Google enfrenta ação coletiva por livros usados para treinar gêmeos
Três editores, o romancista Scott Turow, e sua empresa SCRIBE entraram com uma proposta de ação coletiva acusando o Google de copiar milhões de livros e artigos de periódicos para treinar Gemini. Isso inclui obras fornecidas pelo Google Books, Play Books e Scholar.
Em 10 de julho, Hachette Book Group, Cengage Learning, Elsevier, Turow e SCRIBE uniram-se em uma ação movida no Tribunal Distrital dos EUA para o Distrito Sul de Nova York, com a Associação de Editores Americanos anunciando isso no mesmo dia. Eles argumentam que os livros e artigos fornecidos a esses serviços se destinavam a fins específicos e que usá-los para treinar um modelo comercial de IA não era um deles. O processo também afirma que o Google copiou trabalhos obtidos de web scrapes, inclusive de sites piratas e bibliotecas com acesso pago. O Google não comentou a reclamação até a publicação e nenhum tribunal se pronunciou sobre nenhuma das reivindicações. A questão principal é se a permissão para um uso também cobre o treinamento de um modelo com base nesses dados.
O que a reclamação alega
A denúncia traz quatro acusações. Três alegam reprodução não autorizada de acordo com a Lei de Direitos Autorais, abrangendo o Google Livros e outros serviços do Google, downloads de web scraping e cópias durante o treinamento. A quarta alega que o Google removeu informações de gerenciamento de direitos autorais em violação ao DMCA. Os demandantes pedem indenização, liminar, relato detalhado das obras que Gemini usou para treinamento e ordens judiciais para excluir quaisquer cópias não autorizadas. O processo cita o que descreve como documentos internos do Google, um dos quais chama o uso de livros do Google Play Livros para IA como “altamente problemático para o Google”, com multas potenciais de “US$ 10 bilhões a US$ 100 bilhões”. Atribui outra linha ao engenheiro-chefe da Gemini, que disse aos colegas: “não fazemos negócios com dados que já temos ou já possuímos”. Nenhum desses documentos é público e as citações provêm do processo dos demandantes.
Onde os controles do rastreador param
Google-Extended é o token robots.txt que cobre o conteúdo que o Google rastreia do seu site. Ele restringe se esse conteúdo pode ser usado para futuros treinamentos do Gemini e alguns usos de aterramento. Nenhum dos dois métodos de sourcing discutidos aqui envolve esse token. Os livros foram fornecidos diretamente ao Google por meio de contratos, portanto, um arquivo robots.txt não afeta esse processo. As alegações de web scraping referem-se a cópias que, de acordo com a denúncia, apareceram no Common Crawl após serem hospedadas em sites piratas e bibliotecas de assinatura. Como essas cópias estão hospedadas em domínios diferentes, um arquivo robots.txt não pode regulá-las.
Em 25 de junho, o Google publicou um documento político argumentando que o treinamento em dados públicos da web é um “uso transformador e não expressivo” sob proteções de uso justo. O documento também menciona controles legíveis por máquina, como o Google-Extended, que os sites podem usar para cancelar. No entanto, o material aqui examinado teria chegado por canais diferentes.
No mês passado, a Digital Content Next enviou uma carta de cessação e desistência à Common Crawl Foundation, afirmando que a lei de direitos autorais não funciona como um sistema de exclusão.
Por que isso é importante
A questão da permissão e a questão do uso justo são preocupações distintas. O uso justo pode ser aplicado mesmo que nenhum acordo autorize o uso e a reclamação não resolva nenhuma das questões.
As configurações do rastreador são um fator menor do que esta situação pode sugerir. Em janeiro, dados do BuzzStream indicaram que 79% dos principais sites de notícias bloqueiam pelo menos um bot de treinamento de IA, que é o canal de endereços estendidos do Google. Os dois grupos de cópias aqui analisados supostamente passaram por rotas que essas configurações não afetam.
Olhando para o futuro
Em 2025, duas decisões do norte da Califórnia consideraram os usos de treinamento em questão justos nos registros anteriores. O tribunal Antrópico negou o julgamento sumário sobre cópias piratas da biblioteca central, enquanto o juiz Meta enfatizou que sua decisão era específica para esses demandantes e seus registros. Os editores disseram que entraram com o processo em Nova York depois de planejarem inicialmente intervir no litígio de direitos autorais In re Google Generative AI em andamento na Califórnia, e que o novo processo preserva as reivindicações que eles acreditam estar fora dessa classe proposta. O próximo passo é a resposta do Google, seja uma resposta ou uma moção de demissão.
