Amazon destrói livros raros para alimentar modelos de IA

A Amazon está adquirindo grandes volumes de livros raros para cortar suas lombadas, digitalizar as páginas e utilizar os dados brutos no treinamento de seus modelos de inteligência artificial (LLMs). O processo foi revelado por uma investigação do veículo 404 Media, que inseriu um dispositivo de rastreamento físico em um exemplar raro e acompanhou a rota do pacote até uma instalação da gigante da tecnologia localizada em Las Vegas.

O complexo em Las Vegas, identificado internamente pelo código VGT3, adota como símbolo visual um dinossauro segurando um livro entre as garras. Questionada diretamente pelo 404 Media a respeito das operações no local, a Amazon confirmou a aquisição dos títulos por meio de uma declaração oficial:

“A Amazon adquire livros por meio de canais comerciais para aprimorar os produtos e serviços que os clientes utilizam.”

A busca por dados limpos

Empresas de grande porte que constroem grandes modelos de linguagem enfrentam um gargalo severo de infraestrutura de dados: a necessidade de volumes massivos de texto textual para sustentar o aprendizado de máquina. A maior parte dos repositórios abertos e acessíveis na internet aberta já foi completamente indexada e consumida por sistemas da própria Amazon e de concorrentes como a Anthropic — esta última já apontada por ter recorrido à ingestão de obras obtidas por vias de pirataria digital.

Diante do esgotamento da web pública, livros raros fora de catálogo ou nunca digitalizados transformaram-se no novo alvo das equipes de treinamento de LLMs da Amazon. Ao interceptar edições físicas sem correspondentes digitais, a empresa consegue expandir sua base de conhecimento com vocabulário, estruturas gramaticais e informações históricas que não existem em bancos de dados indexados por mecanismos de busca.

O risco de model collapse

A digitalização destrutiva executada pela Amazon na unidade VGT3 responde a uma exigência técnica direta: a prevenção do chamado model collapse (colapso de modelo). Esse fenômeno de degradação algorítmica ocorre quando um LLM passa a ser treinado repetidamente sobre textos gerados por outras inteligências artificiais, resultando em perda de qualidade semântica, repetição de padrões e perda de precisão conceitual.

Textos publicados antes do marco temporal de 2022 possuem uma garantia estatística fundamental para cientistas de dados: a certeza de que nenhuma linha foi gerada por ferramentas generativas contemporâneas. Por essa razão, o acervo de obras raras e esgotadas rastreado pelo 404 Media até Las Vegas fornece à Amazon amostras limpas de linguagem natural que protegem os modelos contra a estagnação sintética.

A mecânica da digitalização

O método adotado no centro VGT3 prioriza velocidade operacional em detrimento da preservação física do material impresso. O corte sistemático da lombada permite que as folhas soltas passem por scanners de alta performance com alimentação contínua, acelerando a extração via reconhecimento óptico de caracteres em larga escala.

Embora a Amazon tenha iniciado sua trajetória corporativa exclusivamente como uma livraria online nos anos 1990, a prática documentada na unidade de Las Vegas inverte a relação da companhia com o meio impresso. Ao desmembrar volumes raros para alimentar redes neurais, o material físico deixa de ser o produto final e passa a ser consumido como insumo descartável para o avanço dos LLMs.

Repercussões no setor

A revelação do 404 Media expõe a agressividade das grandes empresas de tecnologia na corrida por dados de treinamento não contaminados. Enquanto desenvolvedoras como a Anthropic enfrentam escrutínio legal pela ingestão de cópias não autorizadas, a Amazon recorre à compra legalizada no mercado comercial, assumindo a perda irreversível de itens bibliográficos para proteger o desempenho de sua infraestrutura de inteligência artificial.

Para o ecossistema tecnológico e o mercado editorial global, incluindo a comunidade de dados e pesquisadores de aprendizado de máquina no Brasil, o caso de Las Vegas evidencia como a escassez de dados pré-2022 impõe custos materiais inéditos à preservação da memória impressa para evitar o model collapse nas próximas gerações de LLMs.