O conceito juridico de inteligencia artificial

Prévia do material em texto

O conceito jurídico de Inteligência Artificial
O CONCEITO JURÍDICO DE INTELIGÊNCIA ARTIFICIAL
THE LEGAL CONCEPT OF ARTIFICIAL INTELLIGENCE
Revista de Direito do Consumidor | vol. 160/2025 | p. 219 - 253 | Jul - Ago / 2025
DTR\2025\8187
Juliano Madalena
Doutor e Mestre em Direito pela Universidade Federal do Rio Grande do Sul. Professor da Graduação em Direito e
Coordenador da Pós-Graduação em Direito Digital da Faculdade do Ministério Público. Presidente da Comissão
Especial de Proteção de Dados e Coordenador do Grupo de Trabalho sobre Inteligência Artificial na OAB/RS.
jm@julianomadalena.com.br
 
Área do Direito: Digital
Resumo: O presente artigo examina o conceito de Inteligência Artificial inserido no direito brasileiro. Para tanto, se
analisa a evolução histórica e técnica da inteligência artificial (IA), destacando marcos desde a formalização lógica de
McCulloch e Pitts até o aprendizado profundo moderno. Em seguida, analisamos a natureza jurídica da IA no direito
brasileiro, explicando que, embora a IA seja tecnicamente um software protegido por direitos autorais, possui
características únicas. Por fim, o artigo apresenta e justifica o conceito jurídico de IA aprovado pelo Tribunal Superior
Eleitoral em 2024 como primeiro no ordenamento brasileiro. Essa definição inclui lógica, representação do
conhecimento e aprendizado de máquina, além da capacidade de produzir conteúdos sintéticos. Inspirado no modelo
europeu do AI Act, o conceito busca neutralidade tecnológica e adaptabilidade, servindo como base para futuras
legislações nacionais que conciliem inovação, proteção de direitos fundamentais e segurança jurídica.
 
Palavras-chave: Conceito de inteligência artificial – Consumidor – Natureza jurídica do software – Direito digital.
Abstract: This paper examines the concept of artificial intelligence (AI) within Brazilian law. To do so, it analyzes the
historical and technical evolution of artificial intelligence, highlighting milestones from McCulloch and Pitts’ logical
formalization to modern deep learning. Subsequently, we analyze the legal nature of AI under Brazilian law, explaining
that although AI is technically copyright-protected software, it possesses unique characteristics. Finally, the article
presents and justifies the legal concept of AI approved by the Superior Electoral Court in 2024 as the first of its kind in
Brazilian legal order. This definition includes logic, knowledge representation, and machine learning, as well as the
ability to produce synthetic content. Inspired by the European AI Act model, the concept seeks technological neutrality
and adaptability, serving as a basis for future national legislation that reconciles innovation, the protection of
fundamental rights, and legal certainty.
 
Keywords: Concept of artificial intelligence – Consumer law – Intellectual property – Digital law.
Para citar este artigo: Madalena, Juliano. O conceito jurídico de Inteligência Artificial. Revista de Direito do
Consumidor. vol. 160. ano 34. p. 219-253. São Paulo: Ed. RT, jul./ago. 2025. Disponível em: [URL]. Acesso em:
DD.MM.AAAA.
Sumário:
 
1 Introdução - 2 Síntese histórica da Inteligência Artificial - 3 A natureza jurídica da Inteligência Artificial - 4 O conceito
jurídico de Inteligência Artificial - 5 Considerações finais - 6 Referências - 7 Legislação - 8 Jurisprudência
 
