Empresas de inteligência artificial já estiveram no centro de debates sobre o uso de obras literárias para treinar suas ferramentas. Agora, há indícios de que essas companhias podem estar adquirindo um volume massivo de livros para aprimorar seus modelos de linguagem, em uma tentativa de evitar o chamado 'AI slop' — conteúdo de baixa qualidade gerado pelas próprias IAs.
Compra em larga escala de livros
Uma reportagem do site 404 Media revela que as empresas de IA estariam comprando livros aos milhões para contornar a contaminação dos bancos de dados por textos mal revisados e produzidos por inteligências artificiais. O termo 'AI slop', em tradução livre 'desleixo de IA', refere-se a esse conteúdo de baixa qualidade que as desenvolvedoras evitam durante o treinamento, pois compromete a precisão dos modelos.
A alternativa encontrada é utilizar informações publicadas antes de 2022, ano de lançamento do ChatGPT. Assim, fontes de conhecimento humano originais entraram na rota das empresas de IA generativa. Embora o uso de livros no treinamento de IA não seja novidade, a escala e a estratégia de compra são os principais focos da investigação.
Aumento explosivo nas vendas de livreiros
Um livreiro profissional, que preferiu não se identificar, afirmou à 404 Media que suas vendas na plataforma ISBNdb explodiram desde abril de 2024. Antes, as saídas semanais eram de cerca de 20 livros; agora, o número aumentou cinco vezes, chegando a centenas de unidades por semana.
O ISBNdb é um dos principais agregadores de catálogos de livros, oferecendo ferramentas de conexão entre vendedores e editores. A empresa alega ter mais de 111 milhões de obras cadastradas. Desde a explosão das ferramentas de IA generativa, o ISBNdb mudou seu modelo de negócios, passando a disponibilizar acesso à sua base de dados para ajustes finos de modelos de linguagem grandes, além de serviços de vendas em escala de livros.
Pedidos aleatórios e sem padrão
Segundo a reportagem, os pedidos variam de 1.000 a 1 milhão de livros em uma única transação. Um dos principais indícios de que empresas de IA seriam as compradoras — embora nenhum pedido tenha sido diretamente associado a elas — é a aleatoriedade das compras. Com exceção do fato de que todos os livros adquiridos em larga escala possuem ISBN (código internacional de identificação), não há padrão quanto a tema, gênero ou autor. A 404 Media acrescenta que os compradores adquiriram indiscriminadamente livros superfaturados.
Processos judiciais anteriores
Desenvolvedores de inteligência artificial já enfrentaram tribunais pelo uso de livros no treinamento de seus modelos. A Alphabet foi alvo de um processo coletivo de editoras, acusada de usar ilegalmente milhões de livros protegidos por direitos autorais para desenvolver o Gemini. Já a Anthropic, criadora do Claude, teve de pagar uma multa de US$ 1,5 bilhão por manter sete milhões de livros pirateados em seu diretório. A decisão judicial, no entanto, considerou que o uso de livros para treinamento de IA se enquadra na regra de 'uso justo' da lei de direitos autorais dos Estados Unidos.
Destruição dos livros físicos
Durante o processo contra a Anthropic, Tom Harvey, líder do projeto de digitalização da empresa, confirmou que a companhia contratou diversas firmas de digitalização de documentos, incluindo a Datamation Information Services. Um dos métodos utilizados pela Datamation emprega escâneres que preservam a integridade dos livros físicos. No entanto, o método preferido pelas desenvolvedoras de IA é mais barato e eficiente: funcionários destacam as páginas das obras para alimentar um escâner industrial de alta velocidade. Esse processo, segundo a 404 Media, resulta na destruição dos livros.
