Anthropic pirateou livros para treinar o Claude

O Claude aprendeu com os melhores, sem pedir licença

Anthropic e copyright agora estão presos no mesmo processo e isso deveria preocupar qualquer pessoa que constrói produto com IA. Em maio de 2026, um juiz federal decidiu que o Claude foi treinado com livros pirateados de mais de 10 professores de Stanford, incluindo Tobias Wolff, Abraham Verghese, Chang-Rae Lee, Daniel Mason, Hayagreeva Rao e Myra Strober. Não foi raspagem acidental de web aberta. Segundo a decisão, a empresa baixou, reproduziu e armazenou obras protegidas a partir de shadow libraries como LibGen e PiLiMi para montar uma central library permanente. Para quem opera modelo, dataset e pipeline de avaliação, o recado é direto: o problema não é só jurídico, é arquitetural e de custo.

Se você usa Claude via API hoje, nada quebrou. Latência igual, qualidade igual, preço igual. Mas o fundamento legal do que alimenta esses pesos entrou em colapso parcial. O juiz William Alsup, no caso Bartz v. Anthropic, fez uma distinção que vai moldar os próximos dois anos de IA: piratear livro para montar biblioteca é ilegal, mas comprar o livro legalmente e usar para treinar pode ser fair use. É uma linha fina que parece filosófica, mas na prática define como você vai contratar dados, precificar inferência e explicar risco para cliente enterprise.

O fato

O que aconteceu foi simples e grave ao mesmo tempo. A Anthropic foi acusada de montar seu corpus inicial com milhões de livros obtidos sem licença. No processo coletivo Bartz v. Anthropic, apontado como o maior acordo de direitos autorais envolvendo uma empresa de IA, o juiz barrou a prática de criar uma biblioteca central permanente com arquivos pirateados. Ao mesmo tempo, ele comparou o treinamento com IA ao modo como um humano lê, internaliza temas e estilo e depois tenta criar algo diferente. Na visão dele, treinar com obra adquirida legalmente não é correr para replicar ou substituir o original, mas virar a esquina e criar outra coisa.

O acordo fechado foi de 1,5 bilhão de dólares para autores e editoras de quase 500 mil obras registradas. Na média, isso dá cerca de 3 mil dólares por obra. Para Wolff e outros 27 autores, isso não é suficiente. Wolff, professor emérito de inglês em Stanford e vencedor da National Medal of Arts, teve 10 publicações usadas sem permissão e chamou a prática de trabalho não remunerado que torna a vida de escritores muito difícil se não houver retorno pelo trabalho. Ele resumiu o sentimento de muita gente: o acordo ainda dá margem para a empresa circular pela literatura e pegar o que for útil e lucrativo.

Por isso Wolff e Chang-Rae Lee saíram do acordo coletivo e entraram em maio de 2026 com um processo separado, o Cruz v. Anthropic. Eles não querem acordo coletivo, querem júri e danos estatutários cheios de até 150 mil dólares por obra infringida. Também pedem uma injunção permanente contra o treinamento dos modelos Claude com suas obras. Paul Goldstein, referência de Stanford em propriedade intelectual e parte da ação coletiva, foi honesto sobre a raiz do problema em e-mail ao jornal da universidade. O ponto central, disse ele, são custos de transação. Milhões de obras podem ser copiadas em um único treinamento e é simplesmente impraticável licenciar cada obra individualmente.

Como funciona na visão de quem opera

Pensa como operador de dados. O fluxo provável da Anthropic na época era ingestão massiva, normalização, deduplicação, tokenização e mistura no pré-treino. Shadow libraries entram aqui porque são convenientes: dumps prontos, OCR razoável, metadados aceitáveis, custo zero de aquisição. O erro estratégico foi armazenar isso como biblioteca central permanente. Para o juiz, isso não é cache temporário de pesquisa, é repositório e distribuição. Em termos de arquitetura, é a diferença entre stream e processar e depois descartar, versus persistir em S3 ou equivalente com versionamento e reuso contínuo em vários runs de treino. Persistir vira prova.