1 Introdução
Como veremos no indispensável apanhado histórico realizado, ainda que brevíssimo e que ignorou saltos e detalhes
em razão do contexto do presente artigo, a inteligência artificial é tecnologia e inquietação humana que antecede o
período das guerras mundiais. Com avanços e retrocessos, fruto da complexidade de aplicabilidade tecnológica, a
inteligência artificial passou por diversas fases: da utopia reflexiva, ao descrédito até a vulgarização tecnológica e
disseminação massiva de aplicações dotadas de IA. Diante disso, a inteligência artificial emerge como o principal
motor de transformação do século XXI, impactando profundamente economia, sociedade e os próprios alicerces do
direito. Por força da sua crescente inserção em setores críticos – como mercado consumidor, saúde, transporte,
segurança pública, processos judiciais e eleições – torna-se imperativo desvendar seus aspectos técnicos e jurídicos
para uma regulação equilibrada, que harmonize inovação, segurança jurídica e a proteção de direitos fundamentais.
A trajetória da IA, oscilando entre euforia e ceticismo, culminou em uma sofisticação sem precedentes, de regras fixas
a redes neurais adaptáveis. Essa evolução, que dota os sistemas de IA de capacidade de aprendizado e decisão com
graus variados de autonomia, impõe ao direito o desafio de inovar. Para o jurista, não basta reconhecer a IA como
uma inovação tecnológica; é essencial dominar sua natureza técnica. Só assim será possível traduzir seus complexos
elementos em categorias jurídicas compreensíveis. Afinal, sistemas de IA, que podem gerar resultados inesperados e
inferir padrões, desconstroem modelos tradicionais de responsabilidade civil e regulação, tornando a ausência de uma
definição jurídica precisa um sério risco de lacunas normativas.
Apesar de sua complexidade, a IA é fundamentalmente um artefato humano. Embora isso a defina como um bem
jurídico intangível protegido por propriedade intelectual, suas especificidades exigem uma disciplina normativa
dedicada, que transcenda a mera aplicação das normas gerais sobre software. Portanto, a necessidade de um
conceito jurídico específico para a IA é imperativa para garantir segurança e previsibilidade. Uma definição clara não
só delimita o objeto da regulação, evitando abusos e ambiguidades, mas também serve como vetor para estabelecer
obrigações e direitos proporcionais aos riscos, promovendo a inovação responsável e defendendo o interesse público.
O AI Act da União Europeia é um exemplo paradigmático dessa abordagem, introduzindo uma definição formal e um
modelo de regulação baseado em risco.
No Brasil, apesar da ausência de uma legislação federal abrangente, a Resolução 23.732 do TSE inovou ao introduzir
o primeiro conceito jurídico de IA em nosso ordenamento. Essa definição, por nós sugerida1, que abarca o uso de
lógica, representação do conhecimento e aprendizado de máquina, com foco na geração de conteúdos sintéticos e na
capacidade de influenciar ambientes, é estratégica para combater a desinformação eleitoral.
A criação de conceitos jurídicos para IA deve pautar-se pela neutralidade tecnológica, evitando restrições
desnecessárias e garantindo a adaptabilidade da regulação à constante evolução tecnológica. O foco deve recair nos
efeitos sociais gerados pelos sistemas, incluindo decisões automatizadas e conteúdos que possam afetar direitos
fundamentais. Além disso, é crucial promover a educação e a consciência dos operadores do Direito sobre os
aspectos técnicos da IA.
Com efeito, o presente trabalho visa, portanto, contribuir para essa busca por clareza conceitual e rigor técnico.
Através de uma análise histórica, técnica e normativa, o objetivo é expor o conceito jurídico de inteligência artificial por
nós submetido ao TSE, diferenciando-o do software convencional, explorando sua natureza jurídica e comparando
experiências regulatórias. Espera-se, assim, subsidiar um debate jurídico mais informado e a construção de um marco
normativo robusto para os desafios da IA.
2 Síntese histórica da Inteligência Artificial
A compreensão da possibilidade de mimetizar o comportamento do cérebro humano tem sido uma questão central na
ciência desde meados dos anos 1940. Isso se manifestou de forma proeminente através do célebre artigo escrito por
Warren S. McCulloch e Walter Pitts, intitulado “A logical calculus of the ideas immanent in nervous activity”. A ideia
central e mais revolucionária proposta por McCulloch e Pitts foi a modelagem do comportamento do sistema nervoso
como um sistema lógico formal2. Isso significa que o comportamento complexo do sistema nervoso humano, que gera
pensamentos e ações, pode ser desdobradoPós-verdade, pós-democracia e processo. Revista de Processo, São
Paulo, vol. 301, p. 35-75, mar. 2020.
CANALLI, Rodrigo L. A propriedade intelectual do software: análise histórica e crítica. São Paulo: Editora Dialética, 27
jul. 2021.
DEVETZIS, Dimitrios; SAMARAS, Simos. Consumer protection safeguards after the AI Act. Perspectives of Law and
Public Administration, v. 13, n. 2, p. 298-309, June 2024.
ESTADOS UNIDOS. National Artificial Intelligence Initiative Act. In: U.S. Code Title 15 – Commerce and Trade, chap.
119, §§ 9401–9462. Public Law 116 283, div. E, tit. LI–LIII, 01.01.2021.
FLORIDI, Luciano et al. AI4People – An ethical framework for a good AI society: opportunities, risks, principles, and
recommendations. Minds and Machines, v. 28, n. 4, p. 689-707, 2018. DOI: [10.1007/s11023-018-9482-5]. Disponível
em: [https://doi.org/10.1007/s11023-018-9482-5].
FLORIDI, Luciano; CHIRIATTI, Massimo. GPT-3: its nature, scope, limits, and consequences. Minds and Machines,
[S.l.], v. 30, n. 4, p. 681-694, nov. 2020. Disponível em: [https://doi.org/10.1007/s11023-020-09548-1].
GOODMAN, David; KEENE, Raymond. Man versus machine: Kasparov versus Deep Blue. Cambridge, MA: H3
Publications, 1997.
GSTREIN, Oskar J.; HALEEM, Noman; ZWITTER, Andrej. General-purpose AI regulation and the European Union AI
Act. Internet Policy Review, v. 13, n. 3, p. 1-24, 1 ago. 2024. Disponível em: [https://doi.org/10.14763/2024.3.1790].
GUTIERREZ, Carlos I. et al. A proposal for a definition of general purpose artificial intelligence systems. Digital Society,
v. 2, n. 36, 2023.
KNUTH, Donald Ervin. The art of computer programming: fundamental algorithms. 3. ed. Boston: Addison-Wesley,
1997. v. 1. p. 652.
KRIZHEVSKY, Alex; SUTSKEVER, Ilya; HINTON, Geoffrey E. ImageNet classification with deep convolutional neural
networks. Advances in Neural Information Processing Systems, v. 25, p. 1097-1105, 2012.
LIGHTHILL, James. Artificial Intelligence: A General Survey. In: SCIENCE RESEARCH COUNCIL. Artificial
Intelligence: A Paper Symposium. London: Science Research Council, 1973.
MARQUES, Claudia Lima; MIRAGEM, Bruno. Serviços simbióticos ou inteligentes e proteção do consumidor no novo
mercado digital: homenagem aos 30 anos do Código de Defesa do Consumidor. Revista do Advogado, São Paulo,
Associação dos Advogados de São Paulo, n. 146, p. 14-50, 2020.
MCCARTHY, John; MINSKY, Marvin L.; ROCHESTER, Nathaniel; SHANNON, Claude E. A proposal for the Dartmouth
Summer Research Project on Artificial Intelligence. Hanover: Dartmouth College, 1955.
MCCULLOCH, Warren S.; PITTS, Walter. A logical calculus of the ideas immanent in nervous activity. Bulletin of
Mathematical Biology, v. 52, n. 1/2, p. 99-115, 1990. Reimpressão do Bulletin of Mathematical Biophysics, v. 5, p. 115-
133, 1943.
MENEZES, Elisangela Dias. Curso de direito autoral. Belo Horizonte: Editora Del Rey, 2007. p. 175.
MILAGRES, Marcelo de Oliveira; RÊGO, Danilo Germano. A responsabilidade civil do fabricante por danos causados
por carros autônomos. Revista de Direito Civil Contemporâneo, São Paulo, v. 42, ano 12, p. 149-180, jan.-mar. 2025.
MINSKY, Marvin; PAPERT, Seymour. Perceptrons: an introduction to computational geometry. Expanded ed.
Cambridge, MA: MIT Press, 1987.
MIRAGEM, Bruno. Novo paradigma tecnológico, mercado de consumo digital e o direito do consumidor. Revista de
Direito do Consumidor, v. 125, p. 17-62, set.-out. 2019.
MIRANDA, Francisco Cavalcanti Pontes de. Tratado de Direito Privado. Parte Especial. Tomo XVI: Direito das coisas –
Propriedade mobiliária (bens incorpóreos). Propriedade intelectual. Propriedade industrial. Atual. Marcos Alberto
Sant’Anna Bitelli. São Paulo: Ed. RT, 2012.
MOLNAR, David. AI unleashed: mastering the maze of the EU AI Act. Regional Law Review, 2024, p. 155-168.
NORVIG, Peter; RUSSELL, Stuart J. Artificial intelligence: a modern approach. 4. ed. Global edition. Harlow: Pearson
Education Limited, 2022. p. 35.
PHILIPPE, Jerome. The EU AI Act: too early and too complex? New York University Journal of Law and Business, New
York, v. 20, n. 3, p. 685-700, 2024.
RUMELHART, David E.; HINTON, Geoffrey E.; WILLIAMS, Ronald J. Learning representations by back-propagating
errors. Nature, London, v. 323, n. 6088, p. 533-536, 1986.
SANTOS, Manoel J. Pereira dos. A proteção adequada ao “software”. Doutrinas Essenciais de Responsabilidade Civil,
v. 8, p. 899-915, out. 2011.
SILVER, David et al. Mastering the game of Go with deep neural networks and tree search. Nature, v. 529, n. 7587, p.
484-489, 2016. DOI: [10.1038/nature16961].
TARTUCE, Flávio. Direito Civil: Lei de Introdução e Parte Geral. Rio de Janeiro: Grupo GEN, 2024. v.1. p. 297. E-book.
ISBN 9786559649709.
TURING, A. M. Computing machinery and intelligence. Mind, New Series, v. 59, n. 236, p. 433-460, out. 1950.
UNITED STATES. National Academy of Sciences. Automatic Language Processing Advisory Committee. Language
and machines: computers in translation and linguistics. Washington, D.C.: National Academy of Sciences, National
Research Council, 1966.
VASWANI, A. et al. Attention is All You Need. In: Advances In Neural Information Processing Systems 30 (NIPS 2017),
Long Beach, CA, USA.
WIENER, Norbert. Cybernetics: or, Control and Communication in the Animal and the Machine. New York: John Wiley
& Sons, 1948.
7 Legislação
BRASIL. Senado Federal. Projeto de Lei 2.338, de 3 de maio de 2023. Dispõe sobre o uso da inteligência artificial.
Apresentado pelo Senador Rodrigo Pacheco (PSD MG). Brasília, DF: Senado Federal, 03.05.2023.
8 Jurisprudência
BRASIL. Tribunal Superior Eleitoral. Resolução 23.732, de 27 de fevereiro de 2024. Altera a Resolução TSE 23.610,
de 18 de dezembro de 2019, dispondo sobre a propaganda eleitoral. Brasília, DF: TSE, 27.02.2024.
 
