Documentos recém-deslacrados no processo do New York Times contra OpenAI e Microsoft mostram alertas internos sobre um “doom loop” na web. Os papéis indicam que as empresas sabiam que modelos que respondem direto reduzem o tráfego para sites que alimentam os próprios modelos.
Os arquivos também citam caracterizações duras do uso massivo de conteúdo online para treino, incluindo a expressão “maior roubo de trabalho da história”. A ação do NYT foi aberta em 2023 e tramita nos EUA. OpenAI e Microsoft contestam as acusações.
Quem depende de scraping aberto precisa de plano B
Para quem opera IA em produção, o recado é claro. O risco jurídico de treinar ou abastecer RAG com conteúdo sem licença subiu. Se sua captação vem de crawling amplo, robots.txt frouxo ou de fontes sem contrato, há chance de bloqueio, takedown ou liminar. Isso impacta SLA, backlog e CAC, porque correção de rota costuma ser cara e urgente.
Arquitetura precisa de trilha de proveniência, listas de fontes permitidas e fallback. Considere camadas de conteúdo licenciado, contratos com provedores, ou dados próprios. Para RAG, priorize corpora fechados e logs auditáveis. Para geração, revise filtros e atribuição. Monitore mudanças de paywall e de robots em tempo real. Tenha plano para quando fontes críticas fecharem a porta.
O custo tende a subir. Licenças, curadoria e infra de compliance entram na conta. Em troca, você reduz risco e ganha estabilidade de fornecedor. Produtos que drenam tráfego sem devolver valor entram na mira. Se seu modelo responde sem clique de retorno, espere mais bloqueios e pior qualidade de fonte aberta ao longo do tempo. Ajuste roadmap agora, antes que uma notificação pare seu pipeline em produção.