Por que empresas de IA estão comprando e destruindo livros raros?

Empresas de inteligência artificial estão comprando coleções inteiras, digitalizando as páginas e descartando os livros físicos. O caso parece absurdo até você entender como funciona a disputa por dados de treinamento para LLMs, qualidade editorial e direitos autorais. A história também conversa com a discussão mais ampla sobre como modelos de IA aprendem com dados.

O episódio envolve a Anthropic, a Amazon e uma operação descrita em documentos judiciais como Projeto Panamá. Em paralelo, uma investigação da Forbes Brasil e o rastreamento feito pela 404 Media mostram como livros impressos podem virar matéria-prima de uma cadeia industrial de digitalização (antes de virar pó).

A questão não é apenas descobrir quem triturou quais livros. O ponto é entender por que uma cópia física comprada legalmente pode ser tratada como insumo, enquanto a cópia digital usada no treinamento continua no centro de uma briga jurídica.

E o que acontece quando essa lógica alcança obras raras, fora de catálogo ou difíceis de substituir?

Empresas de IA compram livros físicos porque eles reúnem conteúdo extenso, linguagem revisada e títulos que não aparecem facilmente em bases digitais. Esses conteúdos podem ser essenciais para o treinamento de novos LLM's (modelos de linguagem) trazendo vantagens competitivas para os grandes Labs de AI.

Segundo a Forbes Brasil, um contrato citado em documentos previa digitalizar entre 500 mil e 2 milhões de livros em seis meses.

O livro tem uma vantagem operacional clara: ele entrega uma obra completa. Uma página solta pode ensinar vocabulário. Um romance, manual ou ensaio entrega também contexto, continuidade, estrutura e relações entre ideias. Para modelos de linguagem, esse tipo de sequência ajuda a compor exemplos de longo alcance, embora o ganho dependa da seleção, limpeza e mistura do conjunto de dados.

Segundo o U.S. Copyright Office, o efeito do treinamento depende do modelo e de sua implantação. Um sistema fechado para pesquisa pode ter finalidade mais transformadora que outro desenhado para gerar conteúdo semelhante às obras usadas. Isso impede tratar “livro raro” como sinônimo automático de “dado melhor”.

Há ainda o problema do conteúdo sintético. A internet recebeu uma quantidade crescente de textos produzidos ou reescritos por ferramentas de inteligência artificial. Se novos modelos absorvem esse material sem controle, podem reforçar erros, repetições e padrões artificiais. Livros publicados antes da popularização recente da IA parecem oferecer uma camada de texto humano editado, mas a data de publicação sozinha não prova qualidade.

O valor também está na escassez. Um título fora de catálogo pode existir em poucas bibliotecas, sebos ou coleções particulares. Uma edição técnica antiga pode conter terminologia que não foi transcrita para bases abertas. Comprar o exemplar é, nesse caso, uma forma de obter acesso a um objeto que o comprador consegue transportar e processar em escala.

O chamado Projeto Panamá aparece nesse contexto. Documentos internos apresentados no processo contra a Anthropic descrevem um plano para digitalizar destrutivamente livros. A Forbes Brasil relata que o plano envolvia milhões de exemplares e a contratação de fornecedores para remover lombadas, escanear páginas e triturar os originais, levando os livros a desaparecer por completo.

Ainda assim, existe uma diferença entre acesso e desempenho. Ter mais livros não garante respostas mais corretas, menos vieses ou melhor raciocínio. O resultado depende de OCR, metadados, deduplicação, idioma, direitos de uso e avaliação. Um livro mal escaneado pode introduzir ruído. Uma coleção desequilibrada pode reforçar uma visão estreita do conhecimento.

A investigação da 404 Media ajuda a visualizar a escala. Repórteres colocaram um dispositivo de rastreamento em uma remessa de livros raros. O pacote terminou em uma instalação da Amazon em Las Vegas, identificada como VGT3, onde funcionários disseram receber livros, cortar as encadernações e escanear as páginas.

A pergunta incômoda é simples: quando um livro é comprado para alimentar um modelo, o comprador está adquirindo uma mercadoria, uma licença ou as duas coisas?

A resposta ainda depende do contrato, da origem da cópia, do uso posterior e da interpretação dos tribunais.

Depois da compra, os livros entram numa cadeia de logística, preparação, digitalização, controle de qualidade e descarte. A 404 Media rastreou uma remessa até uma instalação da Amazon em Las Vegas, onde os exemplares teriam as lombadas cortadas para acelerar a passagem das páginas pelo scanner.

