A Amazon começa a destruir livros para treinamento de IA diante da escassez de dados

À medida que a internet aberta se torna cada vez mais difícil de fornecer textos de alta qualidade suficientemente escassos, confiáveis e não contaminados por conteúdo gerado por IA, os livros antigos estão passando de bens culturais a matérias-primas de dados para a era da IA.

Autor e fonte do artigo: 0x9999in1, ME News



• Esta não é apenas uma notícia simples sobre “a Amazon queimando livros”. O sinal mais importante é: quando a internet aberta se torna cada vez mais difícil de fornecer textos de alta qualidade suficientemente raros, confiáveis e não contaminados por conteúdo gerado por IA, os livros antigos estão passando de bens culturais para matérias-primas de dados na era da IA.
• Um pedido de aproximadamente 1.000 livros rastreado pela 404 Media acabou no armazém LAS8 da Amazon em Las Vegas Norte; funcionários afirmaram que a equipe VGT3 cortará as lombadas e digitalizará as páginas, destruindo assim os exemplares originais em papel. A Amazon confirmou que adquire livros por canais comerciais para melhorar produtos e serviços, mas não divulgou o tamanho do projeto, a data de início, o uso específico, nem respondeu se versões raras ou escassas serão filtradas antes da destruição.
• “A comprar primeiro o livro físico e depois fazer uma varredura destrutiva” tem ainda um contexto real: no caso Bartz v. Anthropic de 2025, o tribunal federal dos Estados Unidos reconheceu o uso legítimo da substituição digital um-a-um de livros impressos legalmente adquiridos, mas distinguiu claramente a aquisição legal da obtenção por pirataria. Em julho de 2026, a ação coletiva de direitos autorais envolvendo a Anthropic por fontes piratas foi finalmente aprovada com um acordo de 1,5 bilhão de dólares. A fonte de dados está se transformando de um problema técnico em um problema de balanço patrimonial.
• Não é surpreendente que a Amazon entre agora neste cenário. A empresa prevê gastos de capital de cerca de US$ 200 bilhões em 2026, com IA como foco principal; no segundo trimestre deste ano, as vendas da AWS aumentaram 37% em relação ao ano anterior, atingindo US$ 42,2 bilhões. A capacidade de processamento ainda está se expandindo rapidamente, mas o valor marginal dos dados de alta qualidade também está aumentando.
• O que realmente precisa ser alertado não é o próprio ato de “desmontar livros”, mas um sistema de aquisição e destruição sem transparência: livros usados comuns podem ser reimpressos e recomprados, mas certas edições esgotadas, com anotações, publicações locais e textos raros podem não ser recuperáveis. Quando não há mecanismo de seleção, as empresas de IA obtêm dados, mas a sociedade pode perder registros físicos irrecuperáveis.

A cena mais impactante desse evento é, sem dúvida, cruel: um livro tem sua lombada cortada, suas páginas são introduzidas em um dispositivo de varredura e, finalmente, o livro original deixa de existir. Ainda mais dramático é que a empresa que realiza esse ato é a Amazon — a mesma Amazon que, em 1995, começou vendendo livros online. Trinta e poucos anos depois, ela está novamente comprando livros em grande escala, mas desta vez os livros nem sempre são destinados aos leitores; em vez disso, tornam-se dados que máquinas podem ingerir.

De acordo com uma investigação publicada em 17 de agosto pela 404 Media, o jornalista Emanuel Maiberg colaborou com um comerciante que recebeu um grande pedido pelo Biblio, inserindo um AirTag em um dos cerca de 1.000 livros. O rastreador chegou até o armazém LAS8 da Amazon em Las Vegas Norte. O relato cita funcionários que trabalham no local afirmando que uma equipe chamada VGT3 é responsável por receber grandes quantidades de livros impressos, remover suas encadernações, escaneá-los rapidamente e destruí-los durante o processo. A Amazon confirmou ao Inc. que a empresa realmente "compra livros por canais comerciais para ajudar no desenvolvimento e aprimoramento dos produtos e serviços utilizados pelos clientes", mas não respondeu quantos livros foram comprados, quando o projeto começou, quais produtos recebem os dados ou se versões raras ou escassas são excluídas antecipadamente.

