Empresas de IA estão comprando livros antigos: os últimos dados de treinamento sem "slop" de IA

Laboratórios de IA começaram a comprar livros de papel antigos em larga escala para treinar modelos: textos publicados antes da chegada da IA generativa continuam sendo o último grande conjunto de dados não contaminado pelo "slop" de máquina. O acesso ao catálogo é vendido pelo corretor de dados ISBNdb, e os próprios laboratórios não revelam quem financia as compras, segundo o veículo The Next Web, em reportagem de julho de 2026.

Por que livros sem slop de IA têm valor

Livros antigos são valiosos porque têm autoria humana garantida: qualquer texto publicado antes do lançamento do ChatGPT, em novembro de 2022, fisicamente não pode conter conteúdo gerado por redes neurais. É essa "pureza" que transforma estantes de biblioteca em um recurso escasso para o treinamento de modelos.

O problema está no método de obtenção. Para digitalizar um livro com um scanner industrial, a lombada é cortada e as páginas passam por um alimentador automático, ou seja, o exemplar é fisicamente destruído. De acordo com o The Next Web, são milhões de volumes, e o nome do laboratório contratante não aparece nos negócios.

• ISBNdb — corretor de dados que vende aos laboratórios acesso a um catálogo de livros
• Novembro de 2022 — lançamento do ChatGPT, marco que separa dados "limpos" de dados contaminados
• A digitalização é destrutiva: as lombadas são cortadas e os livros de papel são destruídos
• Estão em circulação milhões de edições
• Os compradores não revelam qual empresa de IA pagou pelo pedido

Por que os dados estão acabando?

Os grandes laboratórios já esgotaram, na prática, a internet aberta como fonte de textos de qualidade. Analistas da Epoch AI estimaram ainda em 2024 que o estoque de dados humanos públicos de alta qualidade pode acabar na segunda metade da década de 2020, e desde então a corrida pelos corpora "limpos" que restam só se intensificou.

Nessa corrida, os livros são um ativo premium. Um livro oferece um texto longo, coeso e editado, com linguagem rica, e não posts e comentários fragmentados. Por isso, cada volume vale a qualidade pela qual os laboratórios estão dispostos a pagar a corretores como a ISBNdb.

O que é contaminação de dados?

Contaminação de dados é a situação em que os textos de treinamento extraídos da internet passam a ser cada vez mais compostos pela saída das próprias redes neurais, e não por material escrito por pessoas. Um modelo treinado com o próprio "slop" se degrada aos poucos: perde diversidade e precisão. Pesquisadores descreveram esse efeito na revista Nature ainda em 2024 e o chamaram de model collapse — colapso do modelo.

Daí a caça aos livros físicos. Depois de 2022, a internet se enche rapidamente de texto de IA, e separar o humano do gerado por máquina na web fica cada vez mais difícil, enquanto a data de publicação de um livro é um marcador confiável de que você está diante de um texto humano, anterior à era digital da IA.

"Os melhores dados do mundo para treinar IA estão na prateleira" — é assim, segundo o

The Next Web, que soa a oferta do corretor de dados ISBNdb.

O lado jurídico continua sendo uma zona cinzenta: comprar e digitalizar livros de terceiros para treinar modelos comerciais é alvo de processos movidos por detentores de direitos, e o anonimato dos clientes só reforça as dúvidas sobre transparência.

O que isso significa

Para o setor, é um sinal de escassez estrutural: dados humanos de qualidade são finitos, e tudo o que foi criado depois de 2022 vale cada vez menos por causa da mistura com conteúdo de IA. Enquanto os modelos exigirem cada vez mais texto, o acervo "pré-digital" — livros antigos, arquivos, jornais — se torna um recurso estratégico e fisicamente esgotável.