El precio a pagar por tener IA es el saqueo de todo el 
contenido de Internet. Y Perplexity es solo el 
último ejemplo
==========================================================

Javier Pastor  
2024-07-01T10:01:42Z


Midjourney y ChatGPT parecen mágicos. Crean obras digitales
y textos de una forma asombrosa, y aunque a menudo meten la
pata, sus resultados son a menudo convincentes e incluso
impresionantes. Esa foto parece del Papa con abrigo de
Balenciaga sigue pareciendo real, y ese código en Python
funciona. Insisto. Parecen mágicos.

Pero tanto estos modelos de IA generativa como sus
competidores no son mágicos. Son loros estocásticos que
hacen uso de patrones estadísticos. No entienden lo que
crean o generan. Y además, todo lo que hacen está basado en
algo aún más importante.

## Robar.

Si está en internet, puedo usarlo para mi IA

Es lo que están haciendo desde el principio. Las grandes
empresas de IA necesitan ingentes cantidades de datos para
entrenar a sus modelos, así que lo que han hecho es,
sencillamente, cogerlos de internet. Sin avisar, sin pedir
permiso, y sin aclarar luego qué datos habían usado.

Ninguna empresa de IA aclara cómo ha entrenado a esos
modelos. No sabemos con exactitud de dónde han sacado toda
la información. ¿Qué libros, sitios web, o imágenes han
incluido en el entrenamiento? La transparencia es
prácticamente nula.

Ninguna lo aclara del todo, y todas las empresas se escudan
en el concepto del "uso justo" (fair use). Este concepto
desarrollado en el derecho anglosajón permite el uso
limitado de material protegido sin que sea necesario pedir
permiso por hacerlo.

Esa recolección masiva y voraz de datos ha hecho que muchas
empresas de IA comiencen a tener problemas legales. Las
demandas por posibles violaciones de propiedad intelectual
comenzaron a llegar muy pronto y se fueron haciendo cada
vez más frecuentes.

¿Qué comenzaron a hacer las empresas de IA ante esas
demandas (o la amenaza de que acabaran afectándolas)?
Llegar a acuerdos con algunos proveedores de contenidos.

Antes algunas cogían todo lo que podían de plataformas como
Reddit, pero ahora tanto Google como OpenAI han resuelto
sus diferencias tras negociar distintos tipos de quid pro
quo. 

Y lo que ha pasado con Reddit ha pasado con grupos
editoriales como Prisa o Le Monde, y seguirá ocurriendo en
el futuro: así las grandes de la IA se protegen y pueden
seguir alimentando sus modelos sin parar.


## Perplexity y las gotas que colman los vasos

Pero hay comportamientos aún más conflictivos. Tenemos un
ejemplo perfecto en Perplexity, que poco a poco se
convirtió en una sorprendente alternativa a Google e
incluso a la Wikipedia.

Aquí nos hemos encontrado no con un motor de búsquedas,
sino, como apuntaban en The Verge, con un "motor de
respuestas". El problema es cómo ha logrado hacer lo que
hace.

Que no es ni más ni menos que robando.

Lo ha hecho aún en mayor medida que algunas de sus
competidoras, porque esta startup está haciendo cosas
inauditas. En primer lugar, está plagiando artículos
enteros de otros medios. Lo hizo con un tema de Wired, por
ejemplo.

En segundo, está saltándose los muros de pago de
publicaciones como Forbes para poder recolectar información
relativa a ciertos temas. No solo se saltó ese muro de
pago, sino que apenas citó la investigación original de
Forbes y plagió los gráficos e imágenes de ese tema.

El descubrimiento generó una nueva polémica en este ámbito.
En Wired directamente acusaron a Perplexity de ser una
máquina de hacer mierda, pero la empresa intentó salir al
paso indicando que está debatiendo la forma de compartir
ingresos con las publicaciones.

Esa empresa de inteligencia artificial no es la única en
saltarse esos muros: estos días se ha revelado que Poe, el
chatbot de la plataforma de preguntas y respuestas Quora,
también lo hacía. Mientras que algunos expertos afirman que
esto es una violación clara de los derechos de autor de
esos contenidos, en Quora afirman que no es así y que se
basan en servicios del tipo "leer más tarde" que cumplen
con la ley. 

Y entonces llegó el tercer y último descubrimiento a manos
de un desarrollador llamado Robb Knight. Como explicó en su
blog, en Perplexity estaban ignorando las directrices de
los ficheros robots.txt que precisamente indican a los
rastreadores de internet qué páginas rastrear y cuáles no.

Esos pequeños ficheros siempre han servido como forma de
hacer que por ejemplo Google no mostrase en sus resultados
ciertas partes de un sitio web, pero a los chicos de
Perplexity les daba igual: ellos lo recolectaban
absolutamente todo. 

Srinivas echó balones fuera: no eran ellos quienes se los
saltaban, sino las empresas que habían contratado para que
rastrearan la web y suministraran más y más datos para su
modelo de IA. Y cómo no, Perplexity no es la única en
esquivar e ignorar los ficheros robots.txt: OpenAI y
Anthropic hacen exactamente lo mismo.

Esa actitud ha hecho que por ejemplo Reddit se ponga en pie
de guerra contra los scrapers, aunque la cosa ya venía de
lejos. The New York Times, por ejemplo, demandó a Microsoft
y a OpenAI porque no quiere que un chatbot mate al
periodismo. Este diario ya publicó un reportaje en abril de
2024 avisando de cómo la voracidad de empresas como OpenAI,
Google o Meta estaban (supuestamente) pasándose de la raya
a la hora de entrenar sus modelos.


## Pero es que ahí no acaba todo.

Así lo demostraba el responsable de IA de Microsoft,
Mustafa Suleyman, que en una entrevista reciente con CNBC
defendía esa recolección indiscriminada de datos en
internet:

> "Creo que con respecto al contenido que ya está en la
>  web abierta, el contrato social de ese contenido desde
>  los años 90 ha sido que es de uso justo. Cualquiera
>  puede copiarlo, recrearlo, reproducirlo. Ese ha sido el
>  "freeware", si se quiere, ese ha sido el
>  entendimiento".

Esa afirmación es terrible, sobre todo porque asume justo
lo que están asumiendo todas las grandes de internet. Que
no es más ni menos que todo lo que publicamos en internet
está ahí para que ellas hagan lo que quieran con ello.

Que es precisamente lo que están haciendo.


## Vía

https://www.xataka.com/robotica-e-ia/precio-a-pagar-tener-ia-saqueo-todo-contenido-internet-perplexity-solo-ultimo-ejemplo