O treinamento de Inteligência Artificial (IA) consiste no processo que permite a sistemas computacionais aprenderem a executar tarefas, reconhecer padrões e interagir com pessoas. Para funcionar adequadamente, modelos como ChatGPT e Gemini precisam processar grandes volumes de dados, abrangendo textos, imagens, vídeos e códigos.

Essa etapa é fundamental para aprimorar a precisão, a segurança e a utilidade das ferramentas. No entanto, a quantidade de dados de qualidade disponíveis não acompanha o ritmo de expansão dos modelos, o que tem levado empresas de tecnologia a buscarem novas alternativas para alimentar seus sistemas.

Por trás da evolução tecnológica há uma cadeia que engloba desde a coleta de conteúdo na internet até o trabalho de pessoas encarregadas de avaliar respostas, classificar imagens e ensinar máquinas a interagir com o mundo físico. Tais práticas frequentemente geram debates sobre direitos autorais, privacidade e condições laborais.

Como as empresas de tecnologia treinam suas IAs?

O treinamento converte grandes volumes de dados em informações passíveis de processamento matemático pelos modelos. Conforme aponta Daniel Failla, sócio do Failla Lima Riva Advogados, os dados podem originar-se de diferentes frentes:

• Internet e bases públicas ou licenciadas: livros, notícias, artigos científicos e parceiros comerciais.
• Interações dos usuários: quando as diretrizes do serviço permitem.
• Dados sintéticos: gerados 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”, pontua Daniel Failla.

Por sua vez, Diogo Coletta, sócio-fundador do Coletta Rodrigues Advogados, divide a atividade em quatro frentes principais:

• Pré-treinamento: captação de grandes volumes de conteúdo na internet, incluindo bases como Common Crawl, Wikipédia, Reddit, jornais, artigos científicos e livros, além de bases preparadas por terceiros.
• Ajuste fino (fine-tuning): emprego de conjuntos específicos e selecionados de dados, obtidos por meio de acordos com agências de notícias, bancos de imagens e editoras, envolvendo menor volume de dados.
• Alinhamento (RLHF): utilização de pessoas no Reinforcement Learning from Human Feedback para avaliar respostas, classificar conteúdos e realizar testes de segurança conhecidos como red teaming.
• Dados dos usuários: prompts, conversas e arquivos enviados aos serviços que podem integrar o aprimoramento dos modelos, dependendo das configurações de cada empresa.

Quando o objetivo envolve robôs para atuar no mundo físico, as empresas utilizam dados em primeira pessoa, captados por câmeras, celulares ou óculos operados por trabalhadores em tarefas cotidianas, a exemplo de dobrar roupas e lavar louça. Companhias como Tesla, Figure AI e Agility Robotics investem na área, enquanto startups como Micro1 e Objectways recrutam operadores. A Scale AI já reuniu mais de 100 mil horas desse tipo de material.

Pirataria e disputas por direitos autorais

A escassez de conteúdo humano de alta qualidade impulsiona disputas envolvendo obras protegidas. Um caso recente envolveu a Anthropic, que armazenou mais de 482 mil livros obtidos de bibliotecas digitais piratas para treinar o Claude, culminando em um acordo de US$ 1,5 bilhão, considerado o maior da história dos Estados Unidos sobre direitos autorais.

Para Daniel Failla, a inovação tecnológica não altera a origem jurídica dos dados. Já 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, após abandonar negociações de licenciamento.

A corrida por conteúdo produzido antes da popularização da IA também resultou na compra e destruição de livros antigos. Uma investigação da 404 Media apontou que a Amazon mantém uma operação em Las Vegas, na instalação VGT3, para adquirir livros raros e fora de catálogo por meio de intermediários. No local, as lombadas são removidas para escaneamento de alta velocidade. A Anthropic também adotou prática semelhante no chamado Projeto Panamá.

A Justiça dos Estados Unidos, no caso Bartz v. Anthropic, entendeu que a compra legal de um exemplar físico, seguida de destruição após digitalização única para treinamento, pode se enquadrar no conceito de fair use sob certas circunstâncias. Contudo, historiadores e livreiros alertam para a perda de patrimônio histórico e marcas artesanais dos exemplares.

O trabalho humano e os “operários de dados”

O treinamento de IA mantém forte dependência de pessoas para classificar imagens, avaliar respostas e moderar conteúdos. Investigações do The Guardian evidenciaram que trabalhadoras na Índia analisavam vídeos de violência extrema, relatando impactos psicológicos severos. Nos Estados Unidos, avaliadores terceirizados do Google via GlobalLogic relataram pressão por metas e análise de conteúdos chocantes sem suporte adequado.

No Brasil, o mercado de microtarefas para treinamento de IA remunera valores baixos e apresenta instabilidade. A pesquisa Microtrabalho no Brasil indica que treinadores recebem em média entre R$ 538 e R$ 583 mensais, o equivalente a cerca de R$ 9,36 por hora. Atividades incluem rotular imagens para carros autônomos, analisar exames médicos e gravar frases para assistentes virtuais.

A professora Dora Kaufman, da PUC-SP, caracteriza o modelo como “Taylorismo Digital”, onde operários executam frações de tarefas sem conhecer o sistema completo. A instabilidade também atinge profissionais qualificados que buscam remuneração em dólar, mas enfrentam períodos sem projetos ativos.

Contornos técnicos e perspectivas econômicas

A busca por dados também levou a tentativas de contornar barreiras técnicas. A Cloudflare identificou que a ferramenta de respostas da Perplexity utilizava crawlers ocultos e endereços de IP alternados para burlar diretivas do arquivo robots.txt e bloqueios de sites.

Segundo Diogo Coletta, o fator econômico impulsiona a corrida: embora o poder computacional possa ser adquirido, o estoque de texto humano de alta qualidade é limitado. Negociar licenças individuais é considerado lento pela indústria, o que leva algumas empresas a arriscarem processos judiciais com base no cálculo de que a vantagem competitiva compensa eventuais contenciosos futuros.

Fonte original: Canaltech