Por que empresas de IA estão atrás de livros físicos e por que alguns acabam destruídos

Profissionais realizam a digitalização de livros antigos em um laboratório equipado com scanners de alta tecnologia.

Livrarias independentes e vendedores de livros notaram um padrão curioso recentemente, com pedidos volumosos de títulos antigos e pouco procurados, que chamaram a atenção do mercado editorial. Relatos levantam a suspeita de que empresas de IA estariam atrás de livros físicos para alimentar seus modelos de linguagem. E essa busca por dados para treinamento levanta questões sobre o futuro do patrimônio bibliográfico. O mercado editorial observa atentamente essa nova dinâmica porque, muitas vezes, esses processos sacrificam a integridade física do exemplar original.

Por que empresas de IA estão atrás de livros físicos novamente

Empresas que desenvolvem inteligência artificial precisam de textos originais humanos e sistemas automatizados já mapearam grande parte do conteúdo digital disponível livremente na internet. Por isso, buscam fontes inéditas para criar conjuntos de dados robustos de literatura e o acesso a livros impressos antes oferece um vocabulário rico para enriquecer as bases de conhecimento. Portanto, surgiu uma suspeita de que laboratórios estariam adquirindo grandes acervos físicos especificamente para digitalização e treinamento de IA. Afinal, essa estratégia ajuda a melhorar a qualidade das respostas dos modelos generativos.

O problema da contaminação por conteúdo sintético

A internet atual já possui muito texto gerado por inteligência artificial e alimentar novos modelos com dados sintéticos gera um problema epistemológico grave. Especialistas chamam esse fenômeno de colapso de modelo, quando a qualidade da IA cai drasticamente com o tempo. Para evitar isso, engenheiros priorizam textos puramente humanos e obras publicadas décadas atrás garantem essa pureza linguística. Esse fator explica o interesse repentino por catálogos esquecidos, pois livros antigos funcionam como uma âncora de humanidade para algoritmos porque fornecem gramática correta, narrativas complexas e fatos históricos não adulterados.

O que é digitalização destrutiva

A conversão de livros físicos em dados exige escaneamento, porém, o método mais rápido e barato é a digitalização destrutiva. Esse processo remove as lombadas dos livros com guilhotinas industriais para, em seguida, as páginas soltas alimentarem scanners automáticos de alta velocidade. Essa técnica processa milhares de folhas em poucos minutos. Diferentemente dos métodos tradicionais, o livro original não sobrevive ao processo.

Scanners não destrutivos preservam a encadernação, mas operam lentamente, já exigem intervenção manual constante durante o processo. Por isso que operações em larga escala preferem o método destrutivo, contudo, a eficiência operacional supera a preservação física do objeto.

Por que livreiros começaram a desconfiar dos grandes pedidos

O mercado de livros usados opera com padrões previsíveis. Entretanto, recentemente, vendedores notaram compras atípicas de obras muito específicas. E perceberam que clientes misteriosos adquiriam dezenas de títulos obscuros de uma só vez. Diferente do padrão, esses compradores não pechincham e demonstram pouco interesse no estado de conservação. Esta reportagem da Ars Technica documenta essa inquietação crescente no setor.

Historicamente, empresas como a Anthropic enfrentaram questionamentos sobre a origem de seus datasets literários. Contudo, é preciso manter a cautela nas análises e não podemos afirmar que todos os pedidos incomuns vêm de laboratórios de IA. Já que alguns compradores podem ser apenas colecionadores excêntricos ou revendedores agressivos. Ainda assim, a coincidência de perfis levanta suspeitas válidas.

Todo livro comprado acaba destruído?

A resposta curta é não. Primeiramente, nem toda digitalização utiliza métodos destrutivos. Algumas instituições empregam tecnologias avançadas que protegem a integridade da obra. Muitos livros comprados também são apenas edições pouco disponíveis comercialmente e não representam necessariamente peças únicas de patrimônio histórico e, muitas vezes, existem centenas de cópias idênticas em bibliotecas públicas. A destruição de um exemplar comum não apaga a obra da história humana, então devemos evitar o pânico generalizado sobre a eliminação de acervos.

Contudo, é mais do que compreensível que esse fato gere descontentamento e preocupação. Afinal, apenas a eficiência de custo não justifica o desperdício material do conhecimento e esse processo poderia, pelo menos, contar com o suporte de instituições educacionais e os livros poderiam muito bem ser arquivados em bibliotecas físicas públicas ou particulares, fornecidos a escolas públicas ou meramente reintegrado ao mercado. Portanto, é mais do que esperado que as pessoas no mínimo estranhem, ainda mais pela conotação histórica envolvida no ato de destruir livros.

Copyright e propriedade física são problemas diferentes

Ademais, comprar um livro físico garante apenas a propriedade do objeto. Com isso, o comprador pode ler, revender ou até destruir as páginas impressas. No entanto, não adquire os direitos autorais do texto. Escanear uma obra protegida para treinar IA gera debates jurídicos complexos. Autores e editoras argumentam que essa prática viola leis de copyright vigentes, mas empresas de tecnologia defendem o uso justo dos dados extraídos. Tribunais ainda avaliam essas fronteiras legais em várias jurisdições globais. E esse conflito legal vai acompanhar lado a lado os debates sobre o futuro da inteligência artificial generativa.

O que acontece quando dados de treinamento competem com preservação

A digitalização em massa cria um dilema ético importante. Por um lado, transformar livros em dados democratiza o acesso indireto ao conhecimento direta ou indiretamente. Modelos de IA treinados com boa literatura se tornam ferramentas úteis. Por outro lado, a destruição física apaga a materialidade da cultura. Detalhes do design da capa, tipografia e anotações marginais geralmente desaparecem para sempre. Em estudos acadêmicos, esses elementos físicos também contam a história da publicação e a perda de contexto quando apenas o texto sobrevive. E, na prática acadêmica, nem sempre é fácil de achar exemplares de determinada edição em bom estado de conservação. Por isso, a preservação digital não substitui completamente a experiência tátil e histórica de cada exemplar. Então não adianta simplesmente extrair o material e converter em dados acessíveis na internet ou meramente absorver o conteúdo dos livros na base de conhecimento de ferramentas de IA generativa.

Curte nosso blog? Então compartilhe nas redes!