Com quais fontes de dados você deve se preocupar para pesquisa de IA?

Nível Uso típico Fonte Status da evidência O que as evidências dizem Referência 1 Descoberta na Web e pesquisa Pesquisa Google Confirmado + atual O Grounding with Google Search conecta o Gemini ao conteúdo da web em tempo real, retornando citações in-line aos URLs de origem. Google — Documentos da API Gemini, Grounding with Google Search 1 Pesquisa do Bing Confirmado + atual A Microsoft documenta os resultados do Bing usados ​​para aprimorar as respostas do Copilot. Não verificado novamente neste passe. Microsoft Bing 3 Rastreamento comum Histórico confirmado O GPT-3 usou Common Crawl filtrado em aproximadamente 60% de sua mistura de amostragem; LLaMA 1 relatou 67%. Rastreamento comum 3 Corpora históricos da web (C4 etc.) Histórico confirmado C4 é um derivado limpo do Common Crawl; LLaMA relatou C4 em 15% de sua mistura pré-treino. Conjuntos de dados TensorFlow – C4 4 Serviços de aterramento da Web Evidência forte/provável Inferência de categoria cobrindo intermediários de aterramento/recuperação de terceiros. Nenhuma fonte canônica única. – 1 Produtos e compras Google Merchant Center Confirmado + atual Os dados do feed do comerciante sustentam as superfícies de compras do Google. Retido conforme instrução do usuário; O Google Shopping foi removido por ser uma superfície, não uma fonte. Ajuda do Google Merchant Center 2 Feeds de comerciante/varejo (OpenAI) Confirmado + atual Os comerciantes compartilham um feed CSV/JSON seguro e atualizado regularmente de identificadores, descrições, preços, inventário, mídia e atendimento para que o ChatGPT possa exibir produtos com precisão. Atualizações aceitas a cada 15 minutos. Desenvolvedores OpenAI – Agentic Commerce, feeds de produtos 4 Central do comerciante da Microsoft Evidência forte/provável Infraestrutura alimentar comercial equivalente; inferido paralelamente ao Google Merchant Center, em vez de evidenciado separadamente. – 4 Feeds do mercado Evidência forte/provável Inferência de categoria. Os dados do catálogo do Shopify já estão integrados ao ChatGPT, que suporta o padrão. Ajuda OpenAI – Compras com ChatGPT Search 1 Locais e lugares Google Mapas Confirmado + atual O Grounding with Google Maps é uma ferramenta documentada junto com o Search grounding, fornecendo contexto geoespacial aos modelos. Google Cloud — API de aterramento 1 Perfil da empresa no Google Confirmado + atual Os dados do perfil comercial alimentam as plataformas locais do Google. Transportado da tabela de origem; não verificado novamente separadamente. – 1 Yelp Confirmado + atual O Yelp licencia avaliações, fotos e informações comerciais para a OpenAI para recomendações locais em tempo real. Além do aterramento, ele também impulsiona ações: os usuários do ChatGPT podem reservar uma mesa ou entrar em uma lista de espera, e Solicitar um orçamento permite que os usuários entrem em contato com os fornecedores por chat. O 10-Q do Yelp confirma que está ao vivo. Eixos; Blog do Yelp; Yelp 10-Q ano fiscal de 2026 4 OpenStreetMap Evidência forte/provável Corpus geoespacial aberto amplamente utilizado; inferido em vez de confirmado para qualquer modelo nomeado. – 4 Quadrangular Evidência forte/provável Deixado no nível 4 deliberadamente: o acordo OpenAI é do Yelp e não existe evidência equivalente para o Foursquare. – 4 Tripadvisor Evidência forte/provável Inferência de categoria para dados de revisão/viagem. Nenhum acordo confirmado identificado neste passe. – 1 Conhecimento e referência Wikipédia Confirmado + atual Explicitamente presente na mistura divulgada do GPT-3 e no LLaMA (despejos de junho a agosto de 2022, 20 idiomas); também amplamente utilizado como referência ao vivo/corpus RAG. Despejos da Wikimedia 1 Wikimedia Confirmado + atual Mesma família de corpus da Wikipedia. O licenciamento é extraordinariamente claro: principalmente