 
 
1 . Em 2024, submeti a proposta de redação do conceito de IA para a regulação eleitoral à Presidente do IGADE –
Instituto Gaúcho de Direito Eleitoral, Dra. Francieli de Campos, que por meio de participação nas audiências públicas
promovidas pelo TSE endereçou a proposta. Após criteriosa análise pelo Tribunal Superior Eleitoral (TSE), a definição
sugerida foi formalmente incorporada à Resolução 23.732/2024, passando a integrar o artigo 37 da Resolução 23.610,
que regulamenta aspectos das eleições de 2024.
 
2 . A lógica sempre foi uma espinha dorsal da computação e da inteligência artificial, atuando como o alicerce formal
para a representação, manipulação e automatização do raciocínio. Desde os primórdios dos circuitos digitais – que
são essencialmente a materialização de operações lógicas como AND, OR e NOT – até os complexos sistemas de IA
simbólica que traduzem conhecimento em regras lógicas, é a lógica que capacita a transformação de desafios
intrincados em sequências de decisões claras e verificáveis. No universo da IA, ela permite delinear inferências,
orquestrar planos e moldar o conhecimento de maneira estruturada, conferindo clareza e interpretabilidade. Com
efeito, mesmo nos avançados sistemas de aprendizado de máquina contemporâneos, a lógica continua a ser uma
fonte de inspiração para novas arquiteturas e algoritmos, reforçando a premissa de que a habilidade de raciocinar de
forma consistente e estruturada permanece um pilar indispensável para o avanço de sistemas verdadeiramente
inteligentes. MCCULLOCH, Warren S.; PITTS, Walter. A logical calculus of the ideas immanent in nervous activity.
BulletinofMathematicalBiology, v. 52, n. 1/2, p. 99-115, 1990. Reimpressão do Bulletin of Mathematical Biophysics, v. 5,
p. 115-133, 1943.
 
3 . RUSSELL, Stuart J.; NORVIG, Peter. Artificialintelligence: a modern approach. 4. ed. Global edition. Harlow:
Pearson Education Limited, 2022. p. 35.
 
4 . WIENER, Norbert. Cybernetics: or, Control and Communication in the Animal and the Machine. New York: John
Wiley & Sons, 1948.
 
5 . Devemos observar que a importância do sistema de feedback para a IA é crucial porque permite que os modelos
aprendam e melhorem continuamente a partir de suas próprias ações eresultados. Em vez de operar de forma
estática, o feedback – seja ele explícito (como correções humanas) ou implícito (como sucesso em uma tarefa
simulada) – informa ao sistema o quão bem ele está performando.
 
6 . Durante a Segunda Guerra Mundial, Alan Turing trabalhou no centro de inteligência britânico em Bletchley Park.
Turing foi fundamental no esforço para quebrar os códigos da máquina Enigma, que foi usada pela Alemanha nazista
para comunicações militares. Turing projetou métodos e dispositivos eletromecânicos, como a “Bombe”, que
automatizavam parte do processo de decifração. Seu trabalho acelerou a leitura de mensagens criptografadas, o que
permitiu que os Aliados antecipassem movimentos inimigos. Devemos assumir que o trabalho de Turing foi
fundamental para o encurtamento da guerra. BERNHARDT, Chris. Turing’sVision: The Birth of Computer Science.
Cambridge, Massachusetts: MIT Press, 2016.
 
7 . TURING, A. M. Computing machinery and intelligence. Mind,NewSeries, v. 59, n. 236, p. 433-460, out. 1950.
 
8 . Turing queria responder ao Entscheidungsproblem de David Hilbert – o “problema da decisão”, que perguntava se
existe um algoritmo capaz de decidir, para qualquer afirmação matemática formal, se ela é verdadeira ou falsa.
 
