IA Preditiva e IA Generativa: Perspectivas e Desafios

Soluções para problemas diversos são geradas pela IA generativa de modo que não simplesmente reproduz os dados existentes, mas cria composições originais baseadas nos padrões aprendidos durante o treinamento. Essa distinção é fundamental: enquanto um banco de dados tradicional recupera informações preexistentes, e um sistema preditivo classifica ou ordena essas informações, um sistema generativo produz conteúdo que, em termos estritos, nunca existiu antes — embora seja derivado estatisticamente de conteúdo que existia. A questão da originalidade desse conteúdo, e de a quem pertencem os direitos sobre ele, é um dos muitos problemas jurídicos ainda sem resposta consolidada.

Segundo a reflexão de Cervini e Heleg, as máquinas do século XX não tinham a capacidade de decidir autonomamente em domínios complexos. A distorção da informação exigia uma intervenção humana direta, fosse através da digitação de comandos ou da programação explícita de regras em linguagem computacional. A IA generativa, no entanto, transformou esse paradigma: os grandes modelos conversacionais podem não apenas alterar os dados sobre os quais foram treinados como, também, gerar novos dados que nunca existiram antes. Embora esses dados sejam baseados em padrões de informação pré-existentes, o sistema vai além, recombinando tais padrões para gerar novo conteúdo a partir de dados sintéticos — tornando turva a linha entre informação e criação.

As "fábricas de IA generativa" — expressão de Cervini e Heleg que captura bem a escala industrial do fenômeno — operam como complexos sistemas algorítmicos que vão além de apenas combinar dados existentes: elas também os transformam, gerando informações sintéticas inéditas. Os algoritmos são treinados em vastos conjuntos de dados, representando probabilisticamente conhecimentos, sentimentos e pensamentos de milhões de pessoas. Para além da geração de imagens, textos e códigos de programação, suporte para tradução e edição de conteúdos, a IA generativa tem aplicações práticas em áreas como educação, neuromarketing, comércio eletrônico e pesquisas científicas. O design desses modelos resulta na criação de novas informações ao mesclar dados reais com sintéticos, ampliando significativamente as possibilidades de geração criativa e, com elas, os vetores de risco jurídico.

O funcionamento da IA generativa baseia-se em sistemas que integram componentes como o gerador e o discriminador, especialmente em arquiteturas conhecidas como redes geradoras adversárias (Generative Adversarial Networks, GAN). Nessa arquitetura, o gerador tenta criar amostras cada vez mais convincentes, enquanto o discriminador aprimora sua capacidade de distinguir o sintético do real — dinâmica que culmina, após suficientes iterações de treinamento, em conteúdo sintético de alta qualidade, muitas vezes indistinguível de conteúdos criados por humanos. Essa indistinguibilidade é precisamente o que torna as GANs tão poderosas para aplicações legítimas e, ao mesmo tempo, tão preocupantes para aplicações fraudulentas.

Do ponto de vista dos desafios jurídicos, a capacidade de gerar conteúdo indistinguível do humano coloca em crise múltiplos institutos do Direito Civil e do Direito Processual. Em matéria probatória, como aferir a autenticidade de um documento, uma fotografia ou um vídeo quando a tecnologia disponível permite a falsificação perfeita a custos marginais decrescentes? No campo da autoria intelectual, como enquadrar nas categorias da Lei de Direitos Autorais (Lei n. 9.610/1998) uma obra gerada por sistema de IA que não é pessoa natural e, portanto, não se encaixa no conceito tradicional de autor? No âmbito da responsabilidade civil, quem responde quando um deepfake gerado por IA causar dano à reputação, à honra ou à imagem de uma pessoa, conforme protegidas pelo art. 5º, inciso X, da Constituição Federal?

Parece-nos que as respostas a essas perguntas não serão encontradas apenas na adaptação dos institutos existentes. Em alguns casos, será necessária a criação de novos regimes jurídicos específicos — o que, aliás, é precisamente o que a Diretiva Europeia sobre Responsabilidade Civil por IA (Proposta COM/2022/496) tentou fazer ao estabelecer um regime especial de responsabilidade objetiva para sistemas de IA de alto risco e ao facilitar o ônus da prova para as vítimas, reconhecendo que a assimetria de informação entre desenvolvedores e usuários lesados é estrutural e não pode ser adequadamente endereçada pelas regras processuais tradicionais.

Cabe ressaltar, contudo, que a perspectiva europeia não é automaticamente transponível para o contexto brasileiro, que apresenta especificidades significativas: uma economia com menor concentração de empresas de tecnologia de grande porte no setor de IA, uma estrutura judiciária com características próprias, uma tradição doutrinária civilista com influxos diferenciados e uma realidade socioeconômica que confere urgência particular a alguns riscos — como o uso de IA em processos de concessão de microcrédito para populações de baixa renda — que são periféricos no debate europeu. A construção de um regime jurídico adequado à IA no Brasil exige, portanto, um diálogo crítico com a experiência europeia: aprender com seus avanços, adaptar suas soluções às realidades brasileiras e desenvolver respostas próprias onde as diferenças contextuais o demandem.