Até onde vai o treino de IA: livros pirateados e horas de vídeo humano
Da pilhagem de bibliotecas digitais a trabalhadores gravando tarefas domésticas para ensinar robôs, a corrida por dados expõe o custo humano por trás dos modelos de inteligência artificial.
Por Elias Brandão · Analista de IA e ética
Da pirataria ao chão de fábrica de dados
Treinar um modelo de inteligência artificial começa, quase sempre, com uma varredura da internet: textos da Wikipédia, fóruns como o Reddit, artigos científicos e reportagens de jornais. Mas o apetite por dados também levou empresas a caminhos mais controversos. A Anthropic, criadora do Claude, chegou a baixar 482 mil livros de bibliotecas digitais piratas como a Library Genesis (LibGen) para treinar seus modelos — prática que resultou em um acordo bilionário de US$ 1,5 bilhão com autores e editoras nos Estados Unidos, o maior já fechado em um caso de direitos autorais no país, segundo reportagens americanas sobre o acordo. Como parte do entendimento, a empresa se comprometeu a destruir as cópias baixadas ilegalmente.
A etapa que depende de gente
Foto: reprodução/npr.org
Depois da coleta bruta, vem o ajuste fino com bases de dados mais específicas — de agências de notícias a bancos de imagens — e o alinhamento por reforço com feedback humano (RLHF, na sigla em inglês), em que pessoas avaliam respostas e testam falhas de segurança do sistema. Esse trabalho é, em boa parte, terceirizado: a Scale AI, empresa americana especializada em rotular dados para treinar modelos de IA, reuniu mais de 100 mil horas de vídeo em primeira pessoa de trabalhadores realizando tarefas físicas, material usado para ensinar robôs humanoides de empresas como a Figure AI e a Agility Robotics, startups americanas de robótica.
O custo que não aparece no modelo final
No Brasil, trabalhadores que avaliam respostas de IA relatam remuneração entre R$ 538 e R$ 583 por mês — cerca de R$ 9,36 por hora — com metas de 12 análises por hora e cronômetros de 10 a 15 minutos por tarefa, muitas vezes em contato com conteúdo perturbador sem suporte psicológico. Some-se a isso a coleta de dados pessoais e biométricos em gravações dentro de casas, às vezes captando terceiros que nunca deram consentimento, e o quadro chega a um ponto em comum: a inteligência artificial que parece pronta na tela carrega, antes disso, uma cadeia inteira de decisões humanas — e nem todas aparecem no termo de uso.