9 . Veja: MINSKY, Marvin; PAPERT, Seymour. Perceptrons: an introduction to computational geometry. Expanded ed.
Cambridge, MA: MIT Press, 1987.
 
10 . MCCARTHY, John; MINSKY, Marvin L.; ROCHESTER, Nathaniel; SHANNON, Claude E.
AproposalfortheDartmouthSummerResearchProjectonArtificialIntelligence. Hanover: Dartmouth College, 1955.
 
11 . Disciplina sob a ótica de estudoendereçadoeorganizadodeumdeterminadoobjeto e não necessariamente a adoção
formaleinstitucional desse estudo em grades curriculares.
 
12 . UNITED STATES. National Academy of Sciences. Automatic Language Processing Advisory Committee.
Languageandmachines: computers in translation and linguistics. Washington, D.C.: National Academy of Sciences,
National Research Council, 1966.
 
13 . LIGHTHILL, James. Artificial Intelligence: A General Survey. In: ScienceResearchCouncil. Artificial Intelligence: A
Paper Symposium. London: Science Research Council, 1973.
 
14 . A ideia central é ajustar iterativamente os pesos das conexões na rede neural para minimizar a diferença entre a
saída esperada e a produzida. Este processo envolve duas fases: uma passagem para frente (forwardpass), onde os
dados geram uma saída; e uma passagem para trás (backwardpass), onde o erro é calculado e propagado de volta
pelas camadas. Podemos exemplificar ao mostrar para uma IA o que é um carro e questionar o que ela “vê”. Se o
sistema errar e dizer que é uma bicicleta, o usuário informa o erro e nisso o algoritmo ajusta os pesos dos “neurônios
virtuais” para que possa repetir o processo até acertar o conteúdo da imagem mostrada pelo usuário. RUMELHART,
David E.; HINTON, Geoffrey E.; WILLIAMS, Ronald J. Learning representations by back-propagating errors. Nature,
London, v. 323, n. 6088, p. 533-536, 1986.
 
15 . GOODMAN, David; KEENE, Raymond. Manversusmachine: Kasparov versus Deep Blue. Cambridge, MA: H3
Publications, 1997.
 
16 . Bruteforceou “força bruta” é uma abordagem que resolve problemas tentando exaustivamente todas as
possibilidades. Em computação, significa explorar todas as soluções até encontrar a correta, sem usar atalhos ou
heurísticas.
 
17 . As redes neurais convolucionais são uma espécie de rede neural artificial criadas para processar dados
complexos, em especial com tipologiaemgrade: imagens, áudios ou vídeos. Seu nome advém da operação
matemática de convolação. Esse processo é indispensável para a visão computacional e é empregado em
reconhecimento facial, carros autônomos, diagnóstico médico, filtros de imagem (inclusive os que utilizamos em
aplicativos de redes sociais).
 
18 . Veja: KRIZHEVSKY, Alex; SUTSKEVER, Ilya; HINTON, Geoffrey E. ImageNet classification with deep
convolutional neural networks. AdvancesinNeuralInformationProcessingSystems, v. 25, p. 1097-1105, 2012.
 
19 . Placas de vídeo dedicadas com alta capacidade de processamento.
 
20 . SILVER, David et al. Mastering the game of Go with deep neural networks and tree search. Nature, v. 529, n.
7587, p. 484-489, 2016. DOI: [10.1038/nature16961].
 
21 . Nesse modelo existem políticas estabelecidas e que são utilizadas para treinar a IA com aprendizado por reforço
pautado em suas regras.
 
22 . Uma espécie de conselheiro em uma rede neural que avaliam o quão “adequado” será o próximo passo a ser
tomado pela IA.
 
23 . Trata-se de arquitetura de rede neural desenvolvida para processar dados sequenciais, como um texto ou
conversação. VASWANI, A. et al. Attention is All You Need. In: AdvancesInNeuralInformationProcessingSystems30
(NIPS 2017), Long Beach, CA, USA.
 
24 . No direito do consumidor, a digitalização das relações de consumo promoveu efetiva transformação no modo do
seu desenvolvimento. Bruno Miragem aponta os desafios que o direito do consumidor enfrenta com a inteligência
artificial, em especial considerando a possibilidade de “aprimoramento do próprio bem” através dessa tecnologia.
MIRAGEM, Bruno. Novo paradigma tecnológico, mercado de consumo digital e o direito do consumidor.
RevistadeDireitodoConsumidor, v. 125, p. 17-62, set.-out. 2019.
 
25 . Por vulgarização, compreendemos a aderência da tecnologia em todas as camadas sociais. Assim, uma
tecnologia é “vulgarizada” quando a sua aceitação é ampla, inequívoca e inquestionável.
 
26 . Floridi e Chiriatti produziram interessante artigo versando sobre as características e, inclusive, limites do GPT-3.
Assim, os autores promoveram crítica sobre o próprio modelo que merece ser citada para reflexão: “Isto é um
lembrete de que o GPT-3 não faz o que não foi projetado para fazer, e que qualquer interpretação do GPT-3 como o
início do surgimento de uma forma geral de inteligência artificial é apenas ficção científica mal-informada”. Observa-se
que o texto foi publicado em 2020, próximo com o lançamento da própria aplicação. Ocorre que rapidamente a
tecnologia evoluiu e atualmente a OpenAI dispõe de mais de dez modelos de inteligência artificial generativa que
superaram o GPT-3 em diversos aspectos. Portanto, esse é um dos principais alertas que se deve fazer em matéria
de inteligência artificial: é perigoso duvidar do progresso tecnológico cujas bases técnicas foram desenvolvidas pelos
saltos empregados pelo modelo do GPT-3. Com isso, aquele que apontar que IA é ou será ficção científica por si só
poderá se surpreender com o breve passar do tempo e demonstrações que a tecnologia vem nos apresentando.
FLORIDI, Luciano; CHIRIATTI, Massimo. GPT-3: its nature, scope, limits, and consequences. MindsandMachines,
[S.l.], v. 30, n. 4, p. 681-694, nov. 2020. Disponível em: [https://doi.org/10.1007/s11023-020-09548-1].
 
27 . MILAGRES, Marcelo de Oliveira; RÊGO, Danilo Germano. A responsabilidade civil do fabricante por danos
causados por carros autônomos. RevistadeDireitoCivilContemporâneo, São Paulo, v. 42, ano 12, p. 149-180, jan.-mar.
2025.
 
