O treinamento de sistemas de inteligência artificial exige grandes volumes de textos, imagens, vídeos e códigos. Modelos como ChatGPT e Gemini usam esse material para aprender padrões, executar tarefas e interagir com usuários. No entanto, a oferta de dados de alta qualidade criados por seres humanos não está crescendo tão rapidamente quanto os modelos, levando as empresas de tecnologia a explorar formas cada vez mais amplas de obter informações.
Os dados podem vir da internet, de bancos de dados públicos ou licenciados, livros, reportagens, artigos científicos, parceiros comerciais, especialistas, interações de usuários permitidas pelas políticas dos serviços e material sintético gerado por outros sistemas de IA. O processo geralmente inclui pré-treinamento com grandes coleções, ajuste fino com conjuntos de dados selecionados e alinhamento baseado em feedback humano. Trabalhadores avaliam respostas, classificam conteúdo e realizam testes de segurança, enquanto prompts de usuários, conversas e arquivos enviados também podem ser usados, dependendo das configurações e políticas de cada empresa.
As escolhas feitas durante o treinamento influenciam o que um modelo pode fazer, os erros que pode produzir e os vieses que pode reproduzir. No caso de sistemas de robótica, as empresas também coletam gravações em primeira pessoa feitas com câmeras, celulares ou dispositivos vestíveis enquanto trabalhadores realizam tarefas como dobrar roupas, lavar louça e organizar objetos. Tesla, Figure AI e Agility Robotics estão investindo nessa área, enquanto startups como Micro1 e Objectways recrutam pessoas para gravar tarefas. Segundo relatos, a Scale AI coletou mais de 100.000 horas desse tipo de material.
Essas gravações podem capturar casas, pessoas que estejam passando e outros detalhes do ambiente, gerando questões sobre privacidade, armazenamento e uso posterior dos dados. Elas também criam um paradoxo trabalhista: os trabalhadores atuam como sensores humanos para ensinar máquinas a executar tarefas que, no futuro, poderiam substituir seus próprios empregos.
A escassez de material de alta qualidade também intensificou as disputas envolvendo obras protegidas por direitos autorais. A Anthropic baixou e armazenou mais de 482.000 livros obtidos em bibliotecas digitais piratas para treinar o Claude, o que levou a um acordo judicial relatado de US$ 1,5 bilhão. No caso Kadrey v. Meta Platforms, a Meta usou livros de autores como Sarah Silverman e Richard Kadrey provenientes da biblioteca pirata LibGen para treinar o LLaMA. Segundo o advogado Diogo Coletta, a empresa teria interrompido as negociações de licenciamento depois de descobrir que a biblioteca pirata continha muitos dos títulos em discussão com as editoras.
O advogado Daniel Failla afirma que uma finalidade inovadora, por si só, não torna legal a forma como os dados foram obtidos. O acesso técnico, argumenta ele, não deve ser confundido com autorização legal.
O trabalho humano continua sendo outra parte essencial da cadeia de fornecimento da IA. Os chamados trabalhadores invisíveis classificam imagens, avaliam respostas e moderam conteúdo. Investigações citadas na reportagem original constataram que trabalhadores na Índia analisaram violência extrema e abusos durante longos períodos, enquanto prestadores envolvidos nos testes do Google Gemini nos Estados Unidos relataram exposição a material perturbador sem aviso, treinamento ou apoio psicológico adequados.
Metas de produtividade podem aumentar a pressão. Alguns testadores e rotuladores de dados trabalham com cronômetros de 10 a 15 minutos para tarefas complexas e cotas de até 12 avaliações por hora. As consequências relatadas incluem crises de ansiedade e ataques de pânico. Profissionais altamente qualificados, incluindo pessoas com mestrado e doutorado em jornalismo, direito e física, também recorreram ao trabalho de treinamento de IA como emprego temporário ou alternativa de trabalho, frequentemente por salários menores e sem benefícios ou estabilidade.
No Brasil, o mercado de microtarefas inclui a rotulagem de imagens para sistemas de veículos autônomos, a análise de exames médicos e a gravação de frases repetitivas para assistentes virtuais como a Alexa. O estudo Microtrabalho no Brasil estima que treinadores de IA podem ganhar, em média, entre R$538 e R$583 por mês, ou aproximadamente R$9,36 por hora. O valor é inferior à metade do salário mínimo brasileiro. A professora Dora Kaufman, da PUC-SP, descreve essa estrutura como “Taylorismo Digital”, no qual os trabalhadores executam pequenas partes de uma tarefa sem necessariamente conhecer o sistema maior que estão ajudando a sustentar.
As empresas também foram acusadas de tentar contornar restrições técnicas impostas por sites. A Cloudflare identificou o que descreveu como rastreadores ocultos usados pela Perplexity, além de endereços IP variáveis para aparentar serem navegadores comuns. O método teria como objetivo contornar as diretivas do robots.txt e os bloqueios aplicados por sites que não autorizaram a coleta automatizada. Separadamente, surgiram preocupações sobre a coleta de informações pessoais e biométricas, incluindo perfis de redes sociais e dados que podem revelar conexões entre indivíduos e informações sobre menores de idade.
A busca por material criado por seres humanos se estendeu a livros antigos e esgotados. Uma investigação da 404 Media informou que a Amazon opera uma instalação em Las Vegas onde compra livros raros, antigos e fora de catálogo, às vezes por meio de intermediários. Segundo relatos, os livros são cortados e escaneados em alta velocidade. Documentos da Anthropic apresentados em tribunal também mencionaram o Project Panama, uma iniciativa destinada a escanear livros de forma destrutiva. Depois que as páginas são digitalizadas, o material restante é enviado para reciclagem.
A prática está ligada a preocupações de que o uso excessivo de conteúdo gerado por IA possa degradar os modelos futuros. Por isso, o material criado por seres humanos antes da adoção generalizada da IA generativa é considerado valioso para manter a qualidade do treinamento. No caso Bartz v. Anthropic, um tribunal dos Estados Unidos concluiu que comprar legalmente um livro físico e destruí-lo depois de criar uma única cópia digital para treinamento pode se qualificar como uso justo, dependendo das circunstâncias.
Comerciantes de livros e historiadores alertaram que a digitalização não consegue reproduzir o valor histórico de algumas obras físicas. Anotações nas margens, encadernações artesanais e outras características podem ser perdidas, enquanto os arquivos digitais permanecem em bancos de dados corporativos privados.
As empresas continuam buscando fontes de dados grandes e variadas porque o poder computacional não consegue compensar informações ruins, incompletas ou desatualizadas. Isso é especialmente importante para sistemas especializados usados na medicina, no direito, nas finanças e na indústria, onde dados imprecisos podem contribuir para decisões equivocadas. Ao mesmo tempo, informações de alta qualidade podem estar protegidas por sigilo, contratos, direitos autorais ou exigências regulatórias.
Os incentivos econômicos também são significativos. A capacidade computacional pode ser comprada, mas grandes coleções de textos humanos de alta qualidade são limitadas e não podem ser ampliadas tão rapidamente quanto a demanda. Licenciar todas as obras de editoras, gravadoras, jornais e autores pode ser caro e demorado. Segundo Coletta, algumas empresas podem, portanto, considerar economicamente preferível seguir em frente e lidar com disputas jurídicas posteriormente. A incerteza é reforçada pela ausência de decisões definitivas sobre diversas questões e pelas diferenças entre os países, enquanto os autores podem ter dificuldade para provar que suas obras foram incluídas nos dados de treinamento de um modelo.
Fontes: Canaltech.