Como vídeos do YouTube foram usados para treinar IAs

Investigação revela uso massivo de repositórios de vídeo em treinamentos de modelos

Relatórios e artigos acadêmicos apontam que grandes empresas de tecnologia recorreram a coleções massivas de vídeos do YouTube para desenvolver componentes essenciais de sistemas de inteligência artificial. O uso desses acervos, muitas vezes obtidos por raspagem automatizada, envolve publicações de criadores, inclusive de canais brasileiros, e levanta dúvidas sobre direitos autorais e transparência.

O que foi feito e por que importa

Pesquisadores e empresas reuniram bases de vídeo para treinar encoders, ferramentas que analisam e contextualizam cenas, etapa considerada crucial para modelos multimodais e aplicações como busca, moderação e geração de vídeo. Anderson Soares, diretor do Centro de Excelência em Inteligência Artificial da UFG, disse à Folha de S.Paulo que ferramentas de vídeo que atuam como encoders são “excelentes pontos de partida” para construir sistemas mais complexos.

Entre as coleções citadas está a YT-Temporal-180M, reunida em 2021 por pesquisadores do Allen Institute for AI e da Universidade de Washington, que afirmaram ter usado a API do YouTube para baixar vídeos sem consultar os criadores. Pesquisas acadêmicas e artigos de big techs mencionam outras bases obtidas em massa, algumas reveladas pela revista The Atlantic, e essas coleções serviram como alimento para modelos que depois passaram por refinamentos comerciais.

Transparência, legislação e disputas judiciais

Especialistas alertam para a falta de clareza sobre o que exatamente foi extraído das plataformas. Diogo Cortiz, professor de ciência da computação da PUC-SP, afirmou que “Há muita falta de transparência na maioria das grandes empresas” desde a popularização do ChatGPT, em 2022. Esse vácuo informacional dificulta mensurar a proporção de conteúdos em português ou a participação de canais brasileiros nas bases de treinamento.

O uso de obras protegidas por direitos autorais em treinamentos de IA já é alvo de litígios no exterior. Associações de jornais, produtores e artistas defendem que o emprego dessas obras só poderia ocorrer por meio de licenciamento. Empresas americanas, por sua vez, alegam que o procedimento pode se enquadrar como “uso justo” e que restrições rígidas poderiam frear a inovação.

Um exemplo recente ocorreu na Alemanha, onde “um tribunal alemão decidiu, neste mês, que a OpenAI violou os direitos do cantor Herbert Grönemeyer, dono de um canal no YouTube com 170 mil seguidores, após o ChatGPT reproduzir letras completas do artista”. A sentença não abordou a etapa de treinamento, e a OpenAI disse em nota que “Não concordamos com o veredito e estamos avaliando os próximos passos“. A decisão sobre eventual reparação financeira ainda será tomada pelo tribunal de Munique e pode estabelecer precedentes para casos na Europa.

O posicionamento das plataformas e o cenário no Brasil

O YouTube afirmou que garante aos criadores e detentores de direitos o controle sobre como seu conteúdo é utilizado, e que a plataforma permite que usuários autorizem, nas configurações avançadas, o compartilhamento de vídeos com empresas de tecnologia. A empresa também disse que utiliza publicações de canais no desenvolvimento de seus próprios modelos de IA com finalidades como “o fortalecimento de nossas operações de segurança e o aprimoramento de nossos sistemas de recomendação, até o desenvolvimento de novos recursos de IA generativa, como a dublagem automática”.

Mesmo com essas declarações, o fato de coleções de vídeos serem identificadas apenas por códigos aleatórios, sem referência clara ao país de origem, torna difícil determinar exatamente quantos e quais conteúdos brasileiros foram empregados nos treinamentos. O YouTube, com “mais de 20 bilhões de vídeos“, funciona como um repositório global, e conteúdos em idiomas além do inglês são altamente estratégicos para empresas que buscam diversificar suas bases de dados.

Empresas como Google, Microsoft e Baidu, citadas em investigações e artigos, não comentaram detalhadamente o uso de vídeos raspados em desacordo com as regras da plataforma. O Google desenvolveu internamente o encoder VideoPrism e é dono do Veo 3, aplicativo comercial para geração de vídeos por IA, vendido a partir de R$ 96,99 por mês, mostrando como a mesma corporação pode ser ao mesmo tempo provedora de plataforma e desenvolvedora de ferramentas de IA.

Para criadores e especialistas jurídicos, a discussão deve avançar rapidamente, com definição clara sobre se é necessária autorização explícita, pagamento aos autores, ou se basta a concordância com termos de uso das plataformas. A professora de direito digital Mariana Valente, da Universidade de St. Gallen, afirmou à Folha que tribunais ao redor do mundo ainda precisam definir esses limites.

No Brasil, o debate promete ganhar força à medida que surgirem investigações mais detalhadas sobre a origem dos dados usados nos modelos e possíveis demandas judiciais. Enquanto isso, a presença de grandes volumes de vídeo em treinamentos de IA coloca em evidência a tensão entre desenvolvimento tecnológico, direitos autorais e a necessidade de maior transparência por parte das big techs.