# Que obrigações o marco legal da IA trará para quem usa algoritmos

- Link: https://modal.org.br/2026/09/21/o-que-o-marco-legal-da-ia-muda-para-quem-usa-algoritmos/
- Published: 2026-09-21T04:56:00-03:00
- Author: Instituto Modal

## O que se entende por marco legal de IA no Brasil hoje

Afinal, existe ou não existe um “marco legal da IA” no Brasil em 2026? O que há 
hoje é um mosaico: normas em vigor, como a Lei Geral de Proteção de Dados, convivem
com projetos de lei em debate e com regras setoriais que tocam diretamente o uso
de algoritmos.

Na saúde, por exemplo, Machado e Santos argumentaram em 2022, na Revista de Saúde
Pública, que a regulação de IA “começa” com a LGPD, porque ela organiza bases para
tratamento de dados, direitos dos titulares e deveres de prestação de contas em 
tratamentos automatizados.

Essa leitura ajuda a compreender o “marco” como ecossistema normativo em construção.
A proteção de dados define parâmetros gerais; a responsabilidade civil lida com 
danos; o direito do consumidor regula relações de consumo; e regulações setoriais,
como as de saúde, amarram usos específicos de sistemas algorítmicos.

Projetos de lei sobre IA em tramitação buscam integrar essas peças, criando categorias
de risco, obrigações de transparência e regimes de responsabilidade adequados a 
diferentes usos. Até que sejam aprovados, porém, funcionam como sinalização política
e técnica, não como comandos obrigatórios.

Para gestores públicos, empresários e pesquisadores, a consequência prática é dupla.
Precisam dominar o que já vale hoje, sobretudo em proteção de dados, e acompanhar
o debate legislativo sem tratar cada minuta de projeto como se fosse, por antecipação,
um dever jurídico consolidado.

Esse acompanhamento deixa de ser tarefa exclusiva de departamentos jurídicos. Quem
desenha modelos, contrata fornecedores ou supervisiona operações precisa entender
que o “marco legal da IA” emerge da convergência entre dados, consumo, responsabilidade
civil e regulação setorial, e que suas escolhas técnicas já são lidas à luz desse
contexto.

## Por que a classificação de risco virou o eixo da conversa

Se ainda não há uma lei específica de IA no Brasil, por que tanto se fala em “alto
risco”, “risco limitado” ou “usos proibidos”? A resposta está na circulação de modelos
regulatórios que usam a classificação de risco como eixo para graduar deveres de
quem desenvolve e opera sistemas algorítmicos.

Debates internacionais, como os analisados pela European Law Review em 2020 ao tratar
de transparência em IA na União Europeia, mostram uma tendência clara: sistemas 
com maior potencial de afetar direitos fundamentais, saúde ou segurança recebem 
obrigações mais intensas de explicabilidade, monitoramento e controle.

Nessa lógica, aplicações de risco limitado são aquelas cujo impacto tende a ser 
contido e reversível. Ferramentas de recomendação de conteúdo em ambientes de baixo
impacto regulado ou sistemas internos de apoio à gestão podem se enquadrar nessa
faixa, desde que haja possibilidade efetiva de correção e contestação.

Já sistemas de alto risco envolvem decisões com forte assimetria de poder ou efeitos
significativos sobre pessoas. A literatura internacional discute, por exemplo, triagem
em saúde e apoio à decisão judicial, justamente porque qualquer viés ou erro repercute
em direitos fundamentais, como apontado em 2023 pela Revista Sequência ao tratar
de empoderamento e controle no uso de IA em cortes superiores.

Certos usos, em debates comparados, caminham para vedação ou restrição extrema, 
como vigilância biométrica massiva em espaços públicos ou pontuações opacas que 
condicionem acesso a direitos essenciais. O argumento é que o risco estrutural para
liberdades civis supera benefícios esperados.

Mesmo antes de uma lei brasileira específica, essa taxonomia de risco já influencia
contratos, editais e pareceres técnicos. Órgãos de controle e agências reguladoras
tendem a olhar para a natureza do risco ao avaliar se a governança de IA é adequada
a um determinado contexto.

Isso implica uma competência nova para organizações: sustentar, com evidências e
documentação, em que faixa de risco cada sistema se enquadra. Não basta rotular 
um projeto como “baixo risco”; é preciso demonstrar por que os impactos são limitados,
quais salvaguardas existem e como o desenho técnico dialoga com esse diagnóstico.

