Empresas de IA buscam dados de forma agressiva para treinar modelos

A corrida pela evolução da inteligência artificial (IA) tem levado empresas de tecnologia a buscar dados de formas cada vez mais agressivas e controversas. Modelos como ChatGPT e Gemini necessitam de vastos volumes de informações para aprender, mas a quantidade de dados de qualidade disponível não acompanha o ritmo de crescimento desses sistemas. Essa escassez tem impulsionado a indústria a explorar fontes como obras protegidas por direitos autorais, bibliotecas digitais piratas e até mesmo a destruição de livros antigos após a digitalização.

Fontes de dados e dilemas éticos

O treinamento de IA envolve a transformação de grandes volumes de dados em informações processáveis matematicamente. Segundo advogados consultados, os dados podem vir de diversas fontes, incluindo a internet, bases públicas ou licenciadas, livros, notícias, artigos científicos, parceiros comerciais, especialistas e, quando permitido, interações de usuários. No entanto, a forma como esses dados são obtidos e as escolhas feitas pelos desenvolvedores influenciam diretamente o comportamento e os vieses dos modelos.

O processo de treinamento inclui pré-treinamento com vastos conteúdos da internet, ajuste fino com dados específicos, alinhamento por meio de feedback humano (RLHF) e, em alguns casos, dados de usuários. Há preocupações sobre o compartilhamento de informações sensíveis e a privacidade, especialmente quando os dados incluem gravações de tarefas no mundo físico ou partes de residências.

A busca por dados e os limites legais

A dificuldade em encontrar conteúdo humano de alta qualidade tem levado empresas a recorrer a obras protegidas por direitos autorais. Casos notórios incluem a Anthropic, que utilizou mais de 482 mil livros de bibliotecas piratas para treinar seu modelo Claude, resultando em um acordo de US$ 1,5 bilhão. A Meta também enfrentou processos por usar livros de bibliotecas piratas para treinar seu modelo LLaMA.

Advogados alertam que a finalidade inovadora de uma tecnologia não legitima a forma como os dados foram obtidos, e o acesso tecnicamente possível não implica autorização jurídica. Empresas também são acusadas de contornar bloqueios técnicos de sites para coletar conteúdo automatizado.

O papel do trabalho humano e os custos ocultos

Apesar da automação, uma parte crucial do treinamento de IA depende de pessoas, os chamados “trabalhadores fantasmas”. Eles são responsáveis por classificar imagens, avaliar respostas e moderar conteúdos, muitas vezes expostos a materiais chocantes e traumáticos sem suporte psicológico adequado. Investigações revelaram que trabalhadores na Índia e nos Estados Unidos analisam vídeos de violência extrema e conteúdos perturbadores, enfrentando pressão por produtividade e risco de demissão.

No Brasil, o treinamento de IA gerou um mercado de microtarefas com remuneração baixa e pouca estabilidade, onde treinadores podem receber em média entre R$ 538 e R$ 583 por mês. Essa situação é comparada por alguns a trabalho análogo à escravidão, com profissionais executando pequenas partes de tarefas sem conhecer o sistema completo, em um modelo apelidado de “Taylorismo Digital”.

Destruição de livros e a busca por qualidade

A demanda por conteúdo humano de qualidade, especialmente de antes da popularização da IA generativa, levou empresas a comprar livros antigos em sebos e antiquários, muitas vezes destruindo-os após a digitalização. A Amazon e a Anthropic (com o Projeto Panamá) foram identificadas em operações que compram e destroem livros para alimentar seus sistemas de IA. Embora a Justiça dos EUA tenha considerado o uso de livros físicos para treinamento como fair use em alguns casos, livreiros e historiadores alertam para a perda de valor histórico e elementos únicos presentes nesses exemplares.

A disputa por dados evidencia a complexa cadeia por trás da IA, que vai além dos modelos e servidores, envolvendo livros, imagens, informações pessoais e horas de trabalho humano. A crescente demanda por dados intensifica os conflitos sobre os limites éticos e legais que as empresas devem respeitar.