Livros impressos ganham papel estratégico no treinamento de modelos de inteligência artificial
A aquisição massiva de livros impressos para alimentar sistemas de inteligência artificial tem chamado a atenção de vendedores, pesquisadores e do mercado editorial. A ISBNdb, plataforma que se autointitula dona da maior base de dados de livros do mundo, está intermediando o fornecimento de obras físicas para desenvolvedoras de modelos de linguagem, em um movimento que reacende debates sobre a origem dos dados usados para treinar essas tecnologias.
A empresa reúne informações de pequenas livrarias, grandes fornecedores e até vendedores individuais que revendem exemplares usados. Segundo a própria ISBNdb, é possível coordenar transações com volume de até um milhão de unidades em uma única operação. Os pedidos, de acordo com reportagens sobre o tema, costumam variar entre mil e um milhão de livros, com combinações aparentemente aleatórias de títulos, o que tem intrigado comerciantes acostumados a outro perfil de demanda.
A preferência declarada das desenvolvedoras de IA recai sobre obras publicadas antes de 2022, período anterior à popularização de ferramentas como o ChatGPT e o Claude. A justificativa é que esses livros ofereceriam dados mais "limpos", sem a presença do chamado AI Slop, termo em inglês usado para descrever conteúdo raso gerado total ou parcialmente por inteligências artificiais generativas. O problema desse tipo de material já é reconhecido em diferentes plataformas. O LinkedIn, por exemplo, começou a disponibilizar recentemente um botão específico para que usuários denunciem publicações identificadas como AI Slop, além de uma prática conhecida como Workslop, que envolve textos de baixa qualidade compartilhados em ambientes corporativos.
A busca por fontes de alta qualidade não se limita aos livros. Modelos de linguagem, também chamados de LLMs, são treinados com grandes volumes de texto provenientes de plataformas como Reddit e Wikipedia. No Reddit, encontram diálogos mais humanos e interações espontâneas entre usuários. Na Wikipedia, há um volume expressivo de informações reunidas de forma relativamente padronizada. Os livros impressos entram nesse contexto como mais uma camada de conteúdo, com a vantagem adicional de trazerem textos longos, estruturados e revisados, características valorizadas no treinamento.
A lógica por trás dessa escolha é simples: quanto mais diversificada e confiável for a base de dados, mais assertivas tendem a ser as respostas geradas pelos modelos. Treinar uma IA apenas com conteúdo recente, já potencialmente contaminado por textos gerados por outras IAs, cria um ciclo em que a qualidade das informações pode diminuir progressivamente. Os livros publicados antes da explosão dos modelos generativos funcionam, portanto, como uma reserva de dados considerados originais.
O aumento repentino na procura por livros físicos acontece em um momento de digitalização crescente do consumo editorial, o que torna o movimento ainda mais curioso. Marketplaces e vendedores relatam uma oferta que não corresponde à demanda tradicional do mercado. Alguns chegaram a suspender vendas online temporariamente após receberem pedidos incomuns, com dezenas de títulos obscuros comprados de uma só vez.
A falta de transparência nas negociações é outro ponto que gera desconforto. Muitos vendedores afirmam não receber informações claras sobre quem está comprando os grandes volumes e qual será o destino das obras. A ISBNdb, por sua vez, trata as transações como confidenciais. Por outro lado, há um aspecto financeiro positivo para os comerciantes: a movimentação tem permitido a saída de títulos que estavam parados há tempos nas prateleiras, o que foi destacado por alguns entrevistados em reportagens sobre o tema.
O aspecto mais sensível envolve o possível destino dos livros após a digitalização. Um processo judicial movido nos Estados Unidos contra a Anthropic sugere que o método utilizado para converter as páginas em dados pode exigir o corte físico dos livros para alimentação das máquinas de leitura. Esse procedimento levantou a hipótese de que exemplares raros e de baixa circulação poderiam ser simplesmente descartados após o processo, transformando obras potencialmente preciosas em matéria-prima descartável para o treinamento de IA.
A discussão expõe um dilema pouco visibilizado até então: o desenvolvimento de tecnologias baseadas em inteligência artificial depende de vastos acervos de conteúdo humano, e a forma como esse material é obtido, processado e descartado ainda carece de regras claras e de maior transparência por parte das empresas envolvidas.
