Recentemente, você pode ter notado a onda do Studio Ghibli nas redes sociais, com a nova atualização do ChatGPT permitindo a criação de imagens inspiradas nas obras do icônico estúdio japonês. Enquanto isso divertia muitos, reacendeu um debate crucial sobre o uso de dados de terceiros para o treinamento de Inteligência Artificial (IA).

O que muitos não percebem é que, para que sistemas como o ChatGPT consigam reproduzir o estilo de diretores renomados como Hayao Miyazaki, eles precisam ser alimentados com uma quantidade imensa de material que, muitas vezes, é coletado sem autorização. Essa questão é ainda mais delicada considerando que Miyazaki expressou, em 2016, sua preocupação ao declarar que o uso de IA na criação é um "insulto à própria vida".

O funcionamento da IA não se limita apenas aos estilos artísticos; ela também aprende com a estrutura e o conteúdo de textos de escritores consagrados. Assim, quando a IA responde a uma pergunta, é porque já leu a resposta em algum lugar — geralmente, em um texto criado por um ser humano.

O treinamento da IA exige uma vasta quantidade de dados de diferentes formatos: textos, imagens, vídeos e mais. Este tratamento massivo de dados leva as empresas de tecnologia a coletar informações sem a devida permissão dos proprietários. Recentemente, foi revelado que a Meta chegou a baixar livros pirateados para treinar suas IAs.

Uma das estratégias mais utilizadas para coletar esses dados é chamada de "web scraping", onde bots automatizados, conhecidos como "crawlers", acessam sites e extraem conteúdos. Essa prática já está causando problemas, como o aumento de 50% no uso da banda de download da Wikipedia, que está sendo drenada por essa coleta incessante de dados.

Diante dessa situação, as organizações que criam conteúdo começaram a se defender. Desde ações judiciais, como o processo do The New York Times contra a OpenAI, a soluções técnicas têm sido exploradas. Uma primeira solução proposta foi o uso do arquivo "robots.txt", que informa aos bots quais partes do site não devem ser acessadas. No entanto, essa abordagem depende da boa vontade dos crawlers, que podem ignorar essas instruções.

Uma resposta mais radical surgiu com a implementação de algoritmos que conseguem reconhecer o tráfego de bots de IA indesejados e bloqueá-los. Embora inicialmente essa estratégia tenha funcionado, os desenvolvedores de crawlers já estão criando maneiras de driblar essas barreiras.

A nova estratégia é ainda mais intrigante: trata-se de criar um labirinto digital, onde, ao identificar acesso indevido, o servidor redireciona o bot para uma série de páginas falsas, criadas por IA. No processo, o bot gasta recursos navegando sem conseguir acessar conteúdo real, enquanto os desenvolvedores podem estudar o seu comportamento. A Cloudflare, uma das principais empresas de segurança digital, lançou recentemente este serviço para seus clientes, e essa estratégia pode se tornar cada vez mais comum, forçando os crawlers a encontrar novas maneiras de escapar.

No entanto, é importante considerar as contradições que surgem dessa dinâmica. Muitas pessoas que criam conteúdo desejam que seu trabalho não seja usado sem autorização, uma vez que não são remuneradas quando a IA utiliza seus materiais para responder perguntas. Essa é uma reclamação válida, mas simplesmente bloquear o acesso a esses conteúdos pode trazer um efeito colateral negativo.

A IA está se tornando uma fonte vital de pesquisa e consulta, e excluir informações do seu banco de dados pode resultar em um crescente esquecimento—um resultado que ninguém quer enfrentar. Criadores e empresas precisam repensar suas estratégias em um mundo digital que está sendo cada vez mais moldado pela Inteligência Artificial. No campo de batalha por dados, o risco do esquecimento pode ser tão perigoso quanto o uso indevido de conteúdos.