Empresas de IA estão comprando livros impressos publicados antes de 2022 para treinar modelos com texto escrito por humanos, mas alguns exemplares raros estariam sendo destruídos no processo. A denúncia, publicada pela 404 Media, expõe um conflito que costuma desaparecer atrás de gráficos e promessas: digitalizar conhecimento pode ampliar o acesso, porém destruir a única cópia restante não é digitalização. É demolição com um arquivo no fim.
Por que livros anteriores a 2022 interessam aos laboratórios de IA?
Livros anteriores a 2022 interessam aos laboratórios porque oferecem texto humano, editado e anterior à inundação de conteúdo gerado por modelos de linguagem. A justificativa é técnica: conjuntos de dados com material sintético demais podem degradar novos sistemas.
Segundo a 404 Media, a corretora de dados ISBNdb fornece livros físicos em grandes volumes a desenvolvedores de IA. A empresa apresenta essas obras como material mais denso, revisado e confiável do que boa parte da internet atual, onde textos produzidos por máquinas já convivem com artigos humanos, cópias automáticas e páginas feitas apenas para capturar tráfego.
O problema descrito é conhecido como colapso de modelo. Quando um sistema é treinado repetidamente com textos produzidos por modelos anteriores, erros e limitações podem ser reciclados até se tornarem parte da paisagem. Procurar livros anteriores a 2022 seria, nesse sentido, uma tentativa de voltar a uma fonte menos contaminada pela própria indústria. A metáfora é quase alquímica: para fabricar uma máquina que escreva como gente, busca-se o papel de antes das máquinas escreverem como gente.
A ISBNdb também afirma que obras antigas escapam de técnicas de envenenamento de dados. Autores e editoras vêm inserindo alterações deliberadas em documentos digitais para dificultar o treinamento por IA. Um livro impresso, comprado e escaneado, é menos vulnerável a esse tipo de intervenção. A solução parece eficiente até entrar em cena o objeto físico, com sua encadernação, sua história e, em certos casos, sua condição de exemplar quase único.
Como o escaneamento pode destruir o exemplar original?
O escaneamento veloz destrói o livro quando remove sua lombada e separa as páginas para alimentá-las em equipamentos automáticos de captura de imagem.
Essa técnica é mais rápida e barata do que métodos de preservação, que fotografam cada página sem desmontar o volume. Em operações industriais, trabalhadores cortam ou retiram a lombada, organizam as folhas e as conduzem por scanners de alta velocidade. O resultado é um conjunto digital utilizável para treinamento, mas o exemplar físico deixa de existir como livro.
Para uma edição comum, isso já seria uma escolha discutível. Para uma obra que sobreviveu a guerras, incêndios e séculos de manuseio, a conta muda de natureza. Bibliotecas e livreiros ouvidos pela 404 Media disseram que alguns volumes encaminhados a esses programas possuem pouquíssimas cópias conhecidas. Um arquivo digital pode preservar o conteúdo legível, mas não recompõe a materialidade, a encadernação, as marcas de uso ou a possibilidade de comparar o exemplar com outros.
Há uma ironia antiga nessa operação. A imprensa nasceu para multiplicar textos; a automação promete multiplicá-los em escala ainda maior, mas começa eliminando a matriz. É como desmontar um violino raro para gravar o som de uma única apresentação. A gravação pode circular pelo mundo. O instrumento, não.
O sigilo comercial agrava o risco de perda cultural?
O sigilo agrava o risco porque impede saber quais empresas compram os livros, quais títulos entram no processo e quantos exemplares sobrevivem.
A ISBNdb reconhece preocupações reputacionais e, segundo a reportagem, usa acordos de confidencialidade para manter clientes comerciais em anonimato. Seu próprio site teria observado que a manchete sobre uma empresa de IA destruindo dois milhões de livros não despertaria simpatia, ao mesmo tempo que recomendaria descrever o procedimento como preservação digital. A frase, se reproduzida corretamente, revela uma operação de linguagem bastante conhecida: trocar o nome do dano pelo nome do produto.
O número de dois milhões aparece no material como uma comparação retórica com a destruição da Biblioteca de Alexandria, descrita como uma perda de ordem de grandeza superior. Essa comparação exige verificação antes da publicação, porque a quantidade de livros destruídos e a magnitude histórica de Alexandria não são estabelecidas com precisão no texto original. O ponto sólido é outro: uma coleção pode desaparecer sem fogo, sirenes ou multidão diante de uma porta em chamas.
O silêncio também dificulta a fiscalização. Se os compradores permanecem ocultos, vendedores podem não saber o destino final dos exemplares, e instituições de memória não conseguem priorizar obras ameaçadas. A história cultural costuma registrar o desastre quando ele já terminou. Neste caso, a destruição teria aparência de rotina logística: caixa, esteira, lâmina, scanner, arquivo. Nada de épico. Só irreversibilidade.
O que a decisão sobre a Anthropic muda nesse debate?
Uma decisão judicial envolvendo a Anthropic considerou, em circunstâncias específicas, que escanear livros comprados legalmente para treinar IA poderia constituir uso justo.
O raciocínio mencionado no relato é que destruir cada exemplar físico durante o escaneamento faria uma cópia legal substituir outra, em vez de criar cópias adicionais. Isso pode responder a uma questão de direito autoral, mas não resolve a questão patrimonial. Legalidade e preservação não são sinônimos; às vezes nem dividem o mesmo corredor.
A data e o alcance exatos dessa decisão precisam ser verificados antes da publicação, assim como os detalhes do caso e os limites aplicados pelo tribunal. Uma decisão sobre determinado conjunto de fatos não transforma automaticamente qualquer operação de corte de lombadas em prática autorizada. Também não decide se um livro raro deve ser tratado como mercadoria descartável apenas porque seu texto passou a caber em um banco de dados.
Elon Musk respondeu a um crítico no X dizendo ter pedido à equipe da SpaceXAI que preservasse livros raros em uma biblioteca e os escaneasse pelo método mais lento. A proposta aponta uma alternativa simples, embora mais cara: separar obras raras do fluxo industrial e preservar os originais enquanto o conteúdo é digitalizado. Se a tecnologia consegue treinar modelos com bilhões de tokens, consegue reservar alguns livros para uma câmera que não precise destruí-los.
O debate, portanto, não é entre progresso e nostalgia. É sobre critérios. Livros comuns podem ser substituídos; exemplares insubstituíveis, não. A indústria de IA procura dados limpos para evitar que seus modelos se alimentem de cópias degradadas, mas não pode tratar a memória humana como matéria-prima descartável e chamar o resíduo de preservação.