O fluxo faz sentido do ponto de vista industrial. Um scanner de alimentação rápida trabalha melhor com folhas separadas do que com um volume encadernado. Remover a lombada reduz manuseio, evita que o operador vire centenas de páginas manualmente e transforma cada livro em uma pilha processável. O resultado é eficiente, mas destrói o objeto original.

Segundo a 404 Media, a instalação VGT3 recebe grandes remessas de livros impressos. Funcionários entrevistados pela publicação relataram uma rotina concentrada em receber, cortar e escanear os exemplares.

Obs: A reportagem não prova que cada livro raro comprado por terceiros siga o mesmo caminho.

A digitalização também tem etapas invisíveis. Páginas precisam ser fotografadas ou escaneadas, convertidas por reconhecimento óptico de caracteres e comparadas com o original. Notas de rodapé, tabelas, acentos, fórmulas e páginas amareladas desafiam o OCR. Um arquivo de texto limpo pode parecer simples depois de pronto, mas exige revisão, classificação e armazenamento.

Por que destruir depois?

A primeira resposta é espaço. Armazéns custam dinheiro, transporte exige controle e exemplares sem valor comercial para a empresa viram estoque parado.

A segunda é padronização. Depois que o conteúdo é convertido, manter milhares de objetos diferentes pode não ter utilidade para a operação de treinamento.

A terceira resposta envolve risco e governança, mas precisa ser tratada com cuidado. Descartar o exemplar não apaga o arquivo digital, nem elimina os registros de que a obra foi copiada. Também não impede que versões derivadas sejam replicadas. A destruição pode limitar cópias físicas sob posse da empresa, mas não funciona como apagamento do conteúdo.

Esse ponto separa uma cópia interna de uma iniciativa de preservação. Uma biblioteca digital pode criar redundância, acesso público e metadados que permitam localizar uma obra no futuro. Um arquivo fechado de treinamento atende outro objetivo. Ele pode ser tecnicamente valioso e culturalmente opaco ao mesmo tempo.

Outro ponto é a contradição de uma empresa conhecida por vender livros aparecer associada à destruição de textos raros para treinamento de IA. O contraste é forte porque a Amazon nasceu como livraria online, mas hoje opera também infraestrutura logística e computacional.

O caso mostra por que rastreabilidade importa. Vendedores podem não saber o destino final dos lotes. Prestadores podem receber apenas instruções de compra e preparação. A empresa que usa os dados pode operar por contratos intermediários. Sem registros claros, torna-se difícil responder quais títulos foram comprados, digitalizados, descartados e incorporados a qual conjunto de treinamento.

Vale separar três situações. Um livro antigo comum pode ter muitos exemplares sobreviventes. Uma edição rara pode ter poucos. Uma obra de valor histórico pode importar pelo papel, pela encadernação, pelas anotações e pela proveniência, não apenas pelo texto. O mesmo procedimento físico tem impactos diferentes em cada caso.

Nos Estados Unidos, não existe uma autorização geral que permita usar qualquer livro protegido no treinamento de IA. A análise passa por acesso legal, cópia, armazenamento, finalidade do modelo, saídas geradas e possível dano ao mercado. O U.S. Copyright Office recomenda uma avaliação caso a caso.

A discussão começa antes do treinamento. Como a empresa obteve a obra? Comprar um livro físico de um vendedor pode ser diferente de baixar uma cópia pirata. A primeira situação ajuda a demonstrar posse legítima daquele exemplar. Ela não responde, sozinha, se a digitalização e o uso do arquivo são permitidos.

Depois vem a cópia. Para treinar um modelo, a empresa precisa reproduzir o conteúdo, ainda que temporariamente ou em formatos intermediários. Também é preciso armazenar os dados, processá-los e, em alguns casos, manter cópias de consulta. Cada etapa pode ter argumentos próprios, mas a compra física não transforma automaticamente todas elas em uso autorizado.

O quarto fator é a finalidade. O Copyright Office explica que "fair use” considera propósito e caráter, natureza da obra, quantidade usada e efeito sobre o mercado. A lei não estabelece uma porcentagem segura de páginas ou palavras. O contexto decide o peso de cada fator.

Segundo o relatório do U.S. Copyright Office, treinar um modelo para pesquisa ou para uma tarefa fechada pode parecer mais transformador que treinar um sistema para produzir conteúdo substancialmente semelhante às obras do conjunto. A diferença entre esses usos pode alterar a análise jurídica.

