A empresa que começou vendendo livros pela internet está agora destruindo exemplares raros para alimentar seus modelos de inteligência artificial. Uma investigação do veículo 404 Media, repercutida pelo TechCrunch, revelou que a Amazon compra grandes volumes de obras antigas e fora de catálogo, corta suas lombadas com uma guilhotina e digitaliza o conteúdo para usar como dados de treinamento de IA. A prática acende um debate urgente sobre preservação cultural, direitos autorais e o apetite insaciável das grandes empresas de tecnologia por dados textuais.
Como a investigação revelou a prática
A reportagem do 404 Media tomou forma a partir de uma abordagem investigativa incomum: os jornalistas esconderam um rastreador GPS dentro de um livro raro colocado à venda em um marketplace. Após a compra pela Amazon, o dispositivo rastreou o trajeto do exemplar até uma instalação da empresa em Las Vegas, Nevada, identificada internamente como VGT3.
A unidade ostenta um símbolo peculiar: um dinossauro segurando um livro entre as garras, uma imagem que, à luz da revelação, adquire um significado irônico. Questionada sobre a prática, a Amazon confirmou a atividade de forma lacônica. A empresa declarou ao 404 Media que “adquire livros por meio de canais comerciais para aprimorar os produtos e serviços que os clientes utilizam.” A resposta não detalha o destino dos exemplares após a digitalização, nem se autores ou detentores de direitos recebem qualquer forma de compensação.
Por que livros raros se tornaram ouro para a IA
Para entender o interesse da Amazon por acervos físicos raros, é necessário compreender como funcionam os grandes modelos de linguagem, conhecidos pela sigla LLM (do inglês Large Language Models). Esses sistemas de inteligência artificial são treinados com quantidades colossais de texto para aprender padrões da linguagem humana. O problema central é que a internet, fonte primária de dados nas últimas décadas, já foi praticamente esgotada como repositório de texto inédito.
Empresas como Google, OpenAI, Anthropic e a própria Amazon chegaram a um ponto crítico: simplesmente não há mais texto novo de qualidade suficiente disponível para consumo online. Livros raros, especialmente aqueles fora de catálogo ou impossíveis de encontrar em formato digital, representam uma mina de ouro inexplorada. São textos escritos por seres humanos em décadas e séculos passados, cobrindo uma diversidade de estilos, contextos históricos e vocabulários que enriquecem o treinamento dos modelos de formas que conteúdos digitais recentes não conseguem replicar.
Há ainda outro fator decisivo: a garantia de autenticidade. Textos publicados antes de 2022, data aproximada em que os LLMs modernos começaram a proliferar massivamente na internet, têm uma característica única: há certeza absoluta de que não foram gerados por inteligência artificial. Isso é crucial para a qualidade do treinamento.
O perigo do colapso de modelo
O colapso de modelo (em inglês, model collapse) é uma das preocupações mais sérias da pesquisa em IA atualmente. Quando um modelo é treinado com texto gerado por outro modelo de IA, ele tende a herdar e amplificar erros, vieses e limitações do sistema original. O resultado é uma degradação cumulativa da qualidade, semelhante ao que acontece quando se tira uma cópia de uma cópia repetidamente: a imagem perde nitidez a cada geração.
Livros antigos e raros oferecem uma solução parcial para esse problema: são textos com garantia de origem humana, escritos antes da era dos LLMs, abrangendo formas de pensar e se expressar que os modelos atuais ainda exploram de maneira insuficiente. Um romance obscuro dos anos 1950, um tratado filosófico de 1870 ou um manual técnico de 1920 podem conter estruturas linguísticas, metáforas e modos de raciocínio que enriquecem o repertório do modelo de formas que textos digitais modernos não conseguem oferecer.
Questões legais e éticas em aberto
A prática levanta questões legais complexas em múltiplas jurisdições. No Brasil, a Lei de Direitos Autorais (Lei 9.610/1998) protege obras literárias por 70 anos após a morte do autor. Digitalizar e usar esses textos para treinar IA sem autorização dos detentores dos direitos pode configurar infração. A situação é ainda mais delicada quando se trata de obras raras, que frequentemente pertencem a acervos privados, bibliotecas ou famílias de autores.
Nos Estados Unidos, diversas ações judiciais já foram movidas contra empresas de IA por uso não autorizado de obras protegidas. A Anthropic, desenvolvedora do assistente Claude, enfrentou processos relacionados ao uso de livros sem autorização em seus dados de treinamento. O modelo da Amazon, de comprar fisicamente os livros e digitalizá-los, pode ser uma tentativa de contornar algumas dessas questões, já que a aquisição dos exemplares ocorre de forma comercial. No entanto, especialistas apontam que a compra do objeto físico não transfere automaticamente os direitos de reprodução do conteúdo protegido por direitos autorais.
Impacto na preservação cultural
Além das questões legais, há uma dimensão cultural preocupante na prática revelada. Livros raros têm valor histórico e patrimonial que vai muito além do seu conteúdo textual. Exemplares com anotações manuscritas, marcas de uso, encadernações originais e outras características físicas são fontes inestimáveis para pesquisadores, bibliotecários e historiadores. Quando a lombada é cortada para digitalização industrial, esses elementos são destruídos de forma irreversível.
Bibliotecas e arquivos ao redor do mundo investem recursos significativos em projetos de digitalização que preservam não apenas o texto, mas também as características físicas das obras e seus metadados de proveniência. A abordagem da Amazon, orientada pela eficiência industrial de uma linha de produção de dados, ignora completamente essa dimensão da preservação cultural.
O que isso significa para quem usa IA no dia a dia
Para o usuário brasileiro de tecnologia, a prática da Amazon ilustra algo fundamental: os dados que alimentam as ferramentas de IA utilizadas no cotidiano, de assistentes virtuais a sistemas de escrita automática, passando por ferramentas de programação e tradução, vêm de fontes cada vez mais diversas e, muitas vezes, controversas. Compreender de onde vêm esses dados é fundamental para avaliar as capacidades e os limites dessas ferramentas.
As ferramentas de IA que parecem “saber de tudo” são, na prática, sistemas treinados com dados humanos. A qualidade e a diversidade desses dados determinam diretamente a qualidade das respostas. A corrida pela digitalização de livros raros está, portanto, diretamente relacionada à melhoria das ferramentas que milhões de brasileiros utilizam todos os dias.
O que esperar a seguir
O caso da Amazon e os livros raros é mais um capítulo na corrida frenética por dados de treinamento que define a era atual da inteligência artificial. Com a internet praticamente esgotada como fonte primária, empresas estão explorando alternativas: contratos com editoras para acesso a acervos licenciados, parcerias com bibliotecas públicas, geração sintética de dados e, como revelou a investigação, a aquisição e digitalização destrutiva de acervos físicos.
Reguladores em todo o mundo estão atentos a essas práticas. A União Europeia, com o AI Act em vigor, e o Brasil, com marcos regulatórios em desenvolvimento na área de inteligência artificial e proteção de dados, devem criar parâmetros mais claros sobre o uso de obras protegidas no treinamento de sistemas de IA. Até lá, a corrida pelos dados continua, com livros raros como mais uma vítima colateral do apetite insaciável dos grandes modelos de linguagem por texto de origem humana.
