Copilot gaf nieuwstekst terug in minder dan 1 procent

Microsoft heeft in de auteursrechtzaak van The New York Times en andere nieuwsuitgevers cijfers op tafel gelegd over wat gebruikers werkelijk met Copilot deden. Van 8,2 miljoen chatlogs bevatten er 59.545 minstens zestien woorden die overeenkwamen met nieuwsteksten. Dat is minder dan een procent. Journalist Lauren Feiner beschreef de rechtbankstukken op 4 september bij The Verge.

Hoe die dataset is samengesteld

De 8,2 miljoen gesprekken zijn geen willekeurige greep uit het Copilot-verkeer. Microsoft selecteerde ze op zoekwoorden die wijzen op gebruik van de websites van de eisende uitgevers, dus de kans op treffers lag vooraf al hoger dan in een gemiddelde steekproef. Zelfs binnen die gefilterde verzameling kwam de deskundige die de uitgevers inhuurden op iets minder dan zestigduizend gesprekken met woordelijke overlap van zestien woorden of meer met het nieuwsmateriaal waarmee het model zijn antwoorden onderbouwde.

Boeken en onderzoeksjournalistiek

In de parallelle zaak van auteurs vielen de getallen nog lager uit. Van diezelfde 8,2 miljoen gesprekken bevatten 24 antwoorden minstens dertig overeenkomende woorden. Van de 212 onderzochte boeken leverden er tien uberhaupt een match op. Een deskundige van het Center for Investigative Reporting kwam op 51 gevallen van wat in het rapport substantiele overlap met CIR-werk heet. Dat zijn kleine aantallen op een dataset die juist was samengesteld om treffers te vinden.

Waarom Microsoft deze cijfers nu toont

De inzet is fair use. Microsoft stelt dat trainen op auteursrechtelijk beschermd materiaal onder die uitzondering valt, omdat het eindproduct een ander doel dient dan de oorspronkelijke artikelen. Lage reproductiecijfers helpen dat betoog: als een chatbot in de praktijk vrijwel nooit hele passages teruggeeft, wordt de schade voor uitgevers moeilijker aan te tonen. De uitgevers houden vol dat de training zelf de inbreuk vormt, los van wat er later uit de chatbot rolt. Die tweedeling loopt door alle grote AI-auteursrechtzaken, van de zaak waarin het Amerikaanse ministerie van Justitie zich achter OpenAI schaarde tot de claim van Sony en Warner tegen Anthropic.

Wat betekent dit

Voor Nederlandse organisaties die Copilot inzetten verandert er juridisch voorlopig niets, maar de cijfers zeggen wel iets over het gedrag van de assistent. Letterlijk overschrijven gebeurt zelden. Samenvatten en herformuleren is de norm. Wie met Copilot werkt en bronnen netjes wil verantwoorden, kan er dus niet op rekenen dat de tool citaten woordelijk overneemt. Controleer een citaat altijd bij de bron zelf.

Voor uitgevers ligt de uitkomst ongemakkelijker. Hun echte bezwaar gaat over bezoekers die wegblijven omdat het antwoord al in de chatbot staat, en dat probleem heeft weinig te maken met woordelijke overlap. Dat AI-crawlers robots.txt op Europese sites negeren raakt hun verdienmodel harder dan een handvol gekopieerde alinea’s. De rechtbank moet nog bepalen welk van beide argumenten zwaarder weegt, en die uitspraak bepaalt voor jaren hoe AI-bedrijven met nieuwsarchieven mogen omgaan.