Mais notável ainda, essa pista não surgiu repentinamente ontem. A Inc. descobriu que, já em setembro de 2024, usuários no fórum de vendedores da Amazon relataram grandes quantidades de pedidos de livros sendo enviados para LAS8: alguns encontraram um único comprador fazendo 68 pedidos de uma vez, outros receberam 48 pedidos concentrados na madrugada, todos de livros de editoras universitárias, e outros vendedores afirmaram que a mesma conta comprava livros quase todos os dias. O representante do fórum da Amazon confirmou na época que esses pedidos eram válidos, mas a Amazon atualmente não esclareceu se esses pedidos estão relacionados ao VGT3.

Minha avaliação é que o que realmente merece atenção nisso não é o impacto emocional de “gigantes tecnológicos queimando livros”, mas sim o fato de que isso revela uma reavaliação de recursos na indústria de IA: nos últimos anos, os recursos mais escassos eram GPU, data centers, energia e capital; agora, textos humanos de alta qualidade, rastreáveis e o mais livres possível de contaminação por conteúdo gerado por IA também estão sendo reavaliados.

O mercado de livros usados foi repentinamente envolvido na cadeia de suprimentos de IA, não como uma cena absurda da era da nostalgia, mas como um passo natural e muito frio após a industrialização dos grandes modelos.

A internet parece infinita, mas os dados realmente adequados para treinar modelos de ponta não são ilimitados.

A Epoch AI estimou em seu estudo de 2024 que, após ajustes de qualidade e duplicação, o estoque efetivo de texto humano público disponível para treinamento era de aproximadamente 300 trilhões de tokens; se a tendência de crescimento do volume de dados na época persistir, esse estoque pode ser totalmente utilizado entre 2026 e 2032. Essa previsão não é uma contagem regressiva de “os dados vão se esgotar amanhã”, pois dados sintéticos, eficiência de dados, pós-treinamento e abordagens multimodais continuam a evoluir, mas ela revela uma direção: cada vez mais difícil obter novas informações de qualidade equivalente apenas por meio da expansão contínua da raspagem da web.

Mas os livros usados têm várias características que as empresas de IA não podem ignorar.

Primeiro, eles geralmente passam por múltiplas etapas de seleção por autores, editores e editoras, o que torna sua densidade informativa e estrutura normalmente mais estáveis do que páginas da web aleatórias. Em segundo lugar, grande quantidade de histórias locais, manuais profissionais, obras acadêmicas nichadas, edições antigas de livros didáticos, materiais industriais e publicações não em inglês nunca foram digitalizadas integralmente e não podem ser capturadas por páginas públicas. Um ponto ainda mais sutil é que, especialmente em conteúdos publicados antes da ampla disseminação da IA generativa, há maior probabilidade de terem surgido em ambientes puramente humanos de escrita.

Esse valor já foi diretamente afirmado pelos fornecedores de dados. Em julho deste ano, na reportagem sobre o mercado de aquisição de livros, a empresa de banco de dados de livros ISBNdb chegou a usar a frase “os melhores dados do mundo para treinamento de IA estão na prateleira” para testar a demanda por aquisição de livros por empresas de IA, destacando que os livros contêm conhecimento humano organizado, editado e especializado. Posteriormente, a ISBNdb afirmou que essa página era apenas um teste de demanda de mercado e já foi removida.

Por que essa frase é tão incômoda? Porque ela expõe toda a ansiedade da indústria.

Quanto mais poderosa a IA generativa, mais textos na internet serão escritos, reescritos ou resumidos por IA. Se os modelos continuarem a ingerir esses conteúdos sem distinção, as fontes de dados se tornarão cada vez mais complexas. Assim, aquilo que já estava impresso em papel antes da onda da IA generativa repentinamente adquire uma nova camada de valor que antes não existia: pelo menos em termos de tempo, eles estão mais próximos de um ambiente de informação não intervindo massivamente pela IA generativa.

Portanto, comprar livros usados na Amazon não significa que ela esteja “retornando à era impressa”; pelo contrário, trata-se de um pensamento profundamente baseado em dados. Para os treinadores de modelos, a capa, a encadernação e a história de coleção de um livro podem não ter valor direto para treinamento; o que realmente tem valor são os tokens dentro dele que podem ser tokenizados, indexados, removidos em duplicatas, anotados e treinados.

O livro passa de mercadoria para corpus, e seu sistema de preços também muda. Um livro técnico antigo, que ninguém procurava nas últimas décadas, pode repentinamente gerar nova demanda machine por não ter uma versão eletrônica completa disponível online.

Este é o ponto mais notável.

A razão é primeiro muito simples: eficiência.

