Em destaque: Até onde as empresas vão para treinar suas IAs

Prefira o CT no Google Reprodução/Freepik O treinamento de Inteligência Artificial (IA) é o processo que faz com que sistemas computacionais aprendam a executar tarefas, reconhecer padrões e interagir com pessoas. Para funcionar, modelos, como ChatGPT e Gemini, precisam processar grandes volumes de dados, incluindo textos, imagens, vídeos e códigos.

Esse processo é essencial para melhorar a precisão, a segurança e a utilidade das ferramentas. O problema é que a quantidade de dados de qualidade disponível não acompanha o ritmo de crescimento dos modelos. Com isso, empresas de tecnologia começaram a buscar novas formas de obter informações para alimentar seus sistemas.

Por trás da evolução da IA existe uma cadeia que envolve desde a coleta de conteúdo na internet até o trabalho de pessoas responsáveis por avaliar respostas, classificar imagens e ensinar máquinas a interagir com o mundo físico. Em alguns casos, essas práticas levantam questões sobre direitos autorais, privacidade e condições de trabalho. Diante disso, fica a dúvida: até onde as empresas estão dispostas a ir para treinar suas IAs?

Até onde as empresas de IA vão para treinar seus modelos?

Por que as empresas vão tão longe para treinar suas IAs?

O treinamento transforma grandes volumes de dados em informações que os modelos conseguem processar matematicamente. Segundo Daniel Failla, sócio do Failla Lima Riva Advogados, os dados usados para treinamento podem vir de diferentes fontes, como “da internet, de bases públicas ou licenciadas, de livros, notícias, artigos científicos, parceiros comerciais, especialistas e, quando as regras do serviço permitem, das próprias interações dos usuários”, além de dados sintéticos, produzidos por outras inteligências artificiais.”

“Antes de tudo, é importante entender que uma IA não aprende de forma neutra. Ela aprende a partir do material que recebe e das escolhas feitas por quem a desenvolve. Quais fontes entram, quais conteúdos ficam de fora e quais respostas são consideradas melhores influenciam diretamente o que o modelo será capaz de fazer, os erros que poderá cometer e os vieses que poderá reproduzir”, explica Daniel Failla.

Pré-treinamento: envolve a coleta de grandes volumes de conteúdo na internet, incluindo bases, como Common Crawl, Wikipédia, Reddit, jornais, artigos científicos e livros. Em alguns casos, as empresas também usam bases de dados preparadas por terceiros;

Ajuste fino (fine-tuning): utiliza conjuntos de dados específicos e selecionados, incluindo conteúdos obtidos por meio de acordos com agências de notícias, bancos de imagens e editoras. Essa etapa costuma envolver uma quantidade menor de dados;

Alinhamento (RLHF): o Reinforcement Learning from Human Feedback usa pessoas para avaliar respostas, classificar conteúdos e realizar testes de segurança, conhecidos como red teaming;

Dados dos usuários: prompts, conversas e arquivos enviados aos serviços também podem fazer parte dos dados usados para aprimorar modelos, dependendo das configurações e políticas de cada empresa. Coletta alerta que usuários podem compartilhar informações sensíveis, como dados de saúde, sem perceber as possíveis implicações.

O treinamento também muda quando o objetivo é criar robôs capazes de atuar no mundo físico. Nesse caso, as empresas usam dados em primeira pessoa, captados por câmeras, celulares ou óculos usados por trabalhadores durante tarefas, como dobrar roupas, lavar louça e organizar objetos.

As gravações mostram o que a pessoa vê e como ela movimenta o corpo, ajudando a IA a relacionar cada ação ao resultado. Empresas, como Tesla, Figure AI e Agility Robotics, investem nesse tipo de tecnologia, enquanto startups, como Micro1 e Objectways, recrutam trabalhadores para gravar tarefas. A Scale AI já reuniu mais de 100 mil horas desse tipo de material.

O modelo cria, porém, um paradoxo: o trabalhador atua como um “sensor humano”, fornecendo dados para ensinar uma máquina a realizar a mesma tarefa. No futuro, essa tecnologia pode automatizar justamente a função que ele ajudou a treinar. As gravações também podem registrar partes de residências, outras pessoas e informações do ambiente, o que levanta dúvidas sobre privacidade, armazenamento e uso desses dados.

A corrida para melhorar os sistemas de inteligência artificial tem levado empresas de tecnologia a buscar dados de praticamente todas as formas possíveis. Com a escassez de conteúdo humano de alta qualidade, a indústria recorre a obras protegidas por direitos autorais, bibliotecas piratas e uma grande rede de trabalhadores responsáveis por preparar dados para os modelos.