## Quais deveres de documentação tendem a se consolidar

Se a régua é o risco, o instrumento de medição e controle é a documentação. Machado
e Santos, ao analisar a LGPD aplicada à saúde, mostram como a exigência de prestação
de contas exige registros claros sobre finalidades, fluxos de dados e salvaguardas
em tratamentos automatizados.

Essa lógica tende a se estender a sistemas de IA em geral. Um primeiro bloco de 
documentos descreve o “para quê”: finalidade do sistema, contexto de uso, público-
alvo, decisões que ele influencia e hipóteses em que o resultado automatizado pode
ser ignorado ou revisto por humanos.

Um segundo bloco organiza o “com o quê”: bases de dados usadas, critérios de coleta,
limpeza e rotulagem, fontes de viés conhecidas e justificativas para escolhas de
amostragem. Em setores sensíveis, essa descrição dialoga diretamente com as salvaguardas
de privacidade e de não discriminação.

O terceiro bloco trata do “como”: arquitetura do modelo, parâmetros relevantes, 
critérios de treinamento e procedimentos de validação. Testes de desempenho e de
viés precisam ser descritos com metodologia, indicando métricas, recortes populacionais
e limites conhecidos de generalização.

Por fim, trilhas de auditoria e registros de decisões automatizadas fecham o ciclo.
Em ambientes regulados, a capacidade de reconstruir como um sistema chegou a determinado
resultado é parte central da responsabilização, especialmente quando há contestação
ou alegação de dano.

Na prática, quem documenta bem ganha três vantagens. Consegue explicar o sistema
a reguladores e órgãos de controle, tem insumos para corrigir falhas e evoluir o
modelo e constrói uma defesa mais robusta quando questionado judicial ou administrativamente.

Essa documentação não é mero anexo burocrático. Ela condiciona a própria qualidade
do projeto, pois obriga equipes de tecnologia, jurídico e negócio a alinhar pressupostos,
limites e expectativas de desempenho, antecipando problemas que, depois, seriam 
muito mais caros de resolver.

## O que transparência significa na prática para sistemas de IA

Quando se fala em transparência em IA, muitos pensam imediatamente em abrir código-
fonte. A literatura especializada, porém, aponta que o conceito é mais amplo e contextual.
Mariarosaria Taddeo, em 2019, descreve a transparência confiável como um arranjo
que combina normas jurídicas e necessidades específicas de cada contexto.

Um primeiro nível é a transparência institucional: quem é responsável pelo sistema,
quem o desenvolveu, quem o opera e quem responde por ele diante de usuários, reguladores
e tribunais. Essa informação permite localizar deveres e atribuir responsabilidades
em caso de falhas.

O segundo nível é procedimental. Aqui importa explicar, em linguagem adequada, como
o sistema entra no fluxo de decisão: se oferece recomendação, ranqueia alternativas,
faz triagem ou decide de forma automatizada, e em que momentos existe intervenção
humana significativa.

Taddeo enfatiza que a transparência eficaz não se esgota na divulgação de detalhes
técnicos incompreensíveis para a maior parte do público. O objetivo é fornecer informação
que permita avaliar riscos, contestar decisões e exercer direitos, o que exige calibrar
o grau de detalhe ao perfil dos destinatários.

A European Law Review, em 2020, reforça essa ideia ao propor uma “blueprint” de 
transparência para aplicações de IA na União Europeia. O foco recai em requisitos
proporcionais: mais detalhamento para sistemas de alto risco, explicações mais enxutas
para usos de impacto limitado, sempre com possibilidade de aprofundamento quando
necessário.

Há ainda o nível comunicacional. Usuários e pessoas afetadas precisam saber que 
um sistema de IA está em operação, quais critérios gerais orientam suas saídas e
como acionar canais de contestação ou de revisão humana. Essa dimensão é especialmente
relevante em contextos públicos.

Para gestores públicos brasileiros, isso significa, por exemplo, avisar quando um
serviço utiliza IA na triagem de pedidos, publicar descrições acessíveis dos critérios
gerais de decisão e manter instâncias claras de revisão por servidores qualificados,
em linha com a preocupação de Taddeo com a confiança contextual.