Também importa o comportamento do modelo. Se ele reproduz capítulos, imita passagens ou responde com trechos extensos, o risco jurídico cresce. Se recusa solicitações desse tipo, isso pode ajudar a argumentação da empresa, mas não elimina todas as dúvidas sobre o processo de treinamento. A saída é parte do caso, não o caso inteiro.

O processo envolvendo a Anthropic ilustra a separação. Segundo a Authors Guild, o tribunal considerou "fair use” o treinamento em uma parte da disputa, mas responsabilizou a empresa pelo download ilegal de livros em fontes piratas.

O acordo de US$ 1,5 bilhão tratou das alegações relacionadas à pirataria. Em 20 de julho de 2026, um tribunal aprovou definitivamente o acordo.

A entidade afirmou que o valor será distribuído a titulares de direitos elegíveis. Também registrou que os conjuntos ligados ao acordo não teriam sido usados nos modelos comerciais lançados pela Anthropic.

Esse resultado não cria uma licença universal. Um acordo encerra ou organiza uma disputa específica. Ele não autoriza qualquer empresa a comprar livros, digitalizá-los e treinar qualquer modelo sem avaliar origem, finalidade e saídas. Também não resolve como remunerar autores que não participam de um processo coletivo.

Para empresas, a rota mais previsível tende a ser o licenciamento. Contratos podem definir títulos, idiomas, usos, retenção, auditoria, exclusão e pagamento. Para autores e editoras, o desafio é negociar sem aceitar cláusulas que retirem controle sobre usos futuros. Para o público, resta acompanhar se a transparência melhora.

O descarte físico muda o impacto porque transforma uma decisão de eficiência em uma possível perda cultural. Destruir o exemplar não apaga o texto digitalizado, mas pode eliminar uma edição única, anotações de leitores ou evidências materiais. O peso depende da raridade, da quantidade de cópias sobreviventes e do valor histórico da obra.

Um livro é mais que sua sequência de caracteres. A capa registra escolhas editoriais. A impressão mostra tecnologia e circulação. Dedicatórias, carimbos e margens contam histórias locais. Em obras antigas, papel, encadernação e proveniência ajudam pesquisadores a entender como o conhecimento foi produzido e recebido.

Existe uma diferença entre desperdício e destruição patrimonial. Nem todo livro velho é raro. Nem toda edição fora de catálogo é insubstituível. Uma triagem adequada poderia identificar exemplares com valor especial antes do descarte. A dificuldade está em criar critérios, registrar decisões e garantir que o processo não trate todo papel como material descartável.

A eficiência econômica também merece teste. Manter uma coleção física custa dinheiro, mas transferir o problema para um aterro não torna a cadeia gratuita. Há transporte, energia, mão de obra, descarte e impactos ambientais. Sem números públicos sobre a operação, não dá para afirmar que destruir sempre é mais barato que devolver, doar ou vender.

A preservação digital tampouco é uma garantia absoluta. Arquivos dependem de formatos, chaves, servidores, metadados e políticas de acesso. Um acervo privado pode ser tecnicamente bem mantido e ainda desaparecer por decisão empresarial. Cópias distribuídas em bibliotecas, universidades e instituições públicas oferecem outra camada de segurança.

O princípio mais defensável seria simples: comprar o exemplar não deveria dispensar a responsabilidade sobre sua proveniência e seu possível valor. Empresas que operam em escala poderiam publicar listas de títulos, métodos de digitalização e critérios de descarte. Isso não encerra o debate jurídico, mas permite escrutínio.

O caso também atinge livreiros. Uma compra de mil exemplares pode parecer uma oportunidade rara. Depois, o vendedor descobre que os livros não circularão entre leitores. A demanda artificial altera preços, reduz disponibilidade e pode retirar do mercado obras que pesquisadores ou colecionadores ainda buscariam.

Quem deveria decidir que uma obra pode ser destruída? O dono da cópia, uma biblioteca, o mercado ou uma política pública?

A resposta muda conforme o país e o tipo de acervo. Por isso, o episódio pede mais que indignação: pede regras de rastreabilidade para compras em massa e canais de preservação.

O caso revela que a próxima disputa da IA será por dados confiáveis, escassos e juridicamente defensáveis. Livros são apenas um exemplo. Jornalismo, código, imagens, bases privadas e artigos acadêmicos também têm valor para modelos, e seus titulares querem controlar acesso, remuneração e usos derivados.

A corrida por dados mudou de natureza. No começo, a abundância da internet parecia suficiente. Agora, empresas procuram conjuntos com qualidade editorial, cobertura especializada e menor risco de conteúdo sintético. O problema deixou de ser apenas coletar mais. Passou a ser decidir quais dados merecem entrar, quem pode fornecê-los e quanto custa esse acesso.

