Microsoftは新しいMAIモデルの訓練にライセンスされていないウェブデータを使用していた。以前は「エンタープライズグレード、クリーンで商業的にライセンスされたデータ」のみを使用していると主張していた

Microsoftの技術論文によると、MAIモデルの訓練に Common Crawl などの公開されたウェブソースが使用された。Microsoftは以前、訓練データが「エンタープライズグレード、クリーンで商業的にライセンスされたデータ」のみであると主張していた

Microsoftは訓練データを「公開入手可能かつライセンスされた人間が生成したデータの混合」と説明している。ウェブデータに関しては、「Robots Exclusion Protocol（robots.txt）および関連するメタタグとHTMLコントロールに対応した独自のクローラー」を使用していると述べている

他のAI企業と同様に、Microsoftはウェブスクレイピングで一般的にされているのと同じ慣行に依存していると考えられる。公正利用の法的解釈は争われており、裁判所がこれを整理している途中である