Tres editores, el novelista Scott Turow, y su empresa SCRIBE han presentado una propuesta de demanda colectiva acusando a Google de copiar millones de libros y artículos de revistas para entrenar a Gemini. Esto incluye trabajos proporcionados a través de Google Books, Play Books y Scholar.
El 10 de julio, Hachette Book Group, Cengage Learning, Elsevier, Turow y SCRIBE se unieron en una demanda presentada en el Tribunal de Distrito de los Estados Unidos para el Distrito Sur de Nueva York, y la Asociación de Editores Estadounidenses lo anunció el mismo día. Argumentan que los libros y artículos suministrados a estos servicios estaban destinados a fines específicos, y su uso para entrenar un modelo comercial de IA no era uno de ellos. La demanda también afirma que Google copió trabajos que obtuvo de raspados web, incluidos sitios piratas y bibliotecas de pago. Google no ha comentado sobre la queja al momento de su publicación y ningún tribunal se ha pronunciado sobre ninguno de los reclamos. La pregunta principal es si el permiso para un uso también cubre el entrenamiento de un modelo con esos datos.
Lo que alega la denuncia
La denuncia plantea cuatro cargos. Tres alegan reproducción no autorizada en virtud de la Ley de derechos de autor, que abarca Google Books y otros servicios de Google, descargas de web scraping y copias durante la capacitación. El cuarto alega que Google eliminó información de gestión de derechos de autor en violación de la DMCA. Los demandantes piden una indemnización por daños y perjuicios, una orden judicial, una descripción detallada de las obras que Gemini utilizó para su formación y órdenes judiciales para eliminar cualquier copia no autorizada. La presentación cita lo que describe como documentos internos de Google, uno de los cuales califica el uso de libros de Google Play Books para IA como “altamente problemático para Google”, con posibles multas de “10 mil millones de dólares a 100 mil millones de dólares”. Atribuye otra línea al ingeniero principal de Gemini, quien, según dice, dijo a sus colegas: “no hacemos tratos con datos que ya tenemos o que ya poseemos”. Ninguno de estos documentos es público y las citas provienen de la presentación de los demandantes.
Dónde terminan los controles de las orugas
Google-Extended es el token robots.txt que cubre el contenido que Google rastrea desde su sitio. Restringe si ese contenido puede usarse para futuros entrenamientos de Gemini y algunos usos básicos. Ninguno de los dos métodos de abastecimiento discutidos aquí involucra ese token. Los libros se suministraron directamente a Google mediante acuerdos, por lo que un archivo robots.txt no afecta este proceso. Los reclamos de raspado web se refieren a copias que, según la denuncia, aparecieron en Common Crawl después de estar alojadas en sitios piratas y bibliotecas de suscripción. Dado que estas copias están alojadas en dominios diferentes, un archivo robots.txt no puede regularlas.
El 25 de junio, Google publicó un documento de política argumentando que la capacitación sobre datos web públicos es un “uso transformador y no expresivo” bajo protecciones de uso legítimo. El documento también menciona controles legibles por máquina, como Google Extended, que los sitios web pueden utilizar para optar por no participar. Sin embargo, el material examinado aquí supuestamente llegó a través de diferentes canales.
El mes pasado, Digital Content Next envió una carta de cese y desistimiento a la Common Crawl Foundation, afirmando que la ley de derechos de autor no funciona como un sistema de exclusión voluntaria.
Por qué esto importa
La cuestión del permiso y la cuestión del uso legítimo son preocupaciones separadas. El uso legítimo puede aplicarse incluso si ningún acuerdo autoriza el uso y la queja no resuelve ninguna de las cuestiones.
La configuración de su rastreador es un factor menor de lo que esta situación podría implicar. En enero, los datos de BuzzStream indicaron que el 79% de los principales sitios de noticias bloquean al menos un robot de entrenamiento de IA, que es el canal que dirige Google Extended. Los dos grupos de copias analizadas aquí supuestamente llegaron a través de rutas que esas configuraciones no afectan.
Mirando hacia el futuro
En 2025, dos fallos del norte de California encontraron que los usos de la capacitación en cuestión eran justos en los registros que tenían ante sí. El tribunal de Anthropic negó el juicio sumario sobre copias pirateadas de la biblioteca central, mientras que el juez de Meta enfatizó que su decisión era específica para esos demandantes y su historial. Los editores dijeron que presentaron la demanda en Nueva York después de planear inicialmente intervenir en el litigio en curso In re Google Generative AI Copyright Litigation en California, y que la nueva demanda preserva las afirmaciones que creen que quedan fuera de esa clase propuesta. El siguiente paso es la respuesta de Google, ya sea una respuesta o una moción de desestimación.
