マイクロソフト社内、AIのデータ収集を「人類史上最大の労働窃盗」と表現

編集注：ある企業がコンテンツクリエイターへの敬意を公に強調しながら、パートナーのデータ収集行為を内部では「窃盗」と呼んでいる——このような矛盾は、AI学習データの著作権問題がもはや回避できない臨界点に達していることを示している。新たに公開された法廷文書は、マイクロソフトのこうした矛盾した姿勢を白日の下にさらした。

公開された「社内の本音」

TechCrunchの報道によると、以前は墨塗り処理されていたが正式に公開された法廷文書により、マイクロソフトの幹部が社内コミュニケーションの中で、AI企業による大規模なウェブコンテンツ収集行為を「人類史上最大規模の労働窃盗」と表現していたことが明らかになった。この発言が注目を集めるのは、その矛先が外部の第三者ではなく、マイクロソフトの最も緊密なAIパートナーであるOpenAIに向けられていたためだ。

「これは人類史上最大規模の労働窃盗だ。」——マイクロソフト幹部がAIによるデータ収集行為について社内コミュニケーションで述べた言葉

文書はさらに皮肉な事実も明らかにしている。こうした行為を内部で強く問題視する一方で、マイクロソフト自身も関連データの収集に関与していたのだ。両社は《ニューヨーク・タイムズ》の有料壁（ペイウォール）の背後にあるコンテンツを収集し、それを基に学習データセットを構築したと指摘されている。さらに重要なのは、両社ともこうした行為が出版社に壊滅的な打撃を与えかねないことを内部で認識していた点だ——出版社を「空洞化させる」と直接警告する社内文書も存在していた。

有料コンテンツはいかにして学習データセットに取り込まれたか

《ニューヨーク・タイムズ》は2023年末にOpenAIとマイクロソフトを提訴して以来、著作権で保護された自社の報道記事が大規模言語モデルの学習に組織的に利用されたことを立証しようとしてきた。ペイウォールの存在は、この申し立ての性質を通常のウェブスクレイピングよりも深刻なものにしている。ユーザーが料金を支払って初めて閲覧できるコンテンツが、収集される際には購読収入も広告表示ももたらさないまま、商用モデルの能力を支える基礎素材となってしまうからだ。

技術的な観点から見れば、こうした収集は通常ウェブクローラーによって実行される。クローラーエンジニアにとって、robots.txtプロトコルを回避したり、コンテンツデリバリーネットワークのエッジノードを利用して全文を取得したりすることは、それほど難しい作業ではない。真に答えが難しいのは法的な問題だ——テキストがトークンに分解され、数千億のパラメータに溶け込んだとき、それはなお「複製」を構成するのか、そして権利者はいかにして自らの損害を主張できるのか。

業界の背景：学習データをめぐる「グレーゾーン」

これは孤立した事例ではない。過去3年間で、テキスト、画像、音声、動画など、ほぼあらゆる形式のコンテンツクリエイターが同じ問いを投げかけてきた——自分の作品はAIの学習に使われているのか、そうであるならば、なぜ誰も同意を求めなかったのか。

AI企業の一般的な立場は「フェアユース（公正利用）」だ。モデルが学習するのは特定の表現ではなく統計的なパターンであり、したがって著作権侵害にはあたらないという論理だ。しかしこの抗弁は、ペイウォール内のコンテンツや海賊版電子書籍ライブラリといった場面では特に脆弱に見える。同時に、コンテンツ産業側の反撃手段も強化されている——集団訴訟からライセンス交渉へ、技術的なクローラー対策から立法面でのデータ透明性要求へと、その範囲は広がっている。

注目すべきは、業界内部ではリスクの所在がとうに認識されていたという点だ。今回公開された文書の価値は、驚くべき技術的詳細を暴露したことにあるのではなく、関係企業が「知らなかった」のではなく「知った上でなお選択した」ことを証明した点にある。法的には、こうした主観的認識（scienter）は、故意侵害と加重損害賠償の認定における重要な判断要素となることが多い。

分析：「無償データ」のコストを誰が負担しているか

視点を引いて見れば、この論争の本質はAI産業によるコストの外部化だ。大規模言語モデルの競争力はデータの規模と質に大きく依存しており、高品質な専門コンテンツ——調査報道、学術論文、コードリポジトリ、専門的な画像素材——はまさに製造コストが最も高く、最も無償で持ち去られやすい部分だ。

短期的には、無償収集によってAI企業は極めて低いコストで大きな優位を手にした。しかし長期的には、こうしたコンテンツの再生産メカニズムを破壊しかねない。トラフィックと購読の双方が落ち込んでニュースルームが調査チームを縮小し、作品が無償で学習に使われた写真家が業界を去るとき、AIモデルはいずれ急速に貧困化するデータエコシステムに直面することになる。これこそが、社内警告で言われた「出版社の空洞化」の真の意味だ。

マイクロソフトにとって、その立場は特に微妙だ。同社はOpenAIの最大の投資家かつクラウドサービスプロバイダーであり、世界有数のコンテンツ配信・生産性ソフトウェアベンダーであり、さらに複数のニュース機関とライセンス契約を結んでいる。こうした複数の顔は、訴訟において一貫した主張を維持することを困難にしている——公の場では質の高いジャーナリズムを支持すると約束しながら、内部ではデータ収集行為が窃盗に等しいと認めていたのだから。

今後の展開

訴訟の行方には3つのシナリオが考えられる。裁判所が学習行為をフェアユースと認定し、AI企業が事実上の免責を得るケース、裁判所が権利者の主張を支持し、業界が強制ライセンス時代に移行するケース、あるいは双方がプレッシャーの下で大規模なコンテンツライセンス契約を締結し、「先に収集、後に交渉」を「先に交渉、後に利用」へと転換するケースだ。

結果がいずれであれ、今回公開された文書はすでに一つのことを変えた。AIのデータ出所をめぐる議論は、今後は抽象的な法的論争だけにとどまらず、白紙に黒字で記された社内認識という証拠を伴うものとなった。コンテンツ産業にとって、それはいかなる公式声明よりも重みを持つものかもしれない。

本稿はTechCrunchより編訳