Handels. OpenAIs Mid-Training-Daten enthielten mehr als 91.000 Kopien von Werken der Times, der Daily News und des Center for Investigative Reporting. Ein aus Common Crawl gezogener Datensatz umfasste über zwei Millionen Dokumente allein von nytimes.com. Eine Sammlung mit dem Label Project Mango enthielt mindestens 160.000 einzigartige Werke von Nachrichtenverlagen. Die Unterlagen beschreiben, wie Bezahlschranken umgangen und Urheberrechtsvermerke aus dem Text entfernt wurden, bevor er eingespeist wurde.

OpenAIs eigene Führungskräfte waren sich der Auswirkung bewusst. Nick Turley, der ChatGPT leitet, wird zitiert, wie er Produkte beschreibt, die für Journalismus „weitgehend ersetzend“ seien, und den Wandel als „existenzielle Bedrohung“ für Verlage bezeichnet. Es ist dieselbe Schlussfolgerung, zu der Hecht gelangte, nur unter einem anderen Jobtitel abgelegt.

Hier ist, warum die Sprache über die Peinlichkeit hinaus Bedeutung hat. Microsoft hat sich von den Äußerungen distanziert und dem Gericht mitgeteilt, dass seine tatsächliche Position das Urheberrecht einhalte, und keines der beiden Unternehmen wollte sich zu dem Leak äußern. Aber eine Fair-Use-Verteidigung hängt teilweise davon ab, was ein Unternehmen wusste und beabsichtigte. Dokumente, in denen die eigenen Wissenschaftler den Schaden benennen – Diebstahl, eine zerstörte Lieferkette, ein ausgehöhltes Web – sind keine Meinungen, die das Unternehmen einfach von sich weisen kann. Sie lesen sich als Beweis dafür, dass der Mechanismus verstanden wurde, bevor er skaliert wurde.

Das Web, von dem diese Modelle gelernt haben, wurde von Menschen aufgebaut, die davon ausgingen, dass am anderen Ende ein Leser sitzt. Microsofts Akten zeigen, dass es schriftlich wusste, dass der Leser wegkonstruiert wurde, und trotzdem weiterbaute.

Schlagwörter: OpenAI, microsoft, AI training data, Brent Hecht, copyright lawsuits, The New York Times