## Como a experiência do STF com o sistema VICTOR antecipa exigências futuras

O Supremo Tribunal Federal tornou-se referência inevitável quando se discute IA 
em ambientes institucionais sensíveis. A Revista Sequência, em 2023, analisou essa
experiência ao tratar do “robô supremo”, discutindo empoderamento, controle e riscos
de opacidade algorítmica em cortes constitucionais.

O sistema VICTOR, voltado ao apoio no fluxo processual, ilustra um uso em que a 
automação não substitui diretamente a decisão judicial, mas molda o ambiente em 
que decisões são preparadas. A forma como processos são filtrados, priorizados ou
agrupados afeta, em cadeia, o trabalho humano.

A literatura destaca a necessidade de clareza sobre o papel do sistema no fluxo 
decisório. É diferente usar IA para sugerir palavras-chave e usar IA para ranquear
relevância de processos ou sinalizar precedentes; cada configuração implica riscos
e responsabilidades distintas.

Outro ponto recorrente é a opacidade algorítmica. A Revista Sequência chama atenção
para o risco de que juízes e servidores tratem saídas do sistema como caixas-pretas
confiáveis, sem compreender premissas e limites. Em tribunais constitucionais, esse
risco é amplificado pelo peso normativo de seus julgados.

A experiência também evidencia a importância de supervisão humana qualificada. Não
basta “haver um humano na jogada”; é preciso que esse humano tenha tempo, informação
e autonomia para discordar do sistema, reinterpretar saídas e, quando necessário,
desconsiderá-las.

Para outros órgãos públicos e empresas, o caso funciona como laboratório antecipado.
Questões que emergem no STF hoje — transparência de critérios, documentação de fluxos
decisórios, definição de responsabilidades internas — tendem a aparecer em escala
mais ampla à medida que o uso de IA se espalhar.

Em termos regulatórios, a experiência do VICTOR mostra que o debate não é abstrato.
Modelos de governança algorítmica já estão sendo testados em instituições de alta
visibilidade, e as lições aprendidas ali provavelmente influenciarão a formulação
de normas e orientações futuras no país.

## Quais responsabilidades éticas e organizacionais acompanham a adoção de IA

Assim que algoritmos passam a interferir em decisões relevantes, surge a pergunta
incômoda: quem responde quando algo dá errado? A literatura internacional sobre 
transparência, como a de Taddeo e da European Law Review, sugere que a resposta 
passa por desenhar responsabilidades distribuídas, mas claramente atribuíveis.

Desenvolvedores carregam deveres de diligência técnica: escolher bases de dados 
adequadas, testar desempenho e viés, documentar limitações e projetar interfaces
que não incentivem uso indevido. Esses deveres ganham peso quando sistemas operam
em contextos de alto risco regulatório.

Contratantes, por sua vez, são responsáveis por integrar o sistema ao contexto institucional.
Isso inclui definir finalidades legítimas, estabelecer salvaguardas organizacionais
e garantir que equipes de operação compreendam o que o sistema faz, o que ele não
faz e como suas saídas devem ser interpretadas.

Equipes técnicas internas tornam-se ponto de contato entre tecnologia, jurídico,
compliance e áreas de negócio. Sem essa integração, riscos éticos e jurídicos tendem
a ser identificados tarde demais, quando o sistema já está em produção e eventuais
danos já ocorreram.

Há ainda responsabilidades da alta gestão. Tratar IA como infraestrutura crítica,
e não como mero acessório, implica investir em governança: comitês internos de avaliação
de impacto, políticas formais de uso aceitável e diretrizes para respostas a incidentes
envolvendo decisões automatizadas.

A European Law Review enfatiza que obrigações de transparência só produzem confiança
quando inseridas em arranjos institucionais sólidos. Isso significa que documentos,
avisos e relatórios precisam corresponder a práticas reais de supervisão, correção
e responsabilização.

Mesmo sem um marco legal de IA completamente definido, organizações que constroem
essa infraestrutura ética e organizacional saem na frente. Quando normas mais específicas
forem aprovadas, terão menos ajustes dramáticos a fazer e maior capacidade de demonstrar
que já cultivavam uma cultura de responsabilidade algorítmica.

## O que começar a fazer agora antes de a fiscalização bater à porta

Diante desse cenário em evolução, o que é possível fazer já em 2026, sem aguardar
regulamentos detalhados? Um primeiro passo é mapear, de forma sistemática, onde 
há IA ou automação decisória relevante na organização, incluindo soluções de terceiros
incorporadas a processos críticos.