28 . FLORIDI, Luciano et al. AI4People – An ethical framework for a good AI society: opportunities, risks, principles,
and recommendations. MindsandMachines, v. 28, n. 4, p. 689-707, 2018. DOI: [10.1007/s11023-018-9482-5].
Disponível em: [https://doi.org/10.1007/s11023-018-9482-5].
 
29 . BITTAR, Carlos Alberto. O regime legal do software no Brasil. RevistadosTribunais, São Paulo, v. 677, p. 13-16,
mar. 1992
 
30 . Sobre o tema, veja: CANALLI, Rodrigo L. Apropriedadeintelectualdo software: análise histórica e crítica. São
Paulo: Editora Dialética, 27 jul. 2021.
 
31 . SANTOS, Manoel J. Pereira dos. A proteção adequada ao “software”.
DoutrinasEssenciaisdeResponsabilidadeCivil, v. 8, p. 899-915, out. 2011.
 
32 . KNUTH, Donald Ervin. Theartofcomputerprogramming: fundamental algorithms. 3. ed. Boston: Addison-Wesley,
1997. v. 1. 652 p.
 
33 . Em matéria de propriedade intelectual e inteligência artificial, a curadoriadeconteúdo provoca interessantesreflexões. Considerando que a inteligência artificial depende de dados e que estes dados podem ser fornecidos por
humanos, a seleção e organização desses dados, a depender, poderá dar azo à “coisa nova” frente ao direito. É dizer,
desenvolvedor de dataset pode não ser o titular ou autor dos dados empregados, mas, possivelmente, do “todo” por
ele organizado e que cumpre uma determinada finalidade.
 
34 . MENEZES, Elisangela Dias. Cursodedireitoautoral. Belo Horizonte: Editora Del Rey, 2007. p. 175.
 
35 . Tradicionalmente, a exploração econômica do software se dá através de licenças onerosas ou não onerosas.
Entretanto, não podemos descartar a possibilidade de aquisição integral do código fonte ou a sua venda.
 
36 . AZEVEDO, Álvaro Villaça. Direitodascoisas. São Paulo: Atlas, 2014.
 
37 . TARTUCE, Flávio. Direito Civil: Lei de Introdução e Parte Geral. Rio de Janeiro: Grupo GEN, 2024. v.1. p. 297. E-
book. ISBN 9786559649709.
 
38 . Devemos observar, contudo, que a própria doutrina discute a interessante natureza jurídica dos direitos de autor.
Afinal, destarte a obra tenha natureza móvel, o direito autoral apresenta dualidade própria dessa realidade: se divide
entre direitos morais e direitos patrimoniais. Nesse particular, Carlos Alberto Bittar compreende que tanto o direito
moral e o direito patrimonial são incindíveis e unos enquanto atingem o complexo de direitos autorais, mas admitem
divisão e individualização se for do interesse do autor. Considerando essas características, compreendemos que tais
circunstâncias também são aplicáveis aos programas de computador e, portanto, aos softwares dotados de
inteligência artificial. BITTAR, Carlos Alberto. Direitodeautor. 7. ed. rev., atual. e ampl. por Eduardo C. B. Bittar. Rio de
Janeiro: Forense, 2019.
 
39 . Por sua vez, direitos morais e patrimoniais.
 
40 . Com efeito, devemos relembrar que a propriedade intelectual é o sistema que tutela as criações humanas: direito
de autor, propriedade intelectual, sinais distintivos e proteções suigeneris. MIRANDA, Francisco Cavalcanti Pontes de.
TratadodeDireitoPrivado. Parte Especial. Tomo XVI: Direito das coisas – Propriedade mobiliária (bens incorpóreos).
Propriedade intelectual. Propriedade industrial. Atual. de Marcos Alberto Sant’Anna Bitelli. São Paulo: Ed. RT, 2012.
 
41 . MARQUES, Claudia Lima; MIRAGEM, Bruno. Serviços simbióticos ou inteligentes e proteção do consumidor no
novo mercado digital: homenagem aos 30 anos do Código de Defesa do Consumidor. RevistadoAdvogado, São Paulo,
Associação dos Advogados de São Paulo, n. 146, p. 14-50, 2020.
 
42 . É possível assumir que o emprego equivocado da IA pode impactar fortemente não apenas direitos fundamentais,
mas, inclusive a segurança nacional. Com efeito, os modelos fundacionais (foundationmodels) altamente capazes,
treinados em grandes conjuntos de dados para serem adaptáveis a muitas tarefas diferentes, e que têm ou podem vir
a ter capacidades perigosas suficientes para representar riscos graves à segurança pública e à segurança nacional.
ANDERLJUNG, Markus et al. FrontierAIRegulation: Managing Emerging Risks to Public Safety. 2023.
 
43 . Um dos grandes desafios regulatórios é o equilíbrio entre a proteção dos direitos fundamentais e o
desenvolvimento econômico e tecnológico. O sucesso do IAAct em equilibrar esses preceitos só poderá ser medido
com o passar do tempo. MOLNAR, David. AI unleashed: mastering the maze of the EU AI Act. RegionalLawReview, p.
155-168, 2024.
 
44 . GSTREIN, Oskar J.; HALEEM, Noman; ZWITTER, Andrej. General-purpose AI regulation and the European Union
AI Act. InternetPolicyReview, v. 13, n. 3, p. 1-24, 1 ago. 2024. Disponível em: [https://doi.org/10.14763/2024.3.1790].
 
45 . Devemos ressaltar que a preocupação em bem definir o conceito de inteligência artificial e suas espécies não é
privilégio nosso. Na doutrina estrangeira, também há interessantes construções teóricas que buscam delimitar o
conceito. GUTIERREZ, Carlos I. et al. A proposal for a definition of general purpose artificial intelligence systems.
DigitalSociety, v. 2, n. 36, 2023.
 
46 . Devemos observar que o IAAct passou a compor relevante espaço regulatório na proteção do consumidor na
Europa. Afinal, o emprego de IA em produtos e serviços atrai a aplicação do IAAct em compasso com as normas de
proteção do consumidor vigentes. Sobre o tema, veja: DEVETZIS, Dimitrios; SAMARAS, Simos. Consumer protection
safeguards after the AI Act. PerspectivesofLawandPublicAdministration, v. 13, n. 2, p. 298-309, June 2024.
 
