Tem uma cena que parece tirada de filme de espionagem, mas é jornalismo investigativo puro: repórteres da 404 Media enfiaram um rastreador dentro de um livro raro e seguiram o pacote até… um galpão da Amazon em Las Vegas. O nome do lugar é VGT3, e o símbolo que decora a fachada é, sem ironia nenhuma, um dinossauro segurando um livro nas garras. Olha que coisa interessante: o bicho que simboliza extinção guardando o que pode ser o combustível fóssil da próxima geração de IA.
Segundo a apuração, a Amazon compra exemplares raros, corta as lombadas e escaneia as páginas para transformar tudo em dado de treinamento para seus modelos de linguagem. Em nota, a empresa confirmou que “adquire livros por canais comerciais para melhorar os produtos e serviços que os clientes usam”, sem entrar em detalhes sobre a destruição física dos volumes.
Para entender o porquê disso, vale pensar em LLM como motor que precisa de gasolina em quantidade industrial. O problema é que a internet inteira já foi sugada como combustível, e boa parte do texto disponível online hoje já nasceu sintético, escrito por outra IA. É aqui que entra o conceito de model collapse: quando um modelo treina repetidamente sobre conteúdo gerado por modelos anteriores, a qualidade das respostas degrada, como uma fotocópia de fotocópia perdendo nitidez a cada geração.
Livros raros e fora de catálogo resolvem duas dores ao mesmo tempo. Primeiro, são texto inédito, que nunca circulou na web e portanto nunca alimentou nenhum crawler antes. Segundo, e isso é o detalhe mais precioso, qualquer coisa publicada antes de 2022 tem uma garantia natural: nenhuma linha ali foi escrita por um LLM, porque eles simplesmente não existiam em escala. É dado humano puro, sem contaminação sintética.
O caso se encaixa num movimento maior da indústria. A Anthropic, por exemplo, teve que fechar um acordo bilionário depois de ser flagrada usando livros pirateados para treinar modelos, como mostrei em cobertura anterior aqui no blog. A diferença agora é que a Amazon está fazendo a compra pela via legal, só que o preço dessa legalidade é a destruição física de exemplares que muitas vezes são únicos ou quase impossíveis de encontrar de novo.
Cada lombada cortada é um lembrete de que dado de treinamento também é um recurso finito, e a indústria de IA já está escavando o fundo do poço.
Fica a reflexão: se rastrear um único livro já foi suficiente para revelar essa operação, quantos outros exemplares raros já desapareceram nesse processo sem deixar rastro nenhum?