Microsoft-directeur noemde AI-scraping 'grootste diefstal ooit'

TL;DR

• Wat: Een Microsoft-directeur noemde het scrapen van content voor AI-training intern "de grootste diefstal van arbeid in de menselijke geschiedenis", blijkt uit vrijgegeven rechtbankdocumenten.
• Waarom relevant: Als zelfs insiders bij Big Tech erkennen dat AI-modellen draaien op ongevraagd overgenomen werk, raakt dat iedere ondernemer die content maakt — of die AI-tools inzet.
• Wat je ermee kunt: Controleer of jouw online content beschermd is via een opt-out (robots.txt) en volg de ontwikkelingen rond de Europese AI Act-transparantieverplichtingen.

Deze week werden in de Amerikaanse rechtszaak van The New York Times tegen OpenAI en Microsoft nieuwe, eerder zwartgelakte documenten openbaar. Wat mij opviel: een directeur bij Microsoft zelf beschrijft de manier waarop AI-modellen getraind worden als diefstal. Ik vind dat een opvallend gegeven en wil uitzoeken wat het betekent — ook voor ondernemers hier in Nederland.

Wat er precies naar buiten kwam

Brent Hecht, Director of Applied Science bij Microsoft, schreef in een interne presentatie uit januari 2024 dat de dataverzameling voor AI-training neerkomt op "an astonishing theft of unprecedented proportions" en "the largest theft of labor in human history." Dat is een stevige uitspraak, zeker als die van binnen het bedrijf zelf komt.

De onthulling komt uit rechtbankstukken in de auteursrechtzaak die The New York Times eind 2023 aanspande tegen OpenAI en Microsoft. De documenten waren eerder deels gecensureerd, maar zijn nu vrijgegeven. Volgens TechCrunch en The Washington Post bevatten ze nog meer opmerkelijke interne communicatie.

Zo schreef Nick Turley, hoofd van ChatGPT bij OpenAI, dat uitgevers een "existential threat" — een existentiële bedreiging — ervaren door AI-producten. Hij noemde die producten "largely substitutive": ze vervangen in de praktijk het bezoek aan de oorspronkelijke bron. OpenAI-president Greg Brockman reageerde op een intern bericht over een methode om de betaalmuur van de NYT te omzeilen met de woorden: "ah nice."

Microsoft heeft inmiddels gereageerd. Een woordvoerder stelde dat Hechts opmerkingen "de individuele mening van één medewerker" weergeven en niet de positie van het bedrijf zijn. Dat is een nuance die ertoe doet — het is geen officieel standpunt. Maar het is wél een interne observatie van iemand die dicht op de technologie zit.

De cijfers achter de claims

Wat mij extra trof, zijn de concrete aantallen die in de documenten staan. Volgens de rechtbankstukken bevatten de mid-training datasets van OpenAI meer dan 91.692 kopieën van werken van de NYT, de Daily News en het Center for Investigative Reporting. Een dataset afgeleid van Common Crawl — een grote, openbare webcrawl — bevatte meer dan twee miljoen documenten van nytimes.com alleen.

Daarnaast beschrijven de stukken projecten met namen als "Project Mango" en "Project Taxi" waarmee data werd gedeeld tussen OpenAI en Microsoft. Project Mango zou meer dan 160.903 unieke werken van nieuwsuitgevers bevatten.

En dan het effect: in een ander intern memo uit januari 2024 beschrijft Hecht hoe Microsofts Copilot de doorkliks naar de website van The New York Times met tot wel 93 procent verminderde ten opzichte van reguliere Bing-zoekresultaten. Hij noemt dat een "doom loop" — een neerwaartse spiraal waarbij minder bezoek leidt tot minder inkomsten voor uitgevers, wat uiteindelijk ook de kwaliteit van de data waarop AI-modellen trainen aantast.

Kun je je voorstellen wat dat betekent als je als uitgever of contentmaker afhankelijk bent van websiteverkeer?

Wat zei de CEO van Microsoft?

Een ander opvallend detail: Satya Nadella, CEO van Microsoft, verklaarde tijdens een getuigenis dat content achter betaalmuren "zou moeten worden gelicentieerd door iedereen die het wil gebruiken, voor grounding of training." Hij stelde ook dat hij OpenAI zou hebben gevraagd om modellen opnieuw te trainen als hij had geweten dat er content achter betaalmuren was gescrapet.

Dat is een interessante positie. Aan de ene kant investeert Microsoft miljarden in OpenAI. Aan de andere kant zegt de CEO dat betaalde content gelicentieerd had moeten worden. Ik denk dat dit laat zien hoe complex de situatie intern is — er is niet één Microsoft-standpunt, er zijn meerdere perspectieven die met elkaar botsen.

Wat betekent dit voor Nederlandse ondernemers?

Je hoeft geen grote uitgever te zijn om hier iets van te merken. De kern van deze zaak gaat over de vraag: wie heeft het recht om online gepubliceerd werk te gebruiken voor AI-training? En wat krijgt de maker daarvoor terug?

In Europa is die vraag deels geregeld. Volgens de Europese DSM-richtlijn en de Nederlandse Auteurswet mogen AI-bedrijven auteursrechtelijk beschermd materiaal alleen voor training gebruiken als de rechthebbende geen bezwaar heeft gemaakt. Dat bezwaar kun je kenbaar maken via een machine-leesbare opt-out, bijvoorbeeld in je robots.txt-bestand. Sinds 2 augustus 2026 gelden bovendien de transparantieverplichtingen uit artikel 50 van de AI Act.

De Nederlandse Uitgeversverbond (NUV) heeft in 2026 een collectieve claim ingediend tegen diverse AI-aanbieders voor compensatie van trainingsgebruik van Nederlandse publicaties. De uitkomst daarvan wordt verwacht rond 2027-2028.

Praktisch: wat kun je als ondernemer checken?

Stel dat je als ondernemer een website hebt met originele content — productbeschrijvingen, blogposts, handleidingen. Dan is het verstandig om te controleren of je robots.txt een duidelijke opt-out bevat voor AI-crawlers. Dat is geen juridische garantie, maar het is wel het mechanisme dat de huidige Europese wetgeving erkent.

Ik zou zelf ook willen weten: worden mijn teksten al gebruikt in trainingsdata? Dat is op dit moment lastig te achterhalen, maar de transparantieverplichtingen uit de AI Act zouden daar op termijn meer duidelijkheid over moeten geven.

Een breder signaal

Wat ik het meest opvallend vind aan dit verhaal is niet zozeer de uitspraak zelf — het woord "diefstal" is al langer onderdeel van het debat. Het is het feit dat deze woorden intern werden gebruikt bij een van de bedrijven die er het meest van profiteren. Dat is geen buitenstaander die kritiek levert, maar iemand die het proces van binnenuit beschrijft.

Microsoft zegt dat het een individuele mening is. Dat klopt formeel. Maar het is wel een mening gebaseerd op directe kennis van hoe de datasets zijn opgebouwd en wat het effect is op de bronnen.

Voor mij is dit vooral een signaal dat de spanning tussen AI-ontwikkeling en auteursrecht niet weggaat — en dat het verstandig is om als ondernemer te weten waar je eigen content staat in dat speelveld.