La disputa legal entre OpenAI y medios de comunicación como The New York Times y The Daily News ha escalado significativamente tras revelaciones que sugieren una posible ocultación de pruebas. Durante un proceso judicial que ya se extiende por dos años, la empresa de inteligencia artificial había sostenido constantemente que carecía de la capacidad técnica para rastrear sus propios conjuntos de datos de entrenamiento o buscar contenidos protegidos por derechos de autor dentro de su vasta base de conversaciones de ChatGPT. Según la firma tecnológica, realizar tales búsquedas resultaba excesivamente complejo y planteaba riesgos críticos para la privacidad de los usuarios, ya que implicaba procesar y anonimizar volúmenes masivos de información.

Sin embargo, la situación dio un giro drástico tras una deposición judicial realizada en abril, donde un ingeniero de privacidad de datos de la compañía admitió que ya se habían efectuado evaluaciones internas sobre el corpus de entrenamiento para identificar obras periodísticas. Según las alegaciones presentadas ante el tribunal, la organización habría acumulado una base de datos de aproximadamente 78 millones de conversaciones anonimizadas mucho antes de que se iniciara la demanda. Este hallazgo contradice directamente la postura de inviabilidad técnica que la empresa había mantenido frente a los demandantes, quienes buscaban determinar si sus artículos estaban siendo utilizados para entrenar modelos o si eran reproducidos en las respuestas generadas por la IA.

Además de la existencia de este repositorio, los demandantes señalaron la implementación de herramientas internas, conocidas como "Project Giraffe", que incluían un filtro denominado "Bloom". Este sistema tenía la capacidad de detectar y registrar cuándo el modelo repetía contenido de forma literal, una función que habría estado activa poco después de que comenzara el litigio. Estos datos resultan fundamentales para los medios, quienes originalmente solicitaron acceso a una muestra de 120 millones de registros de chat, cifra que fue reducida a 20 millones tras negociaciones. No obstante, la muestra finalmente entregada en diciembre fue descrita por el tribunal como inutilizable debido al exceso de redacciones y omisiones.

La acusación formal sostiene que la empresa no solo ocultó información que ya poseía, sino que también eliminó miles de millones de resultados de ChatGPT, violando una orden judicial de preservación de pruebas. Ante este escenario, los representantes legales de los medios han solicitado al juez que imponga sanciones disciplinarias contra la compañía. Entre las medidas pedidas se incluye la desestimación de la muestra de 20 millones de registros como evidencia válida y la aceptación judicial de que el modelo efectivamente reproduce contenido protegido.

Por su parte, la empresa de inteligencia artificial ha negado categóricamente estas acusaciones a través de un portavoz, calificándolas de falsas. La compañía argumenta que los medios están intentando acceder a conversaciones privadas de usuarios como una estrategia desesperada ante el debilitamiento de su caso legal. Mientras el proceso continúa, la defensa de la entidad tecnológica sigue centrada en los principios de uso justo y en la protección de la privacidad de sus usuarios, manteniendo su postura frente a las crecientes presiones judiciales.