01

Thomson Reuters vs Ross Intelligence: error històric sobre IA i drets d’autor als EUA.

A febrer de 2025, el Tribunal de Districte dels EUA. per al Districte de Delaware va emetre una decisió legal sense precedents a la convergència entre intel·ligència artificial i drets d’autor. El cas Thomson Reuters Enterprise Centre GmbH v. Ross Intelligence Inc. va implicar dos actors clau de l’àmbit legal i tecnològic i va establir un precedent que marca la pauta per a futurs litigis relacionats amb l’entrenament d’IA amb contingut protegit.

Context i antecedents del cas

Al maig de 2020, Thomson Reuters va demanar a Ross Intelligence per utilitzar sense permís contingut editorial de Westlaw, específicament els seus headnotes —resums jurídics creats per editors humans i organitzats mitjançant el sistema “Key Number”— per entrenar un motor de cerca legal impuls.
Ross va intentar inicialment obtenir una llicència, però davant la negativa de Thomson Reuters, va adquirir al voltant de 25.000 “Bulk Memos” a través de la signatura LegalEase. Aquests memos, elaborats per advocats, reflectien fidelment el contingut dels headnotes de Westlaw i van ser utilitzats per a l’entrenament del seu IA.
El setembre del 2023, el jutge Bibas (designat del Tribunal del Tercer Circuit) va denegar parcialment les mocions de resum, deixant la qüestió en mans d’un jurat. Tot i això, va revisar la seva pròpia decisió en els mesos previs al judici i va permetre la renovació de les mocions de resum.

    La decisió de l’11 de febrer del 2025

    L’11 de febrer de 2025, el jutge Bibas va emetre una sentència que:

    Va atorgar judici sumari parcial a Thomson Reuters declarant que els headnotes eren obres originals protegides per copyright i que Ross en va copiar directament almenys 2243.
    Va rebutjar tots els arguments de Ross, incloent-hi l’ús legítim (fair use), en considerar-los incorrectes com a qüestió de dret.

    Aquest error és considerat el primer cas als EUA on un tribunal conclou explícitament que l’ús de contingut amb copyright per entrenar una IA no està emparat pel fair use.

    Anàlisi dels factors de fair use.

    El tribunal va avaluar els quatre factors legals i els va concloure així:

    Propòsit i naturalesa de l’ús:

    Comercial, ja que Ross desenvolupava un producte rival a Westlaw.
    No transformador, ja que replicava la funció de destinació: cerca legal.

    Naturalesa del material amb copyright:

    Encara que els headnotes contenien menor grau de creativitat, sí que eren originals i protegits. Aquest factor va afavorir parcialment Ross, però no va ser decisiu.

    Quantitat i substancialitat de l’ús:

    Ross va copiar massivament, encara que els resultats no contenien els headnotes directament.
    Tot i això, l’ús va ser extens i rellevant per a la seva funció, per tant desfavorable al fair use.

    Impacte al mercat:

    Creació d’un substitut directe per a Westlaw.
    Va afectar la possible monetització de llicències per a entrenament d’IA. Aquest factor va ser el més crític i decisiu.

      Implicacions per al sector IA

      Aquesta decisió obre un nou capítol a la jurisprudència:

      Precedent per a altres litigis: casos similars impulsats per autors, entitats i mitjans tecnològics contra OpenAI, Meta, Microsoft, etc., poden citar aquesta fallada recent.
      Distinció entre IA generativa i no generativa: encara que la decisió involucra IA no generativa, la seva lògica es projecta al terreny dels grans models de llenguatge (LLMs).
      Necessitat de llicències explícites: fins i tot els continguts intermedis o auxiliars usats per entrenar poden requerir consentiment previ.
      Preocupacions a Wall Street: la sentència ja provoca advertiments sobre possibles riscos legals per a inversors a empreses d’IA.

      Què poden aprendre empreses innovadores i desenvolupadors d’IA

      Revisar les llicències i permisos de totes les dades que usen per entrenar models.
      Avaluar riscos legals abans d’incorporar contingut protegit o competitiu.
      Explorar acords de llicència amb entitats propietàries de bases de dades valuoses.
      Implementar polítiques d’auditoria sobre la procedència de dades d’entrenament.