As Concausas e a Multiplicidade de Agentes: Aplicações e Implicações

A análise das aplicações concretas das concausas em ambientes tecnológicos revela que a teoria jurídica clássica, embora tenha sido construída a partir de situações de causalidade humana direta, oferece categorias suficientemente abstratas para abarcar cenários de danos algorítmicos — desde que interpretadas com o necessário ajuste hermenêutico. A integração de múltiplos módulos de inteligência artificial em uma mesma plataforma ou serviço constitui, talvez, o exemplo mais eloquente de causalidade múltipla no contexto tecnológico contemporâneo.

Redes Neurais Recorrentes e Algoritmos Genéticos: Um Caso de Causalidade Concorrente

O funcionamento integrado de módulos de IA desenvolvidos com tecnologias distintas — como redes neurais recorrentes (RNN) e algoritmos genéticos (GA) — ilustra com precisão a causalidade concorrente propriamente dita. As RNN processam dados temporais ao manterem um "estado de memória" que capta o contexto de entradas anteriores, tornando-as especialmente úteis para identificar tendências e padrões ao longo do tempo. Os algoritmos genéticos, por sua vez, otimizam a distribuição de cargas de trabalho imitando a seleção natural — por meio de mutação, cruzamento e seleção — para encontrar, de forma iterativa, a melhor configuração de recursos entre diferentes regiões.

Verificou-se que, ao serem integrados sem calibração adequada, as imperfeições de cada tecnologia se combinam de modo sinérgico. Enquanto o módulo com RNN subestima a demanda em regiões específicas, o módulo com algoritmos genéticos realoca recursos de maneira equivocada, ocasionando sobrecargas e interrupções de serviço. Como nenhuma das falhas, isoladamente, seria suficiente para causar o dano total, mas a soma delas se torna determinante, tem-se precisamente a causalidade concorrente "propriamente dita", na qual a conjunção das condutas é condição necessária para o resultado.

As implicações jurídicas dessa modalidade são significativas. Bruno Miragem esclarece que, na causalidade concorrente, duas causas independentes se somam para gerar um dano que não ocorreria na mesma proporção se elas agissem isoladamente, fazendo com que todos respondam solidariamente. Essa solidariedade, fundada no art. 942 do Código Civil, permite à vítima acionar qualquer dos responsáveis pela integralidade do prejuízo, reservando-lhes o direito de regresso entre si.

Causalidade Cumulativa em Plataformas de E-Commerce

A causalidade cumulativa materializa-se de modo exemplar em plataformas de e-commerce que incorporam múltiplos serviços de IA independentes. Considere-se um cenário em que três módulos autônomos operam de forma integrada: um módulo de recomendação baseado em deep learning, que sugere produtos aos usuários analisando padrões de compra; um sistema de detecção de fraude estruturado pela combinação de modelos estatísticos; e uma ferramenta de reputação do vendedor que emprega processamento de linguagem natural (PLN) para analisar textos de avaliação.

Cada um desses módulos possui sua própria interface de programação de aplicações (API). Isoladamente, cada API apresenta uma falha de segurança capaz de expor apenas um conjunto limitado de dados — parte do histórico de compras, fragmento de mensagens entre usuários, ou dados de pagamento parcialmente mascarados. Contudo, quando as três falhas ocorrem simultaneamente, torna-se possível correlacionar todas essas informações, produzindo um vazamento muito mais amplo e danoso, que abrange dados de pagamento, hábitos de consumo e conversas privadas.

Parece-nos que esse cenário configura, com precisão técnica, a causalidade cumulativa: cada falha gera um dano independente — parcialmente autônomo em sua extensão —, mas a soma de todos eles origina uma perda de proporções significativamente maiores. A diferença em relação à causalidade concorrente reside no fato de que, aqui, os danos parciais existiriam mesmo sem a concorrência das demais falhas; a cumulação apenas amplifica o resultado final.

Implicações para a LGPD e o PL 2.338/2023

No plano normativo, a causalidade cumulativa em sistemas de IA tem implicações diretas para a aplicação da Lei Geral de Proteção de Dados (Lei n.º 13.709/2018). O art. 42, §1º, da LGPD prevê a responsabilidade solidária do operador que realizar tratamento em desconformidade com as instruções do controlador ou com a legislação. Em um cenário de múltiplos módulos operados por diferentes agentes — como ocorre frequentemente em plataformas de e-commerce que utilizam serviços de terceiros —, cada operador pode ser responsabilizado pela fração do dano que seu módulo gerou de forma independente, mas também pela parcela adicional que resultou da combinação com as falhas dos demais.

O Projeto de Lei n.º 2.338/2023 apresenta disposições específicas sobre responsabilidade em cadeias de valor de IA, reconhecendo que fornecedor e operador podem ser corresponsáveis pelo dano causado pelo sistema. Parece-nos que a adoção de presunção relativa de nexo causal — combinada com a obrigação de manutenção de registros técnicos auditáveis — seria o instrumento mais adequado para proteger as vítimas sem gerar insegurança jurídica excessiva para os agentes econômicos do setor.

O AI Act europeu (Regulamento (UE) 2024/1689) caminha nessa direção ao impor a fornecedores de sistemas de IA de alto risco obrigações de documentação técnica, registro automático de eventos (logging) e rastreabilidade, que permitem, em caso de dano, a reconstrução da cadeia causal. Essa abordagem regulatória indireta facilita a prova do nexo causal sem presumir sua existência de forma irrefutável, preservando o equilíbrio entre proteção da vítima e segurança jurídica dos agentes de IA.

A Repartição da Responsabilidade na Causalidade Cumulativa

Bruno Miragem esclarece que, na causalidade cumulativa, cada agente é responsável apenas pela parcela do dano que efetivamente causou. Em sistemas de IA operados por diferentes empresas — em que uma fornece chatbots e outra aloca soluções de análise de dados —, se houver vazamento de informações pelo chatbot e uso irregular de dados pela outra plataforma, cada fornecedor responderia pela fração do prejuízo correspondente às suas próprias condutas. Essa é a diferença fundamental em relação à causalidade concorrente, na qual a solidariedade passiva abarca a totalidade do dano.

Parece-nos que essa distinção, embora tecnicamente precisa, apresenta dificuldades práticas consideráveis em contextos de IA, pois a delimitação das frações de dano atribuíveis a cada agente pode ser extremamente difícil diante da interoperabilidade dos sistemas. A solução mais protetiva da vítima seria a adoção, como regra, da responsabilidade solidária, reservando-se a apuração de frações individuais para o exercício do direito de regresso entre os corresponsáveis.

Conclusão Parcial

As aplicações e implicações das concausas em sistemas de inteligência artificial demonstram que as categorias doutrinárias clássicas — causalidade colateral, concorrente e cumulativa — não apenas sobrevivem ao desafio tecnológico, mas revelam sua pertinência analítica em cenários de crescente complexidade. A interação entre o Código Civil, o CDC, a LGPD e o PL 2.338/2023 oferece ao intérprete um conjunto normativo suficientemente robusto para lidar com os principais problemas de responsabilidade em ecossistemas de IA, embora a consolidação jurisprudencial ainda dependa de tempo e de decisões que enfrentem diretamente as particularidades técnicas desses sistemas.