A dificuldade de encontrar grandes volumes de conteúdo de qualidade também está por trás de disputas envolvendo livros e outras obras protegidas. Um dos casos mais recentes envolve a Anthropic, que baixou e armazenou mais de 482 mil livros obtidos de bibliotecas digitais piratas para treinar o Claude. A empresa acabou envolvida em um acordo de US$ 1,5 bilhão, considerado o maior acordo relacionado a direitos autorais da história dos Estados Unidos.

Para Daniel Failla, o uso de uma tecnologia nova não muda as regras sobre a origem dos dados. “Uma finalidade inovadora não torna legítima, por si só, a forma como os dados foram obtidos. Acesso tecnicamente possível não significa autorização jurídica”, afirma.

Outro exemplo aparece no processo Kadrey v. Meta Platforms. A Meta utilizou livros de autores, como Sarah Silverman e Richard Kadrey, obtidos da biblioteca pirata LibGen para treinar o LLaMA. Segundo Diogo Coletta, a empresa teria abandonado negociações de licenciamento depois de descobrir que a biblioteca pirata reunia grande parte dos títulos que estavam sendo negociados com editoras.

Apesar da imagem de automação associada à inteligência artificial, uma parte importante do treinamento ainda depende de pessoas. São os chamados “trabalhadores fantasmas”, responsáveis por classificar imagens, avaliar respostas e moderar conteúdos.

Investigações do The Guardian mostraram, por exemplo, que trabalhadoras na Índia passam horas analisando vídeos de violência extrema e abusos. A exposição frequente a esse material pode causar problemas psicológicos. Uma das trabalhadoras entrevistadas resumiu o impacto da atividade: "No final, você não se sente perturbada — você se sente vazia".

Nos Estados Unidos, avaliadores contratados por empresas terceirizadas do Google, como a GlobalLogic, também relataram situações semelhantes durante testes do Gemini. Segundo os relatos, alguns profissionais precisaram analisar conteúdos chocantes sem aviso prévio, treinamento adequado ou suporte psicológico, sob risco de perder o emprego.

A pressão também aparece nas metas de produtividade. Alguns testadores e rotuladores trabalham com cronômetros de 10 a 15 minutos para tarefas complexas e metas que chegam a 12 análises por hora. A rotina pode resultar em crises de ansiedade e ataques de pânico.

“Há casos documentados de terceirização desse trabalho para países de menor renda, com baixa remuneração e exposição a materiais traumáticos. Falar em IA responsável exige olhar também para as condições de trabalho dessa cadeia”, afirma Failla.

A situação também alcança profissionais altamente qualificados. Pessoas com mestrado ou doutorado em jornalismo, direito e física começaram a buscar trabalhos de treinamento de IA como fonte de renda temporária ou alternativa ao mercado tradicional. Em muitos casos, os pagamentos são bem menores do que os salários anteriores e não incluem benefícios ou estabilidade.

No Brasil, o treinamento de IA também criou um mercado de microtarefas que oferece remuneração baixa e pouca estabilidade. A pesquisa Microtrabalho no Brasil aponta que treinadores de IA podem receber, em média, entre R$ 538 e R$ 583 por mês, o equivalente a cerca de R$ 9,36 por hora. O valor fica abaixo da metade de um salário mínimo.

As atividades incluem rotular imagens usadas em sistemas de carros autônomos, analisar exames médicos e gravar frases repetitivas para assistentes virtuais, como a Alexa.

A trabalhadora Sônia Coêlho, em entrevista à CBN, compara esse modelo ao trabalho análogo à escravidão. “Existe o trabalho escravo das fazendas antigamente e, hoje, nós estamos trabalhando da mesma forma, mas de forma digital. Nós somos trabalhadores análogos à escravidão da idade moderna, porque é um trabalho exaustivo”, afirma.

A professora Dora Kaufman, da PUC-SP, chama esse modelo de “Taylorismo Digital”. O conceito descreve uma estrutura em que trabalhadores executam pequenas partes de uma tarefa sem necessariamente conhecer o sistema completo para o qual aquele trabalho serve.

A instabilidade também faz parte desse mercado. Reportagem da Folha de S.Paulo registrou casos de brasileiros que deixaram empregos formais atraídos pela possibilidade de receber em dólar com o treinamento de IA. Alguns, porém, ficaram meses sem novos projetos e sem uma fonte estável de renda.

A corrida por dados não envolve apenas conteúdo protegido. Em alguns casos, empresas também são acusadas de tentar contornar barreiras técnicas impostas por sites.

A Cloudflare, por exemplo, identificou que a ferramenta de respostas da Perplexity utilizava crawlers ocultos e alternava endereços de IP para se passar por navegadores comuns. A estratégia teria sido usada para contornar diretivas do arquivo robots.txt e bloqueios de sites que não autorizavam a coleta automatizada de conteúdo.

