Dot.lib

Por décadas, bibliotecas universitárias e departamentos de coleções especiais digitalizaram. Manuscritos, jornais, coleções acadêmicas, teses, dissertações, acervos comunitários: tudo isso foi para repositórios, ganhou metadados descritivos e passou a ser localizável por pesquisadores do mundo inteiro. Era exatamente esse o objetivo. Agora chegou um usuário novo, e ele não estava previsto: os rastreadores de inteligência artificial.

Shelley E. Barba, Matthew McEniry e Heidi M. Winkler, da Texas Tech University, com Megan Scott, da Fondren Library da Rice University, publicaram no Library Trends — periódico da Johns Hopkins University Press distribuída pelo nosso parceiro Project MUSE — um artigo que não promete solução. Promete um mapa. E o mapa mostra que todas as saídas cobram pedágio.

O ponto de partida é honesto. A coleta por IA, escrevem os autores, não é nem completamente boa nem completamente ruim para as bibliotecas digitais. Repositórios se beneficiam de indexação mais avançada, e há um argumento — que parte da profissão defende — de que é preferível que os modelos sejam treinados em literatura acadêmica confiável a que sejam treinados na alternativa. O problema não é o robô. É que a troca deixou de ser troca: os rastreadores passaram a tomar muito e devolver pouco ou nada, nem sequer uma citação.

O Acordo de Cavalheiros que Envelheceu

Em 1994, Martijn Koster e outros desenvolvedores propuseram um sistema para indicar quais robôs podiam rastrear um site e quais páginas ficavam fora de alcance. O robots.txt é o padrão desde então, há quase trinta anos. Nunca foi um protocolo oficial: funciona porque as partes decidem respeitá-lo, e não há consequência para quem não respeita. Os autores citam estudos que apontam sua eficácia limitada diante de rastreadores que simplesmente não respondem, e o caso da TollBit, empresa de licenciamento de IA que afirma detectar em suas análises inúmeros agentes driblando o protocolo.

Quando o acordo falha, começa a escalada. O artigo percorre o repertório: bloqueio por agente de usuário, veto a faixas de endereços IP e as chamadas tarpits, armadilhas em que o rastreador fica preso num atoleiro de dados-lixo sem saída. Alguns rastreadores aprendem a desviar; outros falham por completo; e as empresas já trabalham em respostas. É um jogo interminável, robô por robô, com um efeito colateral incômodo: bloquear também castiga os robôs úteis, os que indexam a coleção para que alguém a encontre.

A Confederation of Open Access Repositories divulgou em junho de 2025 o resultado de uma consulta sobre o tema, e o diagnóstico é operacional antes de ser filosófico: os rastreadores são agressivos o bastante para provocar interrupções e quedas de serviço nos repositórios. Só que a opção radical de bloquear todo acesso automatizado bloquearia junto, sem querer, os agregadores acadêmicos, os serviços de indexação e os diretórios. Ou seja, justamente aquilo de que muitos repositórios dependem para existir no mapa.

O Que o Direito Diz, Até Agora

Em 2023, o New York Times processou a OpenAI e a Microsoft alegando que seus modelos haviam “memorizado” uma quantidade massiva de artigos do jornal. O argumento técnico importa: embora se assuma que modelos generativos não guardam cópias dos dados de treinamento, e sim os convertem em tokens ponderados, o jornal mostrou que a ferramenta podia reproduzir trechos quase exatos quando interrogada de certo modo. A OpenAI respondeu que não haveria violação se a equipe do jornal não tivesse manipulado a ferramenta para provocar essa regurgitação. Cooper e Grimmelmann, citados pelos autores, observam que pesquisadores estimam que um modelo pode memorizar ao menos 1% de seu conjunto de treinamento, e que reconhecer a memorização — ainda que como falha — implica aceitar a responsabilidade de criar limites técnicos que protejam os titulares de direitos.

No fim de maio de 2025, o Escritório de Direitos Autorais dos Estados Unidos publicou a versão preliminar da terceira parte de seu relatório sobre direito autoral e inteligência artificial. Ele conclui que criar e operar um sistema generativo usando material protegido envolve múltiplos atos que, sem licença ou outra defesa, podem violar direitos; e que descartar os dados depois de concluído o treinamento não altera essa análise preliminar. Ainda assim, o relatório não recomenda intervenção governamental imediata no mercado de licenciamento, e sugere que o Congresso poderia avaliar, se necessário, um licenciamento coletivo ampliado e focalizado, nos moldes do que foi implementado na União Europeia.

Vale sublinhar algo que o artigo não precisa dizer ao seu público original: todo esse arcabouço é norte-americano. Nem o processo nem o relatório valem automaticamente na América Latina, onde a discussão sobre exceções para mineração de textos e dados está em outro ponto e sob outra tradição jurídica.

O Problema que Ninguém Combinou Com os Alunos

A parte mais incômoda do artigo trata das teses e dissertações eletrônicas, que compõem boa parte do que um repositório institucional guarda. Elas são avaliadas quanto à integridade acadêmica em vários níveis, mas não necessariamente com a publicação on-line e a coleta automatizada em mente. Os autores citam Rosalyn Metz com um exemplo que fica: numa instituição, um estudante incluiu na tese uma lista de números de seguridade social; quando lhe pediram para retirá-los, ele selecionou o texto e o pintou de branco. Os caracteres continuam lá. Texto digital não desaparece por ter ficado invisível.

