Data brokers americanos vendem a laboratórios chineses de IA dados e ambientes de RL no valor de US$ 500 milhões

Se você pensava que o principal gargalo na corrida da IA são os chips, esta história tem uma segunda metade. A investigação do ChinaTalk, resumida pelo The Decoder, mostra que fornecedores americanos de dados vendem tranquilamente a laboratórios chineses aquilo com que os modelos da OpenAI e da Anthropic são treinados. O volume total é de cerca de US$ 500 milhões.

O que exatamente está sendo vendido

Não se trata apenas de textos rotulados. Parte do material são ambientes de RL (ambientes de aprendizado por reforço). Pense em um simulador: o modelo recebe uma tarefa, como «corrigir um bug em um repositório» ou «consolidar o relatório trimestral», e um script verifica o resultado e atribui uma recompensa. O modelo tenta milhares de vezes e, aos poucos, aprende a resolver essas tarefas melhor. Construir um bom simulador é caro e demorado: exige especialistas, verificações e depuração.

Por isso o esquema é vantajoso para ambos os lados. Segundo a investigação, a lista de vendedores inclui pelo menos nove empresas americanas, entre elas Mercor, Surge AI, AfterQuery e Turing. A Surge AI escreve abertamente em seu site que seus produtos são feitos «pelos mesmos especialistas que estão por trás do trabalho para os laboratórios de fronteira».

Por que isso interessa à China

Os compradores escolhem deliberadamente os mesmos produtos que a OpenAI ou a Anthropic já compraram. A lógica é simples: se os líderes americanos já provaram que o ambiente funciona, não é preciso testá-lo por conta própria. Isso economiza meses de desenvolvimento e elimina rodadas de treinamento «vazias», que custam muito caro. Para os laboratórios chineses, o poder de computação vale em dobro: os chips locais, segundo os autores, sofrem com uma escassez aguda de memória.

Soma-se a isso a destilação. As equipes chinesas usam modelos americanos fortes, como GPT ou Claude, como «professores» e treinam os próprios modelos com as respostas deles. Com os ambientes comprados, o ganho é duplo: é possível correr atrás com menos recursos próprios.

O negócio em si passa por estruturas offshore. A ByteDance, por exemplo, tem escritórios de compras em Singapura e San José. Tudo veio à tona por meio de fontes anônimas e do descuido de subcontratados. O trabalho principal de criação de ambientes e preparação de dados é repassado pelas empresas americanas a prestadores mal remunerados em países em desenvolvimento, sobretudo na Índia. Às vezes eles citam nomes de clientes no LinkedIn ou no currículo, embora devessem usar apenas codinomes.

Onde está o risco e onde há exagero

A principal preocupação são os ambientes de uso duplo. Simuladores de programação melhoram o desenvolvimento, mas também podem reforçar capacidades cibernéticas ofensivas. Ambientes de biologia podem aprimorar o trabalho com síntese de genes e, potencialmente, ajudar em tarefas ligadas a armas biológicas. Hoje o controle de exportações quase não alcança esses produtos, porque não existe uma categoria regulatória específica para ambientes de RL. Os autores propõem que o Bureau of Industry and Security dos EUA aplique a eles as regras em vigor.

Ao mesmo tempo, eles próprios pedem que não se caia no apocalipse. Enquanto a China seguir os passos das soluções americanas, ela fica estruturalmente atrás dos laboratórios dos EUA por pelo menos alguns meses. Ambientes sensíveis de biologia, química, cibersegurança, projeto de chips e banco de investimento são cada vez mais construídos dentro das próprias empresas americanas.

As limitações também devem ser lembradas. O volume de US$ 500 milhões é uma estimativa da investigação. Os dados sobre a receita anual de cerca de US$ 100 milhões da AfterQuery vêm de publicações da Forbes, e o ChinaTalk não conseguiu verificá-los de forma independente.

O que isso significa na prática

Para fundadores de startups de dados, a conclusão é dura: a regulação desse mercado provavelmente ficará mais rígida. Vale descobrir de antemão quem são seus compradores finais, como os contratos são estruturados e para quem vão os ambientes de domínios sensíveis. Esta é uma conclusão minha, não uma afirmação dos autores da investigação.

Para quem constrói produtos sobre modelos, a ideia é outra. Simuladores e dados, por si sós, são uma barreira de proteção frágil: se podem ser comprados, os concorrentes também os comprarão. A vantagem real continua nos dados fechados, na distribuição e na velocidade de iteração. E as equipes que confiam a terceiros a coleta ou a rotulagem de dados precisam vigiar a segurança operacional da cadeia: o vazamento do nome de um cliente a partir do currículo de um prestador é um cenário perfeitamente real.