Também existem preocupações envolvendo dados pessoais e biometria. Plataformas ligadas a empresas de tecnologia podem coletar informações e perfis de redes sociais para alimentar sistemas de IA, o que pode expor conexões entre pessoas e informações de menores de idade.

A busca por conteúdo produzido antes da popularização da IA também levou empresas a procurar livros antigos em sebos e antiquários. Em alguns casos, as obras são compradas em grandes quantidades e destruídas depois de digitalizadas.

Uma investigação da 404 Media revelou que a Amazon mantém uma operação em Las Vegas, na instalação VGT3, voltada à compra de livros raros, antigos e fora de catálogo. A empresa utilizaria intermediários para esconder sua identidade dos livreiros.

A operação foi descoberta depois que um antiquário colocou um AirTag dentro de um livro raro vendido em um pedido incomum. O rastreador indicou que o pacote foi levado até uma instalação ligada à operação de IA da Amazon. No local, funcionários retiravam as lombadas dos livros para alimentar escâneres de alta velocidade. O logotipo usado pela equipe mostra um Tyrannosaurus rex prestes a devorar um livro.

A Anthropic também aparece nesse tipo de operação. Documentos judiciais revelaram o chamado Projeto Panamá, uma iniciativa interna criada com o objetivo de “escanear de forma destrutiva todos os livros do mundo”. As obras compradas são cortadas por guilhotinas hidráulicas para separar as páginas, que depois são digitalizadas. O restante é encaminhado para reciclagem.

A procura por livros antigos tem relação com outro problema do treinamento de IA: o uso excessivo de conteúdo gerado por outras inteligências artificiais pode degradar os modelos. Por isso, materiais produzidos por humanos antes da popularização da IA generativa são considerados importantes para manter a qualidade dos dados de treinamento.

No entanto, a questão chegou aos tribunais no caso Bartz v. Anthropic. A Justiça dos Estados Unidos entendeu que a compra legal de um livro físico, seguida da destruição do exemplar após a criação de uma única cópia digital para treinamento, pode se enquadrar no conceito de fair use, dependendo das circunstâncias. A decisão ajudou a estimular a compra de livros antigos por empresas de tecnologia na Espanha, Alemanha, Holanda e Austrália.

O problema é que parte dessas obras possui valor histórico que não pode ser reproduzido por uma digitalização. Livreiros e historiadores alertam para a destruição de exemplares raros, enquanto os arquivos produzidos pelas empresas permanecem em bases privadas. Anotações feitas nas margens, encadernações artesanais e outros elementos históricos também podem ser perdidos no processo.

No fim, a disputa por dados mostra que o treinamento de IA depende de uma cadeia muito maior do que os modelos e servidores que aparecem para o usuário. Livros, imagens, informações pessoais e horas de trabalho humano alimentam sistemas que precisam de quantidades cada vez maiores de dados. E, conforme essa demanda cresce, também aumentam os conflitos sobre até onde as empresas podem ir para obtê-los.

O treinamento é uma das etapas mais importantes para transformar uma IA em um produto útil. Segundo Daniel Failla, sócio do Failla Lima Riva Advogados, poder computacional não resolve problemas causados por dados ruins, incompletos ou desatualizados. Em modelos generalistas, a variedade de informações ajuda o sistema a compreender diferentes assuntos, idiomas e contextos.

Já em IAs especializadas, como as usadas nas áreas médica, jurídica, financeira e industrial, a qualidade dos dados é ainda mais importante. Uma informação incorreta pode contribuir para uma decisão clínica, jurídica, financeira ou operacional equivocada. Por isso, os dados mais valiosos também costumam ser os mais difíceis de obter. Eles podem estar protegidos por sigilo, contratos, direitos autorais ou regras regulatórias.

Para Diogo Coletta existe ainda um fator econômico por trás da corrida por dados. O poder computacional pode ser comprado, mas o mesmo não acontece com grandes volumes de texto humano de alta qualidade. Esse estoque é limitado e não cresce na mesma velocidade da demanda dos modelos. "Negociar licença com cada editora, cada gravadora, cada jornal e cada autor não é apenas caro, mas, principalmente, lento. E lentidão, aqui, é derrota", afirma.

Nesse cenário, Coletta avalia que algumas empresas podem considerar economicamente vantajoso sair na frente e lidar com eventuais processos posteriormente. O caso da Anthropic, que resultou em um acordo de US$ 1,5 bilhão, seria um exemplo desse cálculo.

Segundo o advogado, o risco jurídico também permanece subprecificado porque ainda não existem decisões definitivas sobre diversos pontos e as regras variam entre países. Há ainda uma dificuldade por parte dos autores: sem saber exatamente quais obras fazem parte do treinamento, eles têm dificuldade para provar que seu conteúdo foi utilizado.

Se você gostou do conteúdo, talvez também se interesse por conferir “ O que significa quando uma empresa diz que vai treinar IA com dados dos usuários ”.