Cai também o argumento com que se costumava tranquilizar os pós-graduandos. Dizia-se que uma tese on-line é tão acessível quanto um exemplar na estante, já que qualquer pessoa poderia pedi-lo por empréstimo entre bibliotecas. Não é verdade: o digital e aberto aumenta consultas e citações, o que beneficia o autor. Mas essa mesma acessibilidade transformou as teses em material de treinamento. E a proteção tradicional — a cultura acadêmica contra o plágio, que pune quem se apropria de um achado alheio — não alcança os modelos generativos, que operam fora desse ecossistema e são imunes a uma acusação de plágio. Os autores registram que se discutiu muito como os estudantes deveriam usar a IA, e muito pouco como a IA usa o trabalho dos estudantes.

Descontextualizar É Perda, Não Detalhe

Marina Morgan testou quatro modelos — Claude, Gemini, Copilot e ChatGPT 4.0 — para gerar títulos de coleções digitais sobre a história do Florida Southern College. Os modelos descreveram bem os traços visuais; sem fontes adicionais que fornecessem contexto histórico, não deram conta da significação das imagens. Para um coletor, uma coleção é um monte de arquivos. O trabalho curatorial que transforma um monte em coleção não está dentro dos arquivos.

O Paradoxo do Acesso Aberto

Há aqui um ponto espinhoso para quem defende o acesso aberto. Obras liberadas com licenças Creative Commons poderiam ser consideradas fonte legítima de mineração de dados para IA. Mas, como observam os autores citando Decker e Guadamuz, a maioria de quem aplica uma licença CC o faz pensando em aprendizes humanos, não em aprendizes de máquina. A própria Creative Commons reconheceu o descompasso: seu plano estratégico 2025-2028 se compromete a modernizar as ferramentas ou oferecer alternativas que estimulem e ao mesmo tempo protejam o compartilhamento aberto na era da IA.

A Escada de Restrições — e o Custo de Cada Degrau

O artigo enumera as opções em ordem crescente de severidade, e coloca preço em cada uma. O embargo por tempo indeterminado, com acesso solicitado caso a caso, funciona enquanto for possível distinguir o pedido de uma pessoa do de um sistema automatizado — algo mais difícil a cada ano. A autenticação institucional transforma cada instituição em um silo fechado, e ainda pode revelar-se insuficiente, porque há modelos que já buscam além da superfície da web. Os programas de entrega controlada, com acesso agendado e sem download nem captura de tela, dependem de um orçamento que nem toda biblioteca tem. E no último degrau está abrir mão do conteúdo digital: volta a sala de leitura presencial, e décadas de digitalização ficam sepultadas.

Não há opção sem perda. É essa a contribuição real do texto: em vez de vender uma solução, ele precifica cada saída.

A Conclusão é Sobre o Coletivo, Não Sobre a Ferramenta

Os autores encerram com uma afirmação que é, no fundo, uma posição profissional: desenvolver estratégias sustentáveis, éticas e eficazes diante da IA não pode repousar sobre os ombros de repositórios isolados. A novidade do assunto obrigou a respostas reativas; o volume crescente de pesquisa permite agora agir de forma coletiva. O que eles pedem é concreto: que a gestão da IA entre nos planos estratégicos e nas prioridades das bibliotecas; que o tema apareça em congressos, listas de discussão e reuniões de departamento; e que sociedades profissionais e grupos de trabalho produzam uma linguagem comum, que gestores de repositório possam usar ao falar com criadores, doadores e administradores.

E há um argumento que organiza o texto inteiro: boa parte dos criadores que alimentam uma biblioteca digital — estudantes, docentes, doadores da comunidade — não recebe pagamento de editoras por sua expressão intelectual e pede apenas uma citação como medida de impacto. Os bibliotecários estão mais perto deles do que qualquer outro. Daí decorre a responsabilidade que o artigo reivindica.

Por Que Ler Isto Por Aqui

A parte jurídica é norte-americana e não se transfere. O que se transfere é a parte operacional: o tráfego automatizado, as quedas de serviço, a revisão dos depósitos de teses, a conversa com o doador, a redação do formulário de entrada. Qualquer instituição com repositório já está vivendo isso, tendo ou não dado nome ao problema. Para bibliotecas universitárias e para programas de biblioteconomia e ciência da informação, o artigo funciona ainda como inventário organizado de um debate que costuma chegar aos pedaços.

Para conhecer em detalhe o panorama sobre IA generativa, a discussão completa de direito autoral e o conjunto de soluções que os autores propõem, leia o artigo original na Library Trends.

Sobre a Project MUSE

A Project MUSE é uma plataforma digital líder e de grande prestígio, gerida pela Johns Hopkins University Press em colaboração com bibliotecas e editoras universitárias. No âmbito das ciências humanas e sociais, é considerado um recurso indispensável, conhecido por agregar uma vasta coleção de periódicos acadêmicos e livros eletrônicos de alta qualidade e rigorosamente revisados por pares, provenientes das mais respeitadas editoras universitárias e sociedades científicas do mundo.

Se você deseja conhecer melhor o portfólio da Project MUSE para a sua instituição, entre em contato pelo info@dotlib.com ou preencha nosso formulário. Aproveite e acompanhe nosso blog, siga nossas redes sociais e se inscreva na Dotlib TV, nosso canal oficial no YouTube.