A Anthropic comprou milhões de livros físicos, digitalizou o conteúdo e destruiu os exemplares para treinar o Claude: essa é a prática descrita em um relatório investigativo publicado pelo 404 Media e que coloca as grandes empresas de IA no centro de um debate que vai além do copyright.
A reportagem revela que companhias do setor estão recorrendo a livros impressos anteriores a 2022, justamente porque o material humano pré-AI slop representa hoje um dos poucos reservatórios de dados de alta qualidade disponíveis, em um cenário onde a internet já está contaminada por conteúdo gerado por máquinas.
O problema do dado limpo em 2026
O raciocínio por trás da corrida aos livros físicos é direto: o conteúdo que proliferou na web nos últimos anos é, em grande parte, gerado por IA, e treinar um modelo com esse material produz um efeito de degradação progressiva, como uma cópia de cópia que perde definição a cada geração.
Livros impressos, especialmente os publicados antes da explosão dos large language models, carregam escrita humana densa, revisada e contextualizada, o tipo de dado que faz diferença na qualidade de resposta de um modelo. Com isso, a demanda por acervo físico saltou de forma surpreendente: um vendedor anônimo ouvido pelo 404 Media relatou que suas vendas semanais passaram de cerca de 20 livros para várias centenas, um crescimento de cinco vezes que começou em abril deste ano. Plataformas como Alibris e Biblio registraram picos similares de compras em volume.
Project Panama e a linha de produção de destruição
No caso da Anthropic, os detalhes vieram à tona durante processo judicial. Tom Harvey, que antes de liderar o projeto de digitalização da empresa havia trabalhado na criação do Google Books, confirmou em depoimento que a Anthropic contratou diversas empresas especializadas em escaneamento de documentos para o chamado “Project Panama”. Uma delas foi a Datamation Information Services, que oferece tanto serviços de digitalização não destrutiva, com scanners de superfície plana ou sistemas em formato de V, quanto o método destrutivo: os livros são literalmente desmontados, com as páginas alimentadas individualmente em scanners industriais de alta velocidade.
A lógica econômica favorece a destruição: é mais rápido e mais barato. Os livros adquiridos vieram da plataforma Better World Books. O tribunal reconheceu que o uso de livros para treinamento de IA se enquadra no conceito de fair use previsto na lei de copyright dos EUA, mas a Anthropic ainda assim foi condenada a pagar uma multa de US$ 1,5 bilhão por manter um repositório com sete milhões de livros pirateados, em violação direta aos direitos de autores e editoras.
ISBNdb e a nova logística do acervo humano
Para dar escala ao processo, empresas intermediárias entraram no circuito. O ISBNdb, banco de dados online com mais de 111 milhões de livros catalogados, migrou parte de seu modelo de negócio para atender à demanda das empresas de IA, oferecendo serviços especializados de compra em volume. Segundo o 404 Media, os pedidos variam de 1.000 a um milhão de exemplares em uma única transação. O padrão de compra levanta bandeiras: os pedidos seguem o critério de possuir um ISBN, o código de 13 dígitos usado globalmente para identificar publicações, sem nenhum filtro por tema, gênero ou autor. Os compradores também ignoraram a precificação, adquirindo títulos mesmo quando estavam superfaturados, o que indica que a escassez de dados limpos tornou o custo por livro secundário na equação.
A Google também não escapa do escrutínio: uma coalizão de editoras entrou com ação judicial contra a empresa, acusando-a de usar milhões de livros protegidos por direitos autorais para desenvolver os modelos Gemini.
O custo que não aparece nos balanços
Há uma dimensão do problema que os dados financeiros não capturam. Quando uma empresa de IA compra em massa livros raros ou fora de catálogo e os tritura para digitalização, esse conteúdo sai de circulação de forma permanente e vai para um banco de dados privado, inacessível ao público. O modelo atual não distingue entre uma edição comum e um exemplar de difícil reposição. A digitalização não é, nesse contexto, um ato de preservação: é extração de valor para uso proprietário, com o subproduto sendo a remoção física do objeto do mundo compartilhado.
Fonte: Tom’s Hardware
Um livro para entender a IA antes da era dos modelos generativos
A discussão sobre o uso de livros para treinar inteligências artificiais mostra como obras escritas por especialistas se tornaram um dos recursos mais valiosos da era da IA. Em Vida 3.0: O ser humano na era da inteligência artificial, o pesquisador do MIT Max Tegmark explora os impactos da inteligência artificial na sociedade, no trabalho e no futuro da humanidade em uma leitura que continua atual.