CC BY-SA com obrigações de atribuição/compartilhamento igual. Despejos da Wikimedia 4 Wikidados Evidência forte/provável Camada de entidade estruturada; fortemente implícito no uso do gráfico de conhecimento, mas não confirmado separadamente. – 1 Comunidade / Perguntas e Respostas / redes sociais Reddit Confirmado + atual O acordo com o Google deu acesso à API de dados do Reddit para “conteúdo exclusivo, estruturado e em tempo real” e permitiu que o conteúdo do Reddit fosse exibido em todos os produtos do Google – ou seja, treinamento ao vivo, não apenas treinamento. Guia do Tom (acordo Google/Reddit) 2 Reddit Confirmado + atual Mesma coisa, lado do treinamento: o Google pode usar postagens do Reddit para treinar seus modelos de IA e melhorar serviços como a Pesquisa; relatado em cerca de US$ 60 milhões/ano. NOTA: O Reddit está avaliando se deve renovar – trate como instável. Fortuna; Neowin/WSJ sobre dúvida sobre renovação 4 Plataformas sociais Evidência forte/provável Inferência de categoria cobrindo corpora sociais de toda a plataforma. – 4 Fóruns / comunidades Evidência forte/provável Inferência de categoria. Sobrepõe-se ao Reddit, mas generalizado para fóruns não-Reddit. – 1 Conteúdo de notícias e editores Páginas de editores ativos Confirmado + atual Alcançado no momento da inferência por meio de fundamentação de pesquisa em vez de pré-treinamento; seleção de recuperação e rastreabilidade governam a inclusão. Google – Fundamentos com a Pesquisa Google 2 Conteúdo licenciado do editor Confirmado + atual OpenAI tem múltiplas parcerias de licenciamento explícitas (FT, Axel Springer, AP, News Corp). Os termos variam de acordo com o parceiro em termos de treinamento, fundamentação e atribuição. OpenAI — parceria de conteúdo FT 2 Parcerias de editores Confirmado + atual O acordo de Axel Springer inclui material com acesso pago nas respostas; A AP licenciou parte de seu arquivo de texto. OpenAI – parceria Axel Springer 3 Corpos de notícias históricas Histórico confirmado Arquivar material absorvido no pré-treinamento; distinto do acesso licenciado ao vivo. – 2 Desenvolvedor/técnico GitHub Confirmado + atual LLaMA usou o conjunto de dados público BigQuery do GitHub, restrito a projetos Apache/BSD/MIT; A pilha inclui separadamente o GitHub. A visibilidade pública não é uma licença aberta. GitHub 2 Estouro de pilha Confirmado + atual Nomeada no mapeamento de acordos de licenciamento junto com Reddit e Shutterstock como uma plataforma de dados que alimenta vários compradores. LLM Pulse – acordos de licenciamento de conteúdo de IA mapeados 2 Documentos técnicos Confirmado + atual Corpora de documentação do fornecedor; amplamente utilizado, mas não vinculado a um único acordo divulgado. – 4 Registros npm/PyPI Evidência forte/provável ENTRADA MAIS FRACA DA TABELA. Renomeado de ‘registros de pacotes’ para citar exemplos. Nenhum acordo divulgado ou uso de recuperação documentado encontrado – considere cortar. – 1 Ações de viagens e comércio Feeds da Central para Hotéis do Google Confirmado + atual Quando o Gemini ou o AI Mode mostram opções de hotéis com preços em tempo real, esses dados vêm do feed do Google Hotels. Em agosto de 2026, o Google adicionou a reserva de hotel no modo AI concluído com o Google Pay, portanto, isso é base e ações. TechCrunch – atualização de viagem no modo AI 4 Reservas/feeds de parceiros Evidência forte/provável Booking Holdings e IHG são relatados como participantes do piloto de reservas de agentes do Google, que apoia a direção, mas não chega a uma especificação de feed documentada. InfosTurisme (IHG/Booking piloto) 4 OTA/fontes de comércio Evidência forte/provável Inferência de categoria. As OTAs executam seus próprios feeds de taxas nessas superfícies. – 4 APIs de reserva/inventário Evidência forte/provável Inferência de categoria cobrindo endpoints de reserva/inventário expostos aos agentes. –