A segunda parte é o fair use condicionado à aquisição legal. Se essa tese vingar em instâncias superiores, o custo de treinar um modelo frontier muda de figura. Não é só GPU e energia. Vira licenciamento em escala, com negociação coletiva, filtros de saída e auditoria de proveniência. Dá para inferir o caminho técnico que as empresas vão tentar: comprar corpus físico ou digital licenciado, escanear internamente, registrar hash e licença por obra, aplicar filtros para evitar memorização verbatim e oferecer opt-out para detentores. Isso aumenta custo fixo, aumenta latência de compliance e cria um novo gargalo, não mais de dados brutos, mas de dados com licença limpa e rastreável. Quem já sofreu com datasets de imagem vai reconhecer o roteiro.

O que isso muda na prática

Quem ganha no curto prazo são autores com obras registradas e escritórios que agregam catálogos. Editoras e guildas como a Authors Guild ganham poder de barganha e já empurram uma estratégia em várias frentes, incluindo processos contra OpenAI e Microsoft, para deixar claro que livro usado em IA precisa de licença. Quem perde são labs menores que não têm 1,5 bilhão para acordo nem time jurídico para negociar milhares de licenças. O efeito prático é concentração: só quem tem caixa para licenciar e para litigar continua treinando modelos gigantes com livros de alta qualidade, enquanto o resto depende de dados sintéticos, domínio público ou parceiros.

• Audite sua cadeia de dados agora: se você faz fine-tuning ou RAG com livros, PDFs e apostilas, mapeie origem, licença e permissão de redistribuição antes de colocar em produção.
• Separe treino de retrieval: evite embutir texto protegido em pesos quando um índice com controle de acesso e citação resolve, porque retrieval é mais fácil de filtrar e remover por pedido.
• Implemente filtros e logs de memorização: teste se seu modelo cospe trechos literais, registre prompts sensíveis e crie um fluxo de takedown rápido para detentores de direito.

Se você vende para enterprise, ajuste contrato e discurso agora. Cliente grande vai perguntar sobre indenização por violação de propriedade intelectual, origem dos dados e política de opt-out. A Anthropic, a OpenAI e outras já oferecem cobertura limitada em planos enterprise, mas com exclusões. Você precisa repassar isso com clareza e evitar prometer que sua aplicação nunca vai gerar texto parecido com obra protegida. Ninguém consegue garantir isso sem filtragem ativa e avaliação contínua.

A conta que ninguém fecha

A tensão real está no argumento de Goldstein sobre custos de transação. Licenciar milhões de obras uma a uma é inviável, mas ignorar licença também se tornou inviável depois de um acordo bilionário. O mercado vai tentar resolver com licenciamento coletivo, tipo ECAD de texto para IA, com preço por token ou por obra e repasse via associações. Parece eficiente no papel, mas cria outro problema: quem define preço, quem audita uso e como impedir que o modelo memorize mesmo com licença paga. Pagar não elimina o risco de output infrator, só muda quem recebe e quanto custa o risco.

Tem ainda a dúvida técnica que o juiz deixou no ar. Ler legalmente e aprender estilo é fair use, mas modelo de linguagem não lê como humano. Ele comprime estatísticas em pesos que podem regurgitar parágrafos inteiros sob o prompt certo. Se a defesa é que o modelo vira a esquina e cria algo diferente, o teste prático é comportamental: com que frequência ele vira a esquina e com que frequência ele volta e copia a rua inteira. Enquanto não houver métrica aceita de memorização e filtros robustos por padrão, cada novo checkpoint frontier vai carregar esse passivo. Resolve o problema da pirataria na ingestão ou só move o gargalo para a saída.

Conclusão

O caso da Anthropic em Stanford cristalizou a regra mínima: montar biblioteca pirata para treinar Claude é ilegal, mesmo que treinar com livro comprado possa ser permitido. O acordo de 1,5 bilhão não encerrou a briga, só colocou preço inicial nela. Com mais de 70 processos similares contra empresas de IA, de autores a veículos como The New York Times e bancos de imagem, a pergunta que fica para quem opera é simples e incômoda: seu pipeline sobreviveria se cada fonte de texto precisasse provar licença amanhã.