OpenAI divulga memoriais apoiando fair use no treino de IA no processo do NYT

Introdução

Em 30 de outubro de 2026, a OpenAI reuniu trechos de memoriais judiciais que defendem a aplicação de fair use ao treinamento de modelos de IA no processo movido pelo New York Times. A palavra-chave fair use aparece logo no centro do debate, porque a decisão pode moldar como empresas e instituições treinam sistemas com conteúdo publicamente acessível. (openai.com)

O contexto é decisivo para o ecossistema de tecnologia, mídia e pesquisa. Desde setembro de 2026, o caso avançou para a fase de julgamento sumário, com o governo dos Estados Unidos apresentando um parecer que, em linhas gerais, sustenta que treinar LLMs com material protegido costuma se enquadrar em uso justo. Esse movimento ampliou o peso institucional da tese de fair use aplicada a IA. (washingtonpost.com)

Este artigo explica quem são os autores dos memoriais, quais precedentes jurídicos ancoram os argumentos, o status processual mais recente e o que times de produto, dados e jurídico podem fazer hoje para reduzir riscos e extrair valor de forma responsável.

O que a OpenAI publicou e por que importa

A publicação organizada pela OpenAI reúne trechos de amici curiae de organizações como Public Knowledge, Authors Alliance, bibliotecas e associações de tecnologia, além de acadêmicos e criadores independentes. O objetivo é mostrar ao tribunal, e ao público, que o treinamento de IA pode cumprir finalidades transformadoras, não substitui o acesso às obras originais e traz benefícios sociais mensuráveis. (openai.com)

Entre os destaques, a Public Knowledge pede que o tribunal separe nitidamente três camadas jurídicas, aquisição de dados, treinamento e saídas, argumentando que o treinamento em si deve ser analisado como uso justo quando cumpre propósito diferente do original e não causa dano de mercado cognoscível. Essa distinção é vital para não confundir responsabilidade por raspagem de dados com a legalidade do aprendizado estatístico. (publicknowledge.org)

Outra peça relevante vem da Authors Alliance, que rejeita a teoria de “diluição de mercado” como dano de direito autoral quando não há substituição por cópias substanciais, alinhando o debate a décadas de jurisprudência que protege usos transformadores e indexação de conhecimento. (authorsalliance.org)

Amicus do governo dos EUA, um ponto de inflexão

Em 1 e 2 de setembro de 2026, veículos reportaram que o Departamento de Justiça apresentou um parecer defendendo que o treinamento de modelos em material protegido é, em regra, uso justo. Para além do caso específico, foi a primeira intervenção federal ampla nessa leva de ações sobre IA e copyright, sinalizando uma leitura de interesse público em manter espaço para aprendizado de máquina como atividade transformadora. (washingtonpost.com)

Esse endosso não elimina disputas sobre outputs memorísticos ou sobre formas de aquisição de dados, mas fortalece a tese central de que treinar modelos para extrair padrões, sem oferecer acesso substitutivo às obras, atende aos objetivos constitucionais de promover progresso científico e das artes úteis. A própria página da OpenAI destaca essa dimensão de política pública. (openai.com)

Precedentes: o que Google Books e HathiTrust ainda ensinam

Os memoriais citam precedentes que consolidaram a proteção a usos como indexação, busca e acessibilidade, notadamente Authors Guild v. Google Books e Authors Guild v. HathiTrust. No Google Books, o Segundo Circuito decidiu em 2015 que a digitalização para busca com exibição de trechos mínimos era transformadora e não substituía o livro. No HathiTrust, a corte confirmou que cópias para indexação e acessibilidade eram uso justo. Esses pilares ajudam a enquadrar o treinamento de LLMs como atividade análoga, voltada a análise e aprendizado estatístico, não a reprodução substitutiva. (copyright.gov)

Na prática, times jurídicos podem mapear fluxos de valor e risco usando os quatro fatores do §107, propósito e natureza do uso, natureza da obra, quantidade e substancialidade, efeito no mercado. Para treinamento, o fator 1 tende a pesar a favor quando o objetivo é criar um sistema geral que não entrega o texto das obras, enquanto o fator 4 depende de evidências de substituição real, não de competição por atenção em sentido amplo. Os memoriais reforçam essa linha. (openai.com)

Quem mais entrou no debate e o que defendem

Além de grupos de defesa de consumidores, bibliotecas e pesquisadores, houve participação de entidades do ecossistema aberto. A Wikimedia Foundation informou ter protocolado amicus explicando riscos de um recorte estreito de fair use para projetos como a Wikipédia e, simetricamente, riscos de um fair use excessivamente amplo que fragilizaria fontes, defendendo equilíbrio com foco em benefícios públicos. (wikimediafoundation.org)

Outros memoriais de associações de desenvolvedores e startups sublinham que o propósito do treinamento é construir uma ferramenta generalista, que depois é adaptada para fins distintos dos das obras originais, o que reforça a transformação. O compêndio da OpenAI agrega esses trechos e links para o dossiê público do tribunal. (openai.com)