Industrializing the digitization of tens of thousands of books by photographing each page individually is extremely slow. After removing the spine, the pages can be flatly separated, making them more suitable for high-speed scanning and subsequent optical character recognition. Destructive scanning is not a technology that emerged in the AI era, but AI may have propelled it for the first time toward such direct data industrial applications.

Há ainda um segundo nível de fundo mais sensível: a lei.

Em junho de 2025, o Tribunal Distrital dos Estados Unidos para o Distrito Norte da Califórnia, no caso Bartz v. Anthropic, revelou que a Anthropic comprou milhões de livros impressos, desmontou as encadernações, cortou as páginas, digitalizou-as para criar cópias digitais e descartou os originais em papel após a geração das versões digitais. O juiz William Alsup, diante dos fatos específicos do caso, considerou que essa conversão de formato — “um exemplar em papel substituído por uma cópia digital interna, sem distribuição externa da cópia digital” — constitui uso justo; o tribunal também determinou que o uso específico de treinamento de grandes modelos no caso era uso justo.

Mas a mesma sentença também traçou uma linha muito rígida.

Anthropic anteriormente baixou mais de 7 milhões de livros de bancos de dados piratas. O tribunal considerou que criar e manter a longo prazo uma biblioteca digital central composta por fontes piratas não pode automaticamente receber proteção de uso justo apenas porque algumas dessas partes foram posteriormente utilizadas para treinar IA. A aquisição legal e a obtenção pirata foram claramente tratadas separadamente pelo tribunal.

Por que esta linha é importante? Porque ensinou a toda a indústria de IA uma lição cara sobre aquisição: não é mais “qualquer dado pode ser usado para treinamento”, mas sim onde os dados vêm, se as empresas pagaram para obter cópias, e como são armazenados e copiados pode alterar os riscos legais.

E esta aula acabou realmente se tornando mais cara.

Em 20 de julho de 2026, um tribunal federal dos EUA aprovou finalmente o acordo coletivo de direitos autorais de US$ 1,5 bilhão entre a Anthropic e autores e editoras. O acordo envolve mais de 482.000 livros, e cerca de 91% das obras relacionadas já tiveram pedidos de indenização apresentados. Deve-se deixar claro que este acordo aborda reivindicações relacionadas a fontes de pirataria e não significa que o sistema judicial dos EUA tenha emitido uma autorização unificada para todo o treinamento de IA; outros casos, fontes de dados diferentes e formas de uso distintas ainda podem resultar em desfechos diferentes.

Por isso, a compra de livros físicos pela Amazon por meio de canais comerciais é muito fácil de entender do ponto de vista do controle de risco.

Será que ele foi projetado exatamente seguindo o caminho legal estabelecido pelo caso Anthropic? Atualmente, não há evidências públicas que permitam chegar a essa conclusão. Mas, em 2026, quando o veredicto do caso Anthropic e o acordo de 1,5 bilhão de dólares já estiverem sobre a mesa, qualquer grande empresa de IA estará mais atenta a uma coisa: você consegue provar de onde vieram os dados?

O preço de comprar um livro físico pode ser muito barato; explicar em tribunal anos depois onde vieram milhões de materiais de treinamento pode não ser nada barato.

A indústria de IA costumava ver os dados como ar inesgotável na rede; agora, está aprendendo a pagar pela "origem".

Here, you must separate emotion from fact.

Livros populares mais vendidos, publicações de grande tiragem e livros antigos ainda disponíveis em grande quantidade no mercado que entram no sistema de reciclagem não equivalem, por si só, a uma catástrofe cultural. A indústria de livros usados e antigos já praticou no passado a desmontagem de livros para vender ilustrações separadamente e o descarte de livros com baixa venda. Não se pode, apenas por causa da chegada da IA, fingir repentinamente que cada livro antigo é uma cópia única.

O problema é que a Amazon ainda não respondeu se identificará edições raras, esgotadas ou especiais antes da varredura de destruição.

O livro rastreado pela 404 Media foi relatado como um livro raro, e a Inc. entrou em contato especificamente com a Amazon para perguntar se a empresa havia filtrado edições raras ou escassas antes da destruição, mas não recebeu resposta.

Isso deixa uma brecha que não pode ser facilmente ignorada com a desculpa de “já comprei e gastei dinheiro”: a propriedade legal não é a mesma coisa que o valor de preservação cultural.

O texto de um livro pode ser escaneado. No entanto, assinaturas, anotações de leitores, selos de biblioteca, encadernações especiais, informações de correção, marcas de impressão local e até mesmo registros físicos deixados por décadas de circulação de um livro nem sempre são capturados pelo OCR e ainda menos incluídos no conjunto de treinamento final.

