Livreiros começaram a notar uma procura estranha por livros publicados antes de 2022: centenas de exemplares eram comprados de repente, sem relação aparente entre os assuntos e sem preocupação com preço. A explicação mais provável é uma corrida por textos antigos, legíveis por máquinas e menos contaminados por conteúdo gerado por inteligência artificial. O detalhe incômodo é o método atribuído à Anthropic: comprar livros e destruí-los para escanear suas páginas. A história, revelada por documentos judiciais e reportagens, expõe uma contradição bastante contemporânea: para preservar conhecimento em modelos digitais, uma empresa pode estar triturando os objetos que o carregaram durante séculos.
Por que uma empresa de IA compraria livros tão diferentes?
A compra em massa parece buscar livros anteriores à popularização do ChatGPT, quando a presença de texto gerado por IA na internet ainda era pequena. Um livreiro ouvido pelo site 404 Media relatou que suas vendas saltaram de cerca de 20 livros por semana para centenas, embora os títulos não compartilhassem tema, público ou faixa de preço. O ponto comum era outro: todos tinham ISBN, o identificador internacional usado no mercado editorial.
A descrição combina com o chamado Project Panama, iniciativa atribuída à Anthropic em documentos internos revelados num processo judicial. Em outubro de 2024, um memorando sobre aquisição de dados mencionou aproximadamente 40 milhões de livros disponíveis para compra e uma expansão dos investimentos no projeto. Os valores e as quantidades efetivamente adquiridas aparecem redigidos. Ainda assim, o documento indica uma operação industrial, não uma coleção excêntrica de bibliófilo rico.
O que significa escanear um livro de forma destrutiva?
Escaneamento destrutivo é a digitalização acelerada de um livro depois que ele é cortado, descolado e separado em folhas avulsas para passar por um scanner.
O procedimento remove a lombada ou dissolve a cola da encadernação com solvente aquecido. As páginas soltas entram num alimentador automático de alta velocidade, e o papel restante é descartado ou transformado em polpa. Para uma operação interessada principalmente no conteúdo textual, a encadernação vira obstáculo físico, quase uma embalagem descartável.
A digitalização sem destruição já foi demonstrada pelo projeto Google Books, mas exige manuseio cuidadoso, tempo e equipamentos adequados. O método destrutivo troca preservação por escala. É a lógica da linha de montagem aplicada a um objeto cuja função sempre incluiu sobreviver ao leitor, circular entre bibliotecas e continuar existindo depois que a máquina terminou de observá-lo.
Por que livros antigos seriam valiosos para os modelos de linguagem?
Livros anteriores a novembro de 2022 oferecem textos editados, gramaticais e predominantemente humanos, reduzindo a exposição dos modelos ao material sintético publicado na internet.
Modelos de linguagem aprendem a partir de grandes volumes de texto legível por computador. À medida que chatbots se espalham, suas respostas também passam a ser publicadas, copiadas e incorporadas a novos conjuntos de treinamento. A geração seguinte pode, portanto, receber uma mistura crescente de escrita humana e de imitações produzidas por sistemas anteriores.
O problema ganhou um nome: colapso de modelo. Em 2023, Ross Anderson e colegas descreveram, no estudo “The Curse of Recursion”, que usar conteúdo gerado por modelos no treinamento provoca defeitos irreversíveis nos resultados. A metáfora é menos elegante, mas mais precisa: máquinas começam a respirar o próprio escapamento. Textos impressos, convertidos em dados antes dessa saturação, aparecem como uma fonte relativamente limpa para a empreitada.
O que essa corrida revela sobre a indústria de IA?
A corrida revela que dados editoriais de qualidade são um ativo estratégico, enquanto o livro físico é tratado como matéria-prima substituível.
A Anthropic teria contratado, em 2024, Tom Turvey, executivo ligado ao projeto Google Books, para conduzir o Project Panama. O codinome aparece associado à intenção de manter a iniciativa desconhecida, segundo um documento interno tornado público no processo Bartz v. Anthropic PBC. A empresa é apontada como a compradora mais provável, mas essa atribuição deve ser tratada como informação documentada e não como uma conclusão judicial definitiva.
Há uma ironia pesada nesse arranjo. A indústria vende modelos capazes de resumir, explicar e reorganizar conhecimento, mas precisa adquirir o suporte material desse conhecimento para abastecê-los. O livro, que passou séculos sendo multiplicado para escapar da perda, agora pode ser desmanchado para virar uma sequência de tokens. A revolução não exige necessariamente queimar a biblioteca. Às vezes, basta remover a lombada.