47 . A amplitude do IAAct também é objeto de crítica. Ao desenvolver um modelo regulatório extremamente denso e
complexo é possível criar entraves para o desenvolvimento e barreiras para a sua implementação prática. PHILIPPE,
Jerome. The EU AI Act: too early and too complex? NewYorkUniversityJournalofLawandBusiness, New York, v. 20, n.
3, p. 685-700, 2024.
 
48 . BRASIL. Tribunal Superior Eleitoral. Resolução23.732,de27defevereirode2024. Altera a Resolução-TSE 23.610,
de 18 de dezembro de 2019, dispondo sobre a propaganda eleitoral. Brasília, DF: TSE, 27.02.2024.
 
49 . BRASIL. Senado Federal. Projeto de Lei 2.338, de 3 de maio de 2023. Dispõe sobre o uso da inteligência artificial.
Apresentado pelo Senador Rodrigo Pacheco (PSD-MG). Brasília, DF: Senado Federal, 03.05.2023.
 
50 . ESTADOS UNIDOS. National Artificial Intelligence Initiative Act. In: U.S.CodeTitle15–CommerceandTrade, chap.
119, §§ 9401–9462. Public Law 116-283, div. E, tit. LI–LIII, 1 jan. 2021.
 
51 . CAMBI, Eduardo; SCHMITZ, Nicole Naiara. Pós-verdade, pós-democracia e processo. RevistadeProcesso, São
Paulo, v. 301, p. 35-75, mar. 2020.em uma série de afirmações ou condições lógicas. Cada neurônio,
funcionando sob a lei do “tudo ou nada” (ativado ou desativado)3, torna-se, em essência, uma unidade computacional
binária que pode ser formalizada pela lógica proposicional. Esse insight estabeleceu uma ponte entre a neurofisiologia
e a matemática, abrindo caminho para o tratamento formal da inteligência artificial. Diante disso, a técnica simula as
portas lógicas fundamentais, o que posteriormente foi empregado na estrutura de funcionamento da computação
moderna.
Paralelamente à formalização lógica da atividade neural proposta por McCulloch e Pitts, a segunda metade da década
de 1940 assistiu ao surgimento de outra obra seminal que, embora distinta em sua abordagem, complementaria e
expandiria a fundação teórica para futuras inteligências artificiais. Tratava-se de “Cybernetics: Or Control and
Communication in the Animal and the Machine”4 (1948), de Norbert Wiener. A cibernética, como disciplina cunhada por
Wiener, não se focava na estrutura micrológica do neurônio, mas sim nos princípios universais de controle,
comunicação e retroalimentação (feedback5).
Cumpre observar que o conceito de feedback de Wiener foi um marco para imaginar sistemas inteligentes. Em vez de
apenas seguir instruções fixas, ele permitiu pensar máquinas capazes de “aprender” com seus próprios resultados.
Essa ideia de ajuste e autorregulação fundamenta, ainda hoje, o desenvolvimento de sistemas adaptativos e
autônomos. Dessa forma, enquanto McCulloch e Pitts descreveram as unidades computacionais básicas e a lógica
subjacente à atividade neural, Wiener forneceu a teoria de controle que permite a essas unidades formarem sistemas
dinâmicos e inteligentes. A fusão conceitual reside na ideia de que os portões lógicos dos neurônios podem ser a base
para o processamento de informações que, por sua vez, é utilizada em um loop de feedback para controlar o
comportamento. A comunicação entre esses neurônios artificiais, formalizada pela lógica, adquire significado dentro de
um sistema maior que busca objetivos e se adapta ao ambiente através da cibernética. Assim, a convergência dessas
efervescências intelectuais do pós-guerra consolidou o alicerce para o campo da inteligência artificial. A capacidade de
representar a cognição em termos de operações lógicas (McCulloch-Pitts) combinada com o entendimento de como
sistemas complexos se autorregulam e se comunicam para atingir objetivos (Wiener) legitimou a busca por
inteligências não biológicas. Assim, o caminho foi pavimentado para o desenvolvimento de máquinas que não apenas
processam informações, mas que também demonstram um comportamento inteligente, adaptativo e, eventualmente,
autônomo.
Contudo, com inquestionável merecimento, nenhum indivíduo é mais frequentemente associado ao conceito
fundacional da inteligência artificial do que Alan Turing6. Sua célebre obra, “Computing Machinery and Intelligence”7,
publicada em 1950, desafiou a premissa de que a inteligência era um atributo exclusivamente humano, propondo uma
abordagem empírica para avaliar se uma máquina poderia exibir comportamento inteligente. Ao introduzir o “Jogo da
Imitação”, posteriormente conhecido como “Teste de Turing”, ele deslocou o debate da questão metafísica “Podem as
máquinas pensar?” para uma questão mais pragmática e testável: “Podem as máquinas se comportar de forma
indistinguível de um ser humano em uma conversa por escrito?.” A genialidade da contribuição de Turing não se
limitava à proposição de um teste. Sua teoria da computabilidade universal, formulada anos antes com a concepção
da Máquina de Turing, já havia estabelecido que qualquer processo computacional que pudesse ser descrito por um
algoritmo poderia ser executado por uma máquina universal. Essa ideia fundamental tornou conceitualmente possível
que uma máquina simulasse qualquer outro sistema computacional, incluindo, por extensão, um cérebro processando
informações.
Diante disso, tal perspectiva desenvolvida por Turing forneceu a estrutura teórica para a crença de que a inteligência,
por mais complexa que fosse, poderia ser emulada por algoritmos e programas computacionais. Para além disso,
Turing abordou em seu artigo várias objeções filosóficas e teológicas à possibilidade de máquinas pensarem,
refutando-as sistematicamente. Ao fazer isso, ele não apenas defendeu a viabilidade técnica da IA, mas também
estimulou a comunidade científica a considerar seriamente o potencial das máquinas. Embora sua visão de
inteligência fosse funcionalista, focando no comportamento externo em detrimento dos estados internos, ela foi
decisiva para direcionar a pesquisa em IA para a construção de sistemas que pudessem resolver problemas
complexos e interagir de maneira inteligente com humanos.
Assim, um dos principais aspectos notáveis da obra de Turing é sua antecipação do aprendizado por máquinas, um
pilar central da IA moderna. Em “Computing Machinery and Intelligence”, Turing explorou a possibilidade de máquinas
serem ensinadas de forma semelhante a uma criança. Para tanto, Turing sugeriu que, em vez de programar
