Amazon Compra e Destrói Livros em Larga Escala para Treinar IA

A febre recente por compras em massa de livros físicos por empresas de inteligência artificial ganhou um novo capítulo nesta semana. Uma investigação realizada pelo portal 404 Media conseguiu rastrear um exemplar raro que foi enviado em julho dentro de um lote de mil livros. A busca revelou que essa encomenda acabou em um galpão logístico da Amazon, localizado em Las Vegas, nos Estados Unidos.

Esse espaço, segundo informações, é utilizado pela Amazon exclusivamente para digitalizar e destruir milhões de livros. A intenção por trás desse processo é extrair textos escritos por humanos para treinar modelos de IA. Com a crescente escassez de conteúdo confiável disponível na internet, as empresas estão em busca de grandes volumes de dados de alta qualidade.

O experimento começou após o mercado editorial notar um aumento incomum nas vendas de grandes lotes de livros. Desconfiada desse aquecimento atípico, a equipe do site decidiu despachar um dispositivo Apple AirTag, oculto dentro de um livro, em uma encomenda de mil unidades. Essa transação foi realizada pelo Biblio, um conhecido mercado online de publicações independentes.

A jornada do rastreador culminou nas mãos da VGT3, uma equipe que atua dentro de um complexo logístico da Amazon. Profissionais que trabalham no local relataram que a única função dessa unidade é processar e converter livros físicos em pacotes de dados digitais.

Na prática, para agilizar a inserção das páginas em scanners industriais de alta performance, os funcionários precisam cortar todas as lombadas e encadernações, o que acaba danificando o material original após a digitalização. A identidade visual da equipe não tenta disfarçar o procedimento. De acordo com o 404 Media, o logotipo da VGT3 apresenta um dinossauro segurando um livro, como que simulando o ato de rasgar e devorar o material.

Quando contatada pelo portal, a Amazon limitou-se a afirmar, em uma nota, que adquire publicações por canais comerciais legítimos, visando “ajudar a desenvolver e aprimorar os produtos e serviços que os clientes utilizam”.

Livros editados e lançados antes do crescimento da IA em 2022 representam uma fonte segura de linguagem puramente humana. Treinar algoritmos de nova geração com conteúdos extraídos da web atualmente acarreta o risco de absorver textos gerados por máquinas. A longo prazo, isso poderia comprometer a capacidade lógica dos modelos de linguagem.

Além da questão da qualidade, fatores financeiros e jurídicos também impulsionam essa prática. Antigamente, as grandes empresas de tecnologia costumavam recorrer a bibliotecas clandestinas na internet para “raspar” arquivos digitais sem custo. Contudo, o cerco judicial se intensificou: documentos revelaram que a Anthropic estava gerenciando uma iniciativa interna para digitalizar todos os livros do mundo.

Esse esforço, no entanto, esbarrou em direitos autorais, resultando em um acordo em que a empresa responsável pelo Claude foi multada em US$ 1,5 bilhão (cerca de R$ 7,6 bilhões) por manter uma base com 7 milhões de livros pirateados. Paralelamente, a Meta também enfrentou processos após o vazamento de um acervo ilegal que continha quase 82 terabytes de obras literárias.