Co se vlastně stalo
V americkém sporu o autorská práva, který proti Microsoftu a OpenAI vede deník The New York Times, New York Daily News a dalších deset vydavatelství, se odtajnila část interních dokumentů. Podle reportáže magazínu Truthout z nich plyne, že lidé uvnitř obou firem si byli dobře vědomi rizika, že trénink velkých jazykových modelů na novinářských textech může znamenat zásadní problém pro celé vydavatelství.
Klíčová věta z žaloby zní tvrdě: Microsoft a OpenAI „nerozporují, že důvodem, proč jsou ChatGPT a Copilot ‚dobří ve zprávách', je to, že byly trénované na ukradeném zpravodajském obsahu". Právě ChatGPT a Copilot přitom zná i běžný český uživatel — oba nástroje fungují v češtině a na českém trhu jsou volně dostupné.
1,8 milionu článků a licenční smlouva
Konkrétní číslo, které ze soudního spisu vyplývá, je 1,8 milionu. Tolik starších textů deníku The New York Times z let 1987 až 2007 měla OpenAI dodat do tréninku modelu. Šlo o takzvaný Annotated Corpus — datovou sadu, jejíž licenční podmínky výslovně povolují pouze „nekomerční" využití pro technologický vývoj.
Tady je dobré si vysvětlit, jak takový trénink vůbec funguje. Jazykový model se neučí texty „číst" jako člověk, ale statisticky: projde obrovské množství vět a naučí se, které slovo s jakou pravděpodobností následuje po jiném. Kvalita odpovědí pak závisí na tom, co všechno model viděl. Novinářské články jsou pro něj cenný materiál — jsou dobře napsané, faktické a aktuální. Proto podle žaloby modelům pomohly být „dobré ve zprávách".
Interní komunikace Microsoftu přitom sama přiznává, že „miliony lidí po celém světě budou brzy považovat velké modely ‚vysávající' všechnu jejich práci za úžasnou krádež nebývalých rozměrů". A dodává: „Nikdo nezamýšlel, aby byl obsah, který vytvořil, použit tímto způsobem. Ani za něj není nijak odměněn."
Varování, která firmy slyšely — a ignorovaly
Dokumenty ukazují, že nejde o zpětný pohled zvenčí, ale o vlastní hodnocení lidí zevnitř. Nick Turley, který vedl tým vyvíjející ChatGPT, podle spisu označil AI za „existenční hrozbu" pro vydavatele. Vysoce postavený zaměstnanec Microsoftu pak měl modely nazvat „úžasnou krádeží nebývalých rozměrů" a možná „největší krádeží práce v dějinách lidstva".
Jeden z interních zápisů upozorňuje na „reálné riziko", že modely „výrazně naruší zaměstnanost právě těch lidí, kteří vytvořili data, na nichž byl základní model trénován". Jiný dokument mluví o „smyčce zkázy": paradoxně tím, že AI shrne novinářský článek a uživatel nemusí na web, přichází redakce o návštěvnost a příjmy — a časem ubývá i kvalitních nových textů, na kterých by se daly trénovat další modely.
Výmluvná je věta z jednoho zápisu: „Je vysoce neobvyklé, aby finální produkt ohrožoval ekonomické základy svých klíčových dodavatelů — ale to je situace, kterou jsme vytvořili." Podle žaloby firmy přes všechna tato varování pokračovaly, protože počítaly s obrovským finančním výnosem. Spoluzakladatel Greg Brockman měl přiznat, že byl „hluboce motivován gazilióny", které doufal získat.
Proč na tom záleží i v Evropě
Případ se sice odehrává v USA, ale stejná otázka se řeší i na starém kontinentu. Evropský AI Act přímo ukládá poskytovatelům obecných modelů umělé inteligence povinnost zveřejnit „dostatečně podrobné shrnutí obsahu použitého pro trénink" a zavést politiku respektující evropská pravidla autorského práva. Jinými slovy: v Evropě už firmy nemohou trénovat na čemkoliv zcela potichu.
Pro česká média je to důležité, protože žádné z nich nemá vyjednávací sílu The New York Times. Právník Steven Lieberman, který zastupuje New York Daily News, situaci okomentoval slovy, že „kočka je venku z pytle — konečně může svět vidět, co si OpenAI a Microsoft celou dobu myslely o férovosti vlastního chování".
Smyčka zkázy už běží i v praxi
Že nejde o hypotetickou hrozbu, ukazují konkrétní čísla. Truthout v samostatném komentáři popsal, jak Google do výsledků vyhledávání nasadil AI souhrny z modelu Gemini, které zobrazí obsah článku přímo nahoře — a čtenář už nemusí na web kliknout. „Přes noc jsme přišli o 15 procent čtenosti," uvedla redakce, která v příštím roce očekává propad příjmů z online inzerce zhruba o půl milionu dolarů.
Je to přesně ten mechanismus, před kterým varovaly i interní dokumenty Microsoftu: čím víc AI převezme roli prostředníka, tím méně peněz doputuje k lidem, kteří obsah skutečně vytvářejí. A tady se kruh uzavírá — bez kvalitní novinářské práce by totiž časem nebylo z čeho trénovat ani ty nejdražší modely.
Je trénink AI na cizích textech legální?
Právě to má tento soud vyřešit. V USA se vede spor o výjimku „fair use", v Evropě platí přísnější autorské právo a AI Act navíc vyžaduje transparentnost ohledně tréninkových dat. Jednoznačná odpověď zatím neexistuje — proto soudy v New Yorku řeší právě tento případ.
Týká se to i českých médií a autorů?
Ano. Evropský AI Act dává poskytovatelům modelů povinnost respektovat autorské právo EU, takže i česká média a autoři mají nárok vědět, zda se jejich texty objevily v tréninku. V praxi ale jednotlivec nebo malá redakce těžko prokáže, že konkrétní text byl použit — proto je vyjednávací síla velkých vydavatelství klíčová.
Co je to „smyčka zkázy", o které mluví interní dokumenty?
Je to začarovaný kruh: AI shrne článek a uživatel nemusí na web, redakci klesne návštěvnost a příjmy, a tak časem vzniká méně kvalitního obsahu — což zhoršuje i data pro trénink budoucích modelů. Škodí to tak podle dokumentů zároveň novinářům i samotné AI.
