Análise de fornecimento de dados de IA: Guardian, Anthropic

Em algum lugar entre uma estante empoeirada de poesia e a doca de carga de um armazém, os dados de treinamento de IA viraram um problema de compras. O The Guardian relata que livreiros de livros usados no Reino Unido e na Irlanda estão vendo pedidos em grandes quantidades, fora do comum, feitos por compradores misteriosos, com especulações de que empresas de IA estão adquirindo livros para obter dados. A mesma reportagem observa que isso vem depois de a Anthropic ter gastado milhões em livros para escaneá-los para aquisição de dados, que é o tipo de frase que faz web scraping parecer algo pitoresco, como internet discada com uma ecobag. Isso não prova que todo carrinho suspeito cheio de livros de bolso seja secretamente o Claude usando sobretudo. Mas é um sinal útil: texto de alta qualidade é escasso o bastante para que o setor talvez esteja tratando livros físicos como insumos estratégicos. Todo mundo adora falar sobre contagens de parâmetros. Ninguém quer falar sobre a cadeia de suprimentos dos substantivos.

O The Guardian encontrou um padrão de compras escondido à vista

de todos O The Guardian diz que livrarias do Reino Unido e da Irlanda receberam pedidos de compradores dos EUA, do Canadá, da Europa continental e do próprio Reino Unido, enquanto vendedores descrevem o padrão como estranho o suficiente para levantar dúvidas. A reportagem se concentra em especulações entre livreiros, não em uma lista confirmada de compradores, o que importa porque atribuição é a diferença entre reportagem e cosplay de detetive. Ainda assim, o fluxo de trabalho alegado é legível: adquirir livros, digitalizar texto e alimentar o treinamento de modelos com material mais limpo. Isso não é mágica. É ETL com cortes de papel. O The Guardian também destaca Stuart e Mary Manley, da Barter Books, em Alnwick, Northumberland, onde a teoria na legenda é direta: “Minha teoria é que é dinheiro de IA em quantidades e mais quantidades”. Isso não é um benchmark de laboratório, mas é comportamento de mercado observado por pessoas que sabem como é a compra normal de livros. Em IA, a telemetria mais estranha muitas vezes vem dos humanos mais próximos do gargalo.

A BBC mostra por que os vendedores perceberam A BBC relata

que Stuart Manley, da Barter Books, normalmente venderia dois ou três mil livros em uma semana, mas um único pedido em grande quantidade de uma empresa canadense equivalia ao que ele esperaria movimentar em sete dias. Manley disse à BBC que "nunca tinha visto nada parecido em 30 anos no comércio de livros usados". Esse é o tipo de detecção de anomalias que você faz sem dashboard, apenas com um caixa, uma van e a sensação crescente de que alguém treinou um modelo na sua planilha de estoque. A BBC também diz que os livreiros não sabem o destino final dos livros, enquanto a suspeita se voltou para a IA porque os modelos têm um apetite voraz por novas informações. A palavra importante é suspeita. Quem constrói produtos deve resistir à tentação de transformar todo comprador desconhecido em um cluster de GPUs vilanesco, mas deve prestar atenção ao motivo pelo qual livros são atraentes: prosa editada, estrutura de formato longo e menos daquela papa sintética que agora flutua pela web aberta como whey protein em uma jacuzzi.

O Chosun conecta

o rumor à economia do escaneamento O Chosun informou que, em maio passado, chegou à Kenneth’s Bookshop, em Galway, na Irlanda, uma solicitação para comprar 5.000 livros de uma só vez. O veículo enquadrou a tendência mais ampla como empresas de IA comprando grandes quantidades de livros usados para escaneamento, a fim de garantir materiais de texto originais para o treinamento de LLMs. Também mencionou a Anthropic lançando o Project Panama, embora o trecho não forneça detalhes suficientes para transformar isso, com responsabilidade, em um romance de espionagem. Irritante, sim, mas precisão é o único tempero que podemos usar aqui. O ângulo do escaneamento importa porque muda a aquisição de dados de coleta passiva para compras ativas. Em vez de sugar páginas públicas da web e torcer para que o tokenizador sobreviva à seção de comentários, uma empresa pode comprar cópias físicas, digitalizá-las e construir um corpus com entradas conhecidas. Isso não resolve automaticamente direitos autorais, licenciamento ou remuneração de autores. Mas torna o pipeline mais auditável do que o velho bufê da internet, onde a proveniência muitas vezes era um dar de ombros usando uma chave de API.

Por que builders devem tratar dados como estoque A BBC relata

que, em 2025, um juiz dos EUA decidiu que usar livros comprados dessa forma para treinar software de IA não violava a lei de direitos autorais dos EUA. Isso não significa que a mesma resposta se aplique em todos os lugares, nem que todo caminho de aquisição seja reputacionalmente limpo. Significa que estratégia de dados agora é estratégia jurídica, estratégia de fornecedores e estratégia de operações. Parabéns, o seu model card precisa de uma aba de cadeia de suprimentos. Para equipes de produto, a lição é chata do melhor jeito possível: documente de onde vêm os dados, quais direitos estão ligados a eles e o que acontece após a ingestão. Para pesquisadores, a pergunta interessante é se corpora com maior proveniência se tornam uma vantagem competitiva à medida que os dados da web pública ficam mais ruidosos e mais sintéticos. Para editoras e livreiros, isso pode criar novos mercados de licenciamento se todo mundo resistir ao impulso de resolver a cultura com uma trituradora. Observe os próximos movimentos em torno de parcerias de dados divulgadas, auditorias de compras e se os laboratórios de IA começam a tratar fontes de texto com a mesma seriedade que dedicam a chips e contratos de nuvem. Se a corrida dos modelos agora está alcançando as prateleiras de usados, o reagente limitante talvez não seja computação. Talvez sejam frases limpas, devidamente documentadas, e de preferência não transformadas em polpa depois que um robô fez um lanche.