Empresas de inteligência artificial podem estar comprando milhões de livros para treinar seus modelos de linguagem e destruindo parte dos exemplares durante o processo de digitalização. A informação é de uma reportagem publicada pela 404 Media, veículo especializado em tecnologia, que aponta indícios dessa prática, mas não apresenta pedidos diretamente ligados às empresas de IA.
Segundo a publicação, a estratégia busca contornar um problema conhecido como “AI slop”, termo usado para descrever conteúdos de baixa qualidade produzidos por inteligências artificiais. Como esse tipo de material pode comprometer o treinamento de novos modelos, as empresas passaram a buscar fontes de conhecimento produzidas antes de 2022, ano do lançamento do ChatGPT.
Embora o uso de livros para treinamento de IA não seja novidade, a reportagem destaca o volume das compras e a forma como elas vêm sendo realizadas. Um livreiro ouvido pela 404 Media afirmou que suas vendas aumentaram significativamente desde abril deste ano. Se antes comercializava cerca de 20 livros por semana, passou a vender algumas centenas semanalmente por meio da plataforma ISBNdb.
O ISBNdb reúne mais de 111 milhões de obras cadastradas e, além de atuar como agregador de catálogos, passou a oferecer acesso à sua base de dados para o desenvolvimento e ajuste de modelos de linguagem. De acordo com a reportagem, a empresa também realiza vendas em larga escala, com pedidos que variam de mil a um milhão de livros por transação.
Ainda segundo a 404 Media, os pedidos chamam atenção pela falta de padrão entre autores, gêneros e temas, tendo em comum apenas o fato de envolverem livros com ISBN, o código internacional de identificação de publicações. A reportagem afirma ainda que compradores adquiriram obras de forma indiscriminada, inclusive exemplares com preços elevados.
O uso de livros protegidos por direitos autorais no treinamento de inteligências artificiais já motivou disputas judiciais. A Alphabet foi alvo de uma ação coletiva movida por editoras, acusada de utilizar ilegalmente milhões de livros para desenvolver o modelo Gemini. Já a Anthropic recebeu uma multa de US$ 1,5 bilhão por manter sete milhões de livros pirateados em seu diretório. Apesar da penalidade, a decisão reconheceu que o uso de livros para treinamento de IA pode se enquadrar na regra de “uso justo” prevista na legislação dos Estados Unidos.
A reportagem também aborda os métodos de digitalização utilizados pelas empresas. Durante um processo judicial, Tom Harvey, responsável pelo projeto de digitalização da Anthropic, confirmou que a companhia contratou empresas especializadas, entre elas a Datamation Information Services.
Segundo a 404 Media, um dos métodos preserva os livros físicos durante a digitalização. No entanto, a alternativa mais barata e rápida exige que as páginas sejam destacadas dos exemplares para serem processadas por escâneres industriais de alta velocidade, o que resulta na destruição dos livros. De acordo com a publicação, esse procedimento seria o preferido pelas desenvolvedoras de inteligência artificial devido à sua maior eficiência.
