Anthropic montou linha industrial para cortar, escanear e triturar milhões de livros e treinar o Claude

A Anthropic construiu uma cadeia industrial de digitalização destrutiva para alimentar os modelos Claude com texto de livro impresso. A operação foi batizada internamente de Projeto Panamá, começou no início de 2024 e só veio a público em janeiro de 2026, quando mais de 4.000 páginas de documentos foram desseladas no processo Bartz v. Anthropic PBC e reportadas pelo The Washington Post. Um documento de planejamento de abril de 2024 define o escopo em uma frase: escanear destrutivamente todos os livros do mundo. O mesmo texto instrui os funcionários a não divulgar o projeto.

O fluxo é curto e otimizado para throughput. Compra de livros usados em lote junto a distribuidores como Better World Books, World of Books e Zoom Books, corte da lombada em máquina hidráulica, separação das folhas, digitalização em scanner de produção, reconhecimento ótico de caracteres, reciclagem do que sobra.

Uma proposta de fornecedor citada nos autos oferecia converter entre 500 mil e 2 milhões de livros em seis meses, algo próximo de 11 mil exemplares por dia.

Por que papel e não a web

A escolha responde a um problema técnico específico: qualidade e proveniência do dado.

Desde o fim de 2022 a web aberta vem sendo preenchida por texto gerado por modelos. Treinar novas gerações sobre saída de gerações anteriores reduz a variância lexical e degrada o desempenho, efeito que a literatura chama de colapso do modelo. Livro publicado antes dessa contaminação carrega uma garantia que nenhum dump de web tem hoje, a de ter sido escrito e editado por pessoas, com argumentação longa e vocabulário denso.

Segundo os documentos desselados, executivos da empresa buscavam títulos anteriores ao que já circulava online para ensinar o Claude a escrever bem, em vez de imitar o que descreviam como a fala de baixa qualidade da internet.

O contexto de escala explica a pressa. A própria Anthropic estimou a existência de cerca de 130 milhões de livros únicos no mundo, dos quais aproximadamente 40 milhões estariam disponíveis no mercado secundário.

O corpus é fechado

O acervo digitalizado não foi publicado. Não é pesquisável por terceiros, não está acessível a bibliotecas, leitores ou autores, e serve exclusivamente ao treinamento interno.

A diferença em relação ao Google Books é direta, e chama atenção porque a operação foi conduzida por Tom Turvey, contratado em fevereiro de 2024 depois de ter liderado parcerias justamente no projeto do Google, que digitalizava sem destruir e gerou um índice público.

O pipeline anterior era pirataria

O Projeto Panamá foi a segunda estratégia de aquisição, não a primeira.

Entre 2021 e 2022 a empresa incorporou o conjunto Books3, cerca de 5 milhões de títulos da Library Genesis e obras do Pirate Library Mirror. O tribunal apurou mais de 7 milhões de exemplares vindos de bibliotecas sombra. Essa etapa custou caro: a Anthropic aceitou pagar US$ 1,5 bilhão em acordo que cobre 482.460 obras certificadas, com aprovação final em 20 de julho de 2026 e obrigação de apagar os arquivos de origem pirata.

A compra e destruição de exemplares adquiridos no varejo, por outro lado, foi declarada lícita pelo juiz William Alsup em junho de 2025, sob o argumento de que cada arquivo digital substituiu um exemplar físico que deixou de existir. Foi essa decisão que transformou o escaneamento destrutivo na rota de menor risco para quem precisa de corpus impresso em escala.

O que ainda não se sabe

O volume exato de livros processados permanece parcialmente sob sigilo nos autos.

Não há confirmação de que outras empresas de IA operem esquemas equivalentes. A verificação publicada pelo Snopes em agosto de 2026 registra que não foi possível checar prática semelhante em outras companhias, e que o critério de “menos comuns” usado nos documentos internos não esclarece se os títulos eram raros do ponto de vista bibliográfico.

Também não se sabe se o corpus obtido pelo Projeto Panamá foi usado em quais versões do Claude, nem que peso ele teve em relação ao restante dos dados de treino.