Empresas de inteligência artificial podem estar adquirindo milhões de livros físicos para ampliar a base de treinamento de seus modelos de linguagem. A informação foi divulgada pela 404 Media, publicação especializada em tecnologia, que aponta um aumento incomum nas compras em larga escala e indícios de que parte dessas obras estaria sendo destruída durante o processo de digitalização.

A prática surge em meio à busca das desenvolvedoras por conteúdos produzidos antes da popularização da IA generativa, considerados mais confiáveis para treinar novos modelos.

Busca por dados de maior qualidade

Segundo a reportagem, as empresas tentam evitar o chamado \AI slop\, expressão utilizada para descrever conteúdos de baixa qualidade gerados por inteligência artificial.

Como esses materiais podem comprometer o desempenho dos modelos, as desenvolvedoras passaram a priorizar obras produzidas antes de 2022, período anterior ao lançamento do ChatGPT e à explosão da IA generativa.

Livros publicados por autores humanos tornaram-se, assim, uma fonte valiosa de informação para alimentar sistemas de inteligência artificial.

Compras em escala chamam atenção

A investigação relata o depoimento de um livreiro profissional que afirmou ter registrado um salto expressivo nas vendas desde abril deste ano.

Segundo ele, o volume semanal passou de poucas dezenas para centenas de exemplares, enquanto plataformas especializadas passaram a registrar pedidos que variam entre 1.000 e até 1 milhão de livros em uma única operação.

Outro fator que chamou atenção foi a diversidade dos títulos adquiridos, sem concentração por autor, tema ou gênero literário, mas sempre envolvendo obras identificadas por ISBN.

ISBNdb também oferece acesso a bases de dados

A reportagem destaca ainda a atuação da plataforma ISBNdb, uma das maiores bases de dados bibliográficos do mundo.

Além de conectar livreiros, editoras e distribuidores, a empresa passou a oferecer serviços voltados ao mercado de inteligência artificial, incluindo acesso a bancos de dados que podem ser utilizados para o treinamento e ajuste fino de modelos de linguagem.

Embora não existam evidências públicas ligando diretamente empresas de IA às compras mencionadas, o perfil das transações levantou suspeitas entre profissionais do setor.

Digitalização pode destruir exemplares

Outro ponto abordado pela investigação é o processo de digitalização dos livros.

Segundo a 404 Media, empresas contratadas para converter as obras em arquivos digitais utilizam dois métodos principais.

O primeiro preserva a integridade física dos livros. Já o segundo, considerado mais rápido e econômico, exige que as páginas sejam destacadas para alimentação de escâneres industriais de alta velocidade, tornando impossível a reutilização dos exemplares físicos.

A publicação afirma que esse procedimento seria o mais utilizado pelas desenvolvedoras de inteligência artificial devido à sua eficiência operacional.

Debate sobre direitos autorais continua

O uso de livros para treinamento de modelos de IA já vem sendo alvo de disputas judiciais.

Empresas como Google e Anthropic enfrentaram processos relacionados ao uso de obras protegidas por direitos autorais.

Em um dos casos mais recentes, a Anthropic foi condenada ao pagamento de uma multa de US$ 1,5 bilhão por manter milhões de livros pirateados em seu banco de dados. Apesar disso, a decisão também reconheceu que, em determinadas circunstâncias, o treinamento de modelos de inteligência artificial pode se enquadrar na doutrina de uso justo (fair use) prevista na legislação dos Estados Unidos.

A nova reportagem reacende o debate sobre os limites legais e éticos do uso de obras intelectuais para o desenvolvimento da inteligência artificial, tema que continua dividindo empresas de tecnologia, autores, editoras e reguladores ao redor do mundo.