Um recente aumento na compra de livros físicos por empresas de inteligência artificial ganhou destaque esta semana. Uma investigação realizada pelo portal 404 Media rastreou um exemplar raro que foi enviado em julho dentro de um lote de mil livros, descobrindo que o pacote chegou a um armazém logístico da Amazon em Las Vegas, nos Estados Unidos.
Esta instalação seria utilizada pela Amazon especificamente para digitalizar e, posteriormente, destruir milhões de livros, com o objetivo de extrair textos criados por seres humanos para alimentar modelos de IA. Esse método permite que as corporações obtenham grandes quantidades de dados de alta qualidade, especialmente diante da crescente dificuldade em encontrar conteúdo confiável para treinamento na internet.
O experimento foi motivado por um crescimento incomum nas vendas de grandes lotes no mercado editorial. Desconfiando desse aquecimento setorial, a equipe do site enviou um dispositivo Apple AirTag escondido dentro de um livro em um pedido de mil unidades, feito através do Biblio, um importante mercado online de publicações independentes.
A trajetória do rastreador culminou nas mãos da VGT3, uma equipe que opera dentro de um complexo logístico da Amazon. De acordo com relatos de trabalhadores locais, a função exclusiva desta unidade é transformar livros físicos em conjuntos de dados digitais. Para acelerar a inserção das páginas em scanners industriais de alto desempenho, os colaboradores procedem ao corte de todas as lombadas e encadernações, o que resulta no dano do material original logo após a digitalização.
A identidade visual da equipe não tenta disfarçar o procedimento; segundo o 404 Media, o logotipo da VGT3 apresenta um dinossauro segurando um livro, simbolizando o ato de rasgar e consumir o material.
Publicações que foram editadas e lançadas antes do auge da IA em 2022 são consideradas uma fonte de linguagem puramente humana, limpa e garantida. Utilizar conteúdos atuais da web para treinar algoritmos de nova geração carrega o risco de incorporar textos gerados por máquinas, o que, a longo prazo, pode diminuir a capacidade lógica desses modelos.
Além da questão da qualidade do dado, fatores financeiros e legais impulsionam essa prática. Antigamente, as grandes empresas de tecnologia obtinham arquivos digitais gratuitamente através de bibliotecas clandestinas na internet. Contudo, o rigor judicial restringiu essa atividade. Documentos judiciais indicaram que a Anthropic administrava uma iniciativa interna para digitalizar toda a literatura mundial. Essa empreitada encontrou obstáculos relacionados a direitos autorais, culminando em um acordo onde a proprietária do Claude pagaria US$ 1,5 bilhão para manter uma base contendo sete milhões de livros piratas.
Em paralelo, a Meta também foi alvo de processos após o vazamento de um acervo ilegal que continha quase 82 terabytes de obras literárias. Devido às multas bilionárias impostas por violação de direitos autorais, a aquisição legal de vastas coleções físicas tornou-se uma opção mais econômica e juridicamente segura para as corporações.
Uma recente deliberação da justiça federal americana sugeriu que o uso de exemplares comprados licitamente para treinar modelos de IA pode ser enquadrado como «uso justo», criando aberturas legais para a manutenção dessa prática. Ao ser contatada sobre a instalação em Las Vegas, a Amazon apenas confirmou em comunicado que adquire publicações por meios comerciais legítimos para «ajudar a desenvolver e aprimorar os produtos e serviços que os clientes utilizam».