Com o mapa em mãos, o segundo passo é classificar riscos de maneira argumentada.
A experiência europeia, descrita na European Law Review, indica que essa classificação
deve considerar impacto potencial sobre direitos, saúde, segurança e assimetrias
de poder entre operadores e afetados.

Em paralelo, vale instituir padrões mínimos de documentação técnica e organizacional,
alinhados à lógica de prestação de contas destacada por Machado e Santos ao tratar
da LGPD. Mesmo documentos simples, se consistentes, já aumentam a capacidade de 
resposta a questionamentos de reguladores.

Outra frente é desenhar políticas de transparência proporcionais ao impacto. Inspirando-
se em Taddeo, isso envolve identificar públicos relevantes — usuários internos, 
cidadãos, clientes, órgãos de controle — e definir que tipo de informação cada grupo
precisa receber para avaliar riscos e exercer seus direitos.

Por fim, é crucial definir instâncias claras de supervisão humana. Isso inclui quem
pode suspender o uso de um sistema, quem conduz revisões periódicas, como são tratados
incidentes e de que modo feedbacks de usuários alimentam melhorias técnicas e organizacionais.

Essas medidas iniciais são compatíveis com múltiplos cenários regulatórios futuros.
Em qualquer deles, organizações que conhecem seus sistemas, documentam suas escolhas,
comunicam-se com clareza e distribuem responsabilidades com critério estarão melhor
posicionadas para inovar sob escrutínio crescente.

## Como transformar incerteza regulatória em vantagem estratégica

Até 2031, o debate sobre IA no Brasil dificilmente será sobre “se” haverá regras,
mas sobre “como” cada organização demonstra que leva essas regras a sério. O marco
legal tende a cristalizar práticas que hoje já são tecnicamente recomendáveis, ainda
que juridicamente fragmentadas.

Quem espera por decretos detalhados para agir entra atrasado em um jogo que já começou.
Mapear usos de IA, classificar riscos, documentar decisões e estruturar transparência
proporcional ao impacto são movimentos que reduzem incerteza e ampliam margem de
manobra.

Ao tratar algoritmos como infraestrutura crítica, e não como adereço tecnológico,
gestores públicos, empresários e pesquisadores ganham duas moedas escassas no ambiente
regulatório que se avizinha. A primeira é credibilidade perante órgãos de controle;
a segunda é liberdade responsável para experimentar sob escrutínio crescente.

Em última análise, o marco legal da IA não decidirá sozinho se a tecnologia ampliará
direitos ou aprofundará assimetrias. Essa resposta será dada, caso a caso, pela 
qualidade das escolhas técnicas, organizacionais e éticas que forem feitas agora,
enquanto o texto das leis ainda está em aberto.

## Referências

 1. MACHADO, Carla; SANTOS, João. **A regulação da inteligência artificial na saúde
    no Brasil começa com a Lei Geral de Proteção de Dados Pessoais**. Revista de Saúde
    Pública, 2022. Disponível em: <[https://doi.org/10.11606/s1518-8787.2022056004461](https://doi.org/10.11606/s1518-8787.2022056004461)
    >. Acesso em: 8 set. 2026.
 2. ROBOTICA, Revista. **O robô supremo: inteligência artificial, empoderamento e controle**.
    Revista Sequência, 2023. Disponível em: <[http://dx.doi.org/10.5007/2177-7055.2023.e79766](http://dx.doi.org/10.5007/2177-7055.2023.e79766)
    >. Acesso em: 8 set. 2026.
 3. TADDEO, Mariarosaria. **Transparency you can trust: Transparency requirements for
    artificial intelligence between legal norms and contextual concerns**. Big Data&
    Society, 2019. Disponível em: <[https://doi.org/10.1177/2053951719860542](https://doi.org/10.1177/2053951719860542)
    >. Acesso em: 8 set. 2026.
 4. EULR, Journal. **Artificial Intelligence and Transparency: A Blueprint for Improving
    the Regulation of AI Applications in the EU**. European Law Review, 2020. Disponível
    em: <[https://doi.org/10.54648/eulr2020024](https://doi.org/10.54648/eulr2020024)
    >. Acesso em: 8 set. 2026.

---

Esta publicação foi gerada por ferramentas de Inteligência Artificial e revisada
por um ser humano.