As palavras permanecem, mas as provas físicas podem desaparecer.

Essa preocupação não existe apenas nos Estados Unidos. Este ano, diversos vendedores de livros usados na Inglaterra e na Irlanda informaram ao Guardian que, nos últimos meses, surgiram grandes compras em massa de temas completamente desconexos e com baixa sensibilidade a preços: alguém comprou em uma única vez romances em estoniano, edições específicas de obras de Brontë e revistas antigas de 1983; um vendedor relatou ter recebido pedidos de cerca de 6.000 livros desse tipo desde o início do ano. Austrália também já teve vendedores relatando compras em massa anômalas.

Mas aqui também é essencial manter os limites dos fatos: não há evidência pública de que todos esses pedidos no exterior sejam de empresas de IA. O próprio relato do The Guardian os apresenta claramente como suposições e preocupações dos editores, e não como compras de IA confirmadas.

O que foi realmente rastreado até a instalação específica de varredura por IA foi a investigação da 404 Media contra a Amazon.

Isso justifica exatamente por que a transparência é importante.

Se a empresa considerar essa aquisição legal, razoável e realmente capaz de melhorar o produto, algumas perguntas básicas não são exageradas: quais tipos de livros entrarão na varredura destrutiva? São excluídas edições únicas, raras, assinadas ou com valor físico especial? Como os papéis serão tratados após a varredura? Por quanto tempo as cópias digitais serão mantidas? Para quais produtos ou categorias de modelos serão, em geral, utilizadas?

As empresas certamente não precisam divulgar todas as receitas de treinamento.

Mas “nós gastamos dinheiro para comprar, então podemos silenciosamente cortar tudo” não é uma resposta suficientemente madura.

Porque está apostando em IA com uma velocidade sem precedentes.

Em fevereiro deste ano, a Amazon indicou que espera investimentos de capital de aproximadamente US$ 200 bilhões para todo o ano de 2026, com foco em oportunidades como IA, chips, robótica e satélites em órbita baixa. No segundo trimestre, as vendas da empresa atingiram US$ 200,6 bilhões, um aumento de 20% em relação ao ano anterior; as vendas da AWS atingiram US$ 42,2 bilhões, um crescimento de 37% em relação ao ano anterior, registrando a taxa de crescimento mais rápida em 18 trimestres. O fluxo de caixa livre nos últimos 12 meses passou para um déficit líquido de US$ 7,6 bilhões, e a Amazon afirmou explicitamente que o aumento significativo na aquisição de imóveis e equipamentos reflete principalmente os investimentos em inteligência artificial. Os negócios de IA e chips da AWS também superaram, respectivamente, uma taxa anualizada de receita de US$ 25 bilhões.

Mais notavelmente, a relação entre a Amazon e a Anthropic.

Em abril deste ano, a Amazon anunciou um investimento adicional de US$ 5 bilhões na Anthropic, sobre os US$ 8 bilhões já investidos anteriormente, com a possibilidade de adicionar até US$ 20 bilhões após a conquista de marcos comerciais específicos. Ao mesmo tempo, a Anthropic comprometeu-se a gastar mais de US$ 100 bilhões em tecnologia da AWS nos próximos dez anos e a receber até 5 GW de capacidade de computação Trainium atual e futura.

Em outras palavras, a Amazon é agora tanto um provedor de infraestrutura em nuvem quanto um participante de capital na indústria de modelos avançados, além de operar Nova, Alexa, Rufus e uma grande variedade de serviços de IA empresarial.

O que é necessário já não é apenas mais chips.

Ele precisa de mais conhecimentos de alta qualidade, cobertura de conhecimentos de cauda longa, fontes de dados mais confiáveis e uma cadeia de propriedade de dados mais fácil de explicar.

Em relação ao atual nível de gastos com capital da Amazon, a compra em massa de livros usados certamente não se tornará um custo determinante para a situação financeira da empresa. O que realmente importa é o sinal emitido por esse gesto: uma gigante disposta a investir cerca de US$ 200 bilhões por ano na expansão de sua infraestrutura tecnológica ainda está disposta a estender seus tentáculos de cadeia de suprimentos para o mercado de livros usados, disperso, ineficiente e com precificação unitária.

Why?

Porque alguns dados realmente não têm atalhos.

Este também é o ponto em que a competição de IA está mudando. No passado, todos competiam para rastrear mais páginas da web, depois competiam por ter mais GPUs, e agora cada vez mais se compete por quem possui dados mais limpos, únicos, legais e difíceis de replicar.