explicitamente todas as regras para um comportamento inteligente, poderíamos dotar as máquinas de uma
capacidade inicial simples e, em seguida, permitir que elas aprendessem com a experiência. Essa visão foi “profética”,
considerando o papel que o aprendizado de máquina e os algoritmos adaptativos desempenham hoje, especialmente
em áreas como redes neurais e aprendizado profundo, que permitiram avanços significativos em reconhecimento de
padrões, tradução automática e outros campos. Além disso, a Máquina de Turing, introduzida em seu trabalho seminal
de 1936, “On Computable Numbers, with an Application to the Entscheidungsproblem”8, forneceu uma abstração
matemática que transcendeu a mera mecânica da computação para abordar questões filosóficas sobre os limites do
que é computável. Ao demonstrar que existem problemas que nenhuma máquina, por mais poderosa que seja, pode
resolver, Turing estabeleceu os limites teóricos da inteligência artificial antes mesmo que o campo existisse
formalmente. Essa compreensão foi crucial para moldar as expectativas realistas sobre o que a IA pode e não pode
fazer, direcionando a pesquisa para problemas tratáveis e afastando-a de aspirações utópicas inalcançáveis.
Na senda dos anos 1950 sobreveio o “Dartmouth Summer Research Project on Artificial Intelligence”, ocorrido em
1956, e universalmente reconhecido como o evento que marcou o nascimento oficial da Inteligência Artificial como um
campo de estudo e pesquisa dedicado. Sua importância transcende a mera reunião de mentes; ele representou a
catalisação de várias linhas de pesquisa e o marco inaugural para um conceito então nascente. Com efeito, o evento
foi organizado por John McCarthy (na época, do Dartmouth College), Marvin Minsky9 (Harvard University), Nathaniel
Rochester (IBM) e Claude Shannon (Bell Telephone Laboratories) através de uma proposta intitulada “A proposal for
the Dartmouth summer research project on artificial intelligence”10 submetida ao fundo de pesquisa Rockefeller, que
tinha como objetivo reunir especialistas por dois meses para discutir sobre a possibilidade de “fazer máquinas usarem
a linguagem, formar abstrações e conceitos, resolver tipos de problemas atualmente reservados aos humanos e se
aprimorar”. A principal contribuição do Dartmouth Project foi a definição, articulação e legitimação da Inteligência
Artificial como uma “disciplina acadêmica autônoma”11. Antes de Dartmouth, as ideias sobre máquinas inteligentes
estavam dispersas em campos como a lógica matemática (Turing, McCulloch e Pitts), e a cibernética (Wiener).
A Dartmouth Conference de 1956 também logrou resultados práticos que superavam o campo da dogmática científica
em matéria de inteligência artificial, pois foi nessa conferência que Allen Newell, Herbert A. Simon e J. C. Shaw da
RAND Corporation, nos Estados Unidos, criaram o Logic Theorist, reconhecido como um dos primeiros programas de
inteligênciaartificial e que tinha como objetivo automatizar a prova de teoremas do Principia Mathematica de
Whitehead e Russell, demonstrando que um computador conseguia simular o raciocíniológico humano. A importância
do programa para a história não apenas da IA, mas também da computação, reside no fato de que ele conseguia
trabalhar com manipulação de símbolos, algo até então de domínio exclusivamente humano. Desse modo, o Logic
Theorist empregava regras heurísticas para escolher quais passos lógicos seguir e assim imitava o modo como seres
humanos resolvem problemas complexos. É dizer, ao invés de simplesmente tentar todas as alternativas possíveis de
forma exaustiva, o programa fazia escolhas efetivamente estratégicas. Essa aplicação seminal também catalisou o
surgimento de diversas outras vertentes de pesquisa em IA, notadamente o desenvolvimento do General Problem
Solver (GPS), a concepção de sistemas especialistas e a exploração de métodos de busca heurística.
Na década de 1960, a IA deu origem a sistemas especialistas, programas construídos para resolver problemas
específicos em domínios restritos, empregando grandes bases de conhecimento e regras lógicas. O exemplo mais
famoso dessa época foi o Dendral (iniciado em 1965), criado para ajudar químicos a inferir estruturas moleculares a
partir de dados espectroscópicos. Outro exemplo de destaque foi o MYCIN (década de 1970), um sistema capaz de
diagnosticar infecções bacterianas e recomendar antibióticos. Ao mesmo tempo, surgiram desafios conceituais que
limitaram o entusiasmo inicial. Os relatórios ALPAC (1966) e o “AI winter” (inverno da IA) que se seguiu nas décadas
de 1970 e 1980 revelaram dificuldades em lidar com problemas do mundo real. Em especial, o emprego de linguagem
natural e visão computacional, para os quais as abordagens puramente simbólicas ou baseadas em regras se
mostraram insuficientes. Esses reveses resultaram em cortes de financiamento e em uma reavaliação das promessas
da IA. Diante disso, tanto as pesquisas acadêmicas como o setor de desenvolvimento de produtos com IA foram
duramente afetados.
Sobre o tema, o Relatório ALPAC (Automatic Language Processing Advisory Committee), foi publicado em 1966 pela
Academia Nacional de Ciências dos EUA12, e encomendado para avaliar o estado da arte em tradução automática
(machine translation) para poder orientar o financiamento do setor. Assim, o comitê concluiu que, apesar de uma
década de investimentos consideráveis, os sistemas de tradução automática não conseguiam produzir traduções de
qualidade aceitável sem pós-edição humana. Em consequência, as traduções geradas por máquinas não eram mais
baratas nem mais rápidas do que a tradução humana tradicional, frustrando as expectativas iniciais que motivaram os
investimentos. De igual forma, o estudo também analisou a real demanda por traduções dentro do governo dos EUA.
Assim, contrariando a ideia de uma grande escassez de tradutores, o relatório revelou que havia mais oferta de
tradutores do que demanda, com muitos profissionais disponíveis e prontos para trabalhar. Assim, o comitê considerou
que não havia justificativa prática imediata para continuar financiando pesadamente pesquisas em tradução
automática com foco em resultados de curto prazo. Como resultado, o relatório ALPAC teve grande impacto para a