No jornalismo, o conflito envolve textos que continuam gerando audiência e receita. No código, envolve licenças, atribuição e concorrência. Nas imagens, envolve estilo, identidade e mercados criativos. Na academia, envolve trabalhos financiados por universidades, editoras e recursos públicos. A mesma pergunta aparece em todos: o treinamento é pesquisa, produto comercial ou os dois?

A escassez de dados humanos confiáveis reforça a busca por acervos antigos. Mas passado não significa neutralidade. Livros carregam preconceitos, lacunas e visões de mundo. Um modelo treinado com textos impressos pode evitar parte do conteúdo sintético recente e ainda reproduzir desigualdades históricas.

Há uma dimensão de poder nessa disputa. Modelos de linguagem dependem de conhecimento criado por milhões de pessoas, mas a infraestrutura de treinamento está concentrada em poucas empresas. Se o acesso aos dados for fechado, o público pode perder visibilidade sobre o material que influencia sistemas usados em educação, trabalho e pesquisa.

O Projeto Panamá simboliza essa tensão. A ideia de digitalizar destrutivamente “todos os livros do mundo”, conforme documentos citados pela Forbes Brasil, combina uma meta técnica gigantesca com uma política de acesso pouco transparente.

O problema não é só a trituradora. É quem controla o arquivo depois.

A pergunta central permanece: quem deve controlar e remunerar os dados que alimentam modelos de linguagem?

Uma resposta equilibrada precisa reconhecer a pesquisa, proteger a preservação e criar formas verificáveis de pagamento. Sem isso, a eficiência do treinamento será construída sobre uma conta que aparece tarde, geralmente no bolso de quem criou a obra.

Empresas compram livros físicos para acessar textos completos, títulos fora de catálogo e linguagem revisada e utilizar essas informações nos processos de treinamentos de LLM's. A Forbes Brasil cita pedidos que variavam de centenas a grandes lotes e relata um contrato de seis meses para digitalizar entre 500 mil e 2 milhões de livros e descartar depois.

A destruição pode reduzir armazenamento e acelerar o processo, porque cortar a lombada facilita a alimentação de scanners de alta velocidade.

Não há resposta automática. Nos Estados Unidos, o "fair use” depende de fatores como finalidade, natureza da obra, quantidade copiada e impacto no mercado. A decisão pode variar conforme o modelo, suas saídas e a origem da cópia. Comprar um livro não equivale a comprar todos os direitos.

Projeto Panamá foi o nome atribuído a uma iniciativa da Anthropic para comprar, digitalizar e destruir livros físicos em escala. Documentos citados pela Forbes Brasil descreviam a meta de digitalizar destrutivamente todos os livros do mundo. O projeto apareceu em documentos do processo movido por autores.

Não existe prova de que livros raros sejam sempre melhores. Eles podem oferecer textos longos, especializados e menos presentes em bases digitais, mas também exigem OCR, catalogação e avaliação.

Livros raros mostram que dados de treinamento têm um preço técnico, jurídico e cultural. Comprar um exemplar pode resolver acesso e logística, mas não responde quem autorizou a cópia digital, quem preservará o patrimônio e quem receberá pelo valor criado. A conta completa aparece quando eficiência e responsabilidade são avaliadas juntas.

O acordo da Anthropic, aprovado por US$ 1,5 bilhão, mostra que a origem dos dados pode gerar exposição financeira enorme. Ao mesmo tempo, o caso não substitui contratos para novas coleções, novos modelos e outros setores. Cada base precisa de regras sobre acesso, retenção, auditoria, remoção e remuneração.

A preservação também precisa entrar no desenho da operação. Antes de destruir um exemplar, empresas poderiam consultar catálogos, bibliotecas e especialistas. Títulos raros poderiam ser encaminhados a instituições, enquanto cópias comuns seguiriam outro tratamento. O processo exigiria trabalho, mas também produziria uma trilha verificável para compras em massa.

A disputa não será resolvida com a ideia de que todo treinamento é cópia simples, nem com a promessa de que toda IA deve parar. Pesquisa e inovação têm valor. Autores, editoras, jornalistas, programadores e artistas também têm direitos e mercados. O caminho passa por reconhecer os dois lados sem esconder custos.

Para acompanhar as próximas decisões sobre direitos autorais e inteligência artificial, licenciamento e infraestrutura de dados, assine a newsletter do Data Hackers. A corrida pelos modelos continua, mas a discussão sobre quem paga pelos dados está apenas começando.