Status processual e próximos passos

Segundo acompanhamentos processuais e resumos públicos, as partes entraram com moções de julgamento sumário em setembro de 2026, com oposições em 23 de outubro e réplicas previstas para 20 de novembro de 2026. O tribunal estendeu o prazo para memoriais de terceiros até 30 de outubro de 2026, o que explica a enxurrada de amici na data da publicação. (openclassactions.com)

Essa linha do tempo significa que, entre novembro e o início de 2027, o foco deve estar nas decisões sobre julgamento sumário, que podem resolver questões jurídicas centrais sem necessidade de júri, ou refinar os pontos para uma fase probatória mais restrita. Times de comunicação e jurídico devem preparar cenários de mensagem e ajustes de prática conforme diferentes desfechos parciais. (openclassactions.com)

Aplicações práticas para empresas, editores e pesquisadores

• Governança de dados. Documentar fontes, bases legais e exclusões, inclusive honrando robots.txt e mecanismos de opt‑out quando disponíveis, reduz atrito regulatório e reputacional, mesmo quando o treinamento é defensável por fair use. A própria OpenAI anunciou medidas para facilitar preferências de sites sobre treinamento, tendência que deve se espalhar. (openai.com)
• Controles de memorizações. Implementar detecção e mitigação de memorização, filtrando outputs com trechos longos substancialmente idênticos a obras protegidas, endereça uma das críticas técnicas por trás de alegações de reprodução literal. A literatura recente oferece testes de memorização e métricas de extração. (arxiv.org)
• Diferenciar camadas de risco. Tratar separadamente aquisição, treinamento e geração, inclusive quando houver RAG, porque responsabilidades e salvaguardas mudam por camada. Esse ponto é repetido por amici, que pedem análise distinta para cada fase. (publicknowledge.org)
• Parcerias e licenciamento. Mesmo com fair use, acordos voluntários com editoras e veículos podem acelerar acesso a acervos limpos, reduzir litígio e viabilizar produtos premium. Partes do histórico público do caso mencionam parcerias setoriais como alternativa prática. (cdn.openai.com)

O que está realmente em jogo para o jornalismo

Há dois riscos que convivem. O primeiro é jurídico, um recorte de fair use muito estreito poderia travar pesquisa, acessibilidade e inovação documental, inclusive ferramentas que ajudam repórteres, editores e leitores. O segundo é econômico, modelos e produtos de resposta em tempo real podem competir por audiência e receita com páginas de origem, o que exige novos modelos de atribuição e repartição de valor. Amici como a Wikimedia pedem equilíbrio que preserve o bem público da web aberta sem desidratar fontes. (wikimediafoundation.org)

Do lado dos publishers, alianças como a News/Media Alliance pressionam por salvaguardas mais duras, sobretudo quando a disputa envolve respostas com RAG que reproduzem, agregam e resumem conteúdo noticioso. Esse front pode gerar parâmetros distintos do treino puro, com consequências para motores de resposta e assistentes. (anythingengineoptimization.com)

Leituras do tribunal sobre dano de mercado e substituição

O coração do quarto fator do fair use continua sendo substituição. Precedentes aceitam algum deslocamento competitivo como inevitável quando há novo uso transformador, mas exigem prova de que o uso contestado fornece um substituto efetivo para a obra original. No Google Books, a corte reconheceu possível perda marginal de vendas, porém considerou improvável que trechos breves substituíssem livros. Os amici importam essa lógica para IA, distinguindo comparação de gênero ou tema de substituição por cópia substancial. (copyright.gov)

Para equipes de produto, isso se traduz em políticas de saída, filtros e limites de extração que evitem reconstruções de trechos longos e mantenham a utilidade no plano de síntese, referência e criação original do usuário.

Como se preparar agora, independentemente do resultado

• Mapear inventário de dados e criar trilhas de auditoria, incluindo controles de acesso e proveniência, facilita demonstrar boa-fé e reforça a defesa de transformação e segurança.
• Ajustar UX para atribuir fontes quando houver RAG, aprimorar snippets e links, e oferecer rotas rápidas para a matéria original. Esse é um gesto de ecossistema que também melhora satisfação do usuário. (anythingengineoptimization.com)
• Adotar testes de memorização periódicos, com amostragem de conjuntos sensíveis, e gatilhos de bloqueio de verbatim acima de limiares definidos por política interna. (arxiv.org)
• Acompanhar a pauta judicial, com ênfase nas decisões de julgamento sumário previstas para após 20 de novembro de 2026, e nos desdobramentos sobre distinção entre treinamento, aquisição e outputs. (openclassactions.com)

Conclusão

A onda de memoriais apresentada em 30 de outubro de 2026 sinaliza uma convergência sólida sobre fair use no treinamento de IA, ancorada em benefícios sociais, ausência de substituição e precedentes como Google Books e HathiTrust. O parecer do governo dos EUA adiciona peso institucional a essa leitura e pode balizar outras cortes e países. (openai.com)

As equipes que se moverem com governança de dados, mitigação de memorização, atribuição transparente e parcerias inteligentes estarão melhor posicionadas qualquer que seja o desfecho. O caso do NYT contra a OpenAI é mais que uma disputa bilateral, é um teste sobre como equilibrar direitos autorais com o progresso científico e informacional que a sociedade espera da IA. (wikimediafoundation.org)