Os dados já não são mais apenas um conjunto de “matérias-primas” antes do início do treinamento.

It is becoming an asset that must be acquired, cleaned, verified, tracked, and audited.

A verdadeira barreira de dados talvez não seja “quem possui uma cópia da internet”, mas sim quem possui conteúdo de alta qualidade que os outros não conseguem obter, não conseguem manter ou, mesmo obtendo, não se sentem seguros o suficiente para usar.

Não acho que a conclusão deva ser "proibir empresas de IA de digitalizar livros físicos".

A digitalização em si pode preservar conhecimento e também trazer conteúdos esgotados de volta aos sistemas de busca, pesquisa e compreensão machine. Para grande parte dos livros usados comuns, a varredura destrutiva pode não ser pior do que acabar no reciclagem de papel. Reduzir isso a uma frase simples como “IA está queimando livros” é emocionalmente impactante, mas não é factual.

Há duas fronteiras reais.

O primeiro é o limite dos direitos: comprar um livro impresso não equivale a adquirir todos os direitos autorais da obra, muito menos torna legais por natureza todos os comportamentos de treinamento, cópia e geração. O caso Bartz foi apenas uma importante sentença de um tribunal federal distrital dos Estados Unidos sob fatos específicos, e não é um passaporte permanente para empresas de IA em todo o mundo.

O segundo é preservar os limites: se uma empresa não puder provar que identifica e evita livros raros, edições únicas ou com valor histórico especial, então a chamada “varredura eficiente” pode transformar um problema de engenharia de dados em uma perda cultural irreversível.

O que a Amazon deveria responder, na verdade, não é "por que vocês precisam de livros".

Esta resposta está ficando cada vez mais clara: porque a grande quantidade de conhecimento de alta qualidade deixada pela humanidade nos últimos séculos não está totalmente presente na internet aberta.

A verdadeira questão é: quando esses livros passam da estante para a linha de treinamento de IA, quem decide o que pode ser sacrificado e o que não deve ser sacrificado? Quem garante que as empresas estão obtendo conteúdo, e não simplesmente apagando a história além do conteúdo?

A ironia desta situação é muito forte.

A Amazon se tornou uma das empresas de comércio mais importantes da internet ao entregar livros às pessoas; hoje, ela está comprando de volta esses livros, abrindo-os e enviando os textos para máquinas.

A tecnologia pode certamente alterar o veículo do conhecimento, mas não por isso deve-se fingir que o veículo não tem valor.

A IA precisa de coisas escritas por humanos, e não há nada de vergonhoso nisso. O verdadeiramente preocupante é que, à medida que toda a indústria se torna cada vez mais dependente de “textos de alta qualidade deixados por humanos”, ainda esconde o processo de obtenção no fundo da cadeia de suprimentos, tratando direitos autorais, origem, escassez e responsabilidade de preservação como questões secundárias.

O modelo pode comprimir um livro em tokens, as empresas podem transformar tokens em parâmetros, mas algumas coisas, uma vez fragmentadas, não podem ser recuperadas em nenhum treinamento futuro.

A civilização pode ser digitalizada, mas a responsabilidade não pode ser “convertida” de forma alguma.

1. Emanuel Maiberg. “We Tracked a Shipment of Rare Books. It Ended at an Amazon AI Training Facility.” 404 Media, 2026-08-17.
2. Georgia Fearn. “Amazon Está Comprando Livros Antigos e Destrui-los Após Digitalização. Os Pedidos Remontam a 2024.” Inc., 2026-08-17.
3. Amazon.com, Inc. “Amazon.com anuncia os resultados do segundo trimestre.” 2026-07-30.
4. Amazon. “Amazon e Anthropic ampliam a colaboração estratégica.” 2026-04-20.
5. Supremo Tribunal Distrital dos Estados Unidos, Distrito Norte da Califórnia. Bartz contra Anthropic PBC, Ordem sobre Uso Justo e Infringência, 2025-06-23.
6. Reuters. “Juiz dos EUA aprova o acordo de US$ 1,5 bilhão da Anthropic em processo de violação de direitos autorais.” 2026-07-20.
7. Pablo Villalobos et al. “Will we run out of data? Limits of LLM scaling based on human-generated data.” Epoch AI, 2024-06-06.
8. Dan Milmo. “Vendedores de livros usados no Reino Unido e Irlanda suspeitam que empresas de IA estejam por trás de pedidos em massa ‘estranhos’.” The Guardian, 2026-08-15.