formulação da inteligência artificial. Nos EUA, houve um corte drástico nos financiamentos federais para projetos de
tradução automática por várias décadas.
Refletindo uma tendência americana, o relatório de James Lighthill de 197313 foi relevante para resultar no chamado
“inverno da IA” no Reino Unido, também considerado como um período de ceticismo com a tecnologia e redução de
investimentos. Encomendado pelo Science Research Council britânico para avaliar o retorno do investimento público
em IA, Lighthill concluiu que grande parte da pesquisa, especialmente em sistemas de propósito geral e robótica, não
havia entregado o que prometera. Sua crítica ao baixo retorno e ao “otimismo exagerado” influenciou a opinião pública
e os órgãos de fomento. Diante disso, o resultado prático imediato foi um corte significativo no financiamento de
projetos de IA, em especial os mais especulativos ou voltados à criação de sistemas inteligentes gerais. No plano
simbólico, o relatório gerou um ceticismo institucional duradouro: assim como nos EUA, por quase uma década, havia
pouca disposição para investir em IA no Reino Unido.
Não obstante, a IA vivenciou uma vigorosa retomada no final da década de 1980 e na de 1990, caracterizada pela
adoção de novas metodologias. As redes neurais artificiais, inicialmente descartadas, ressurgiram impulsionadas tanto
por um maior poder computacional quanto por avanços teóricos cruciais, a exemplo do algoritmo de retropropagação
(backpropagation14). Concomitantemente, o desenvolvimento de técnicas de aprendizado de máquina e a aplicação
da lógica probabilística possibilitaram à IA gerenciar a incerteza de forma mais eficaz, o que culminou em aplicações
revolucionárias como reconhecimento de fala, tradução automática e sistemas de recomendação. A importância do
backpropagation para essa retomada e, em particular, para o sucesso das redes neurais, não pode ser subestimada.
Antes de sua popularização, a dificuldade em treinar redes com múltiplas camadas era um obstáculo fundamental. O
backpropagation forneceu a ferramenta algorítmica necessária para distribuir eficientemente o erro de uma previsão
final de volta para cada neurônio e conexão da rede, permitindo que todos os parâmetros fossem ajustados de forma
coordenada. Isso transformou as redes neurais de curiosidades teóricas em ferramentas práticas e poderosas,
capazes de aprender padrões complexos a partir de dados.
Um momento de destaque na história da inteligência artificial, especialmente na década de 1990, foi o confronto entre
Garry Kasparov, o campeão mundial de xadrez, e o supercomputador Deep Blue, da IBM. Em 1997, Deep Blue15
alcançou relevância: tornou-se o primeiro sistema computacional a derrotar um campeão mundial em uma partida
oficial de xadrez. Sua força residia na capacidade de analisar cerca de 200 milhões de posições por segundo,
resultado de constantes aprimoramentos. Apesar de não empregar o aprendizado de máquina como o conhecemos
hoje, o Deep Blue era um exemplo excelente da IA clássica, baseada em lógicas simbólicas e determinísticas,
utilizando funções de avaliação meticulosamente ajustadas. Essa vitória teve um impacto social e técnico imenso,
provando que máquinas especializadas eram capazes de realizar tarefas antes tidas como prerrogativa da cognição
humana.
No entanto, o sucesso de Deep Blue não significou uma vitória completa da IA sobre a mente humana; ao contrário,
ele expôs as fronteiras dos métodos de força bruta16 e do conhecimento pré-programado. O confronto Kasparov vs.
Deep Blue intensificou os debates sobre a natureza da inteligência e quais capacidades humanas seriam mais
resistentes à automação. Paradoxalmente, a “vitória” do Deep Blue impulsionou a pesquisa acadêmica e comercial em
sistemas capazes de aprender e generalizar a partir de dados, um movimento que culminaria na ascensão do
aprendizado de máquina estatístico e, mais adiante, do aprendizado profundo no século XXI.
Já no século XXI, a IA ingressou em uma nova fase com a ascensão do aprendizado profundo (deep learning), que se
valeu da arquitetura de redes neurais com múltiplas camadas e da disponibilidade de vastos volumes de dados
disponíveis. Modelos específicos, como as redes neurais convolucionais (CNNs)17, transformaram radicalmente o
campo da visão computacional, enquanto as redes generativas revolucionaram o processamento de linguagem
natural, permitindo o desenvolvimento de assistentes virtuais e tradutores com um nível de sofisticação quase
humano. Um marco fundamental nessa trajetória foi o trabalho de Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton,
que demonstrou o poder das redes neurais convolucionais profundas ao vencer o desafio ImageNetLarge Scale
Visual Recognition Challenge (ILSVRC). Nesse estudo18, os autores treinaram uma rede com milhões de parâmetros
em mais de um milhão de imagens, utilizando GPUs19 e técnicas inovadoras em computação. O sucesso desse
modelo, conhecido como AlexNet, reduziu drasticamente os erros de classificação em comparação com métodos
anteriores e estabeleceu as bases para o uso massivo de CNNs em aplicações de visão computacional, como
reconhecimento facial, veículos autônomos e sistemas de vigilância inteligente. Além de mostrar que era viável treinar
redes profundas em grandes conjuntos de dados, o artigo de Krizhevsky et al. estimulou avanços em hardware,
algoritmos de otimização e estratégias de regularização, gerando um ciclo virtuoso que impulsionou toda a área de
inteligência artificial.
Se nos anos 1990 o xadrez foi o grande marco para a evolução da IA através do Deep Blue vs. Garry Kasparov, o
século XXI foi marcado pelos clássicos duelos envolvendo um novo adversário inteligente: o AlphaGo20. Proveniente
do Google DeepMind, o AlphaGo emergiu como um marco em 2015, ao triunfar sobre o campeão europeu de Go, Fan
Hui. No ano seguinte, 2016, sua notoriedade global foi consolidada com a vitória sobre Lee Sedol, um dos principais
jogadores do Go. A arquitetura do AlphaGo era notável por sua inovação, integrando redes neurais profundas e
algoritmos de busca. O treinamento era bifásico: uma etapa de aprendizado supervisionado, utilizando partidas
humanas, seguida por uma fase de aprendizado por reforço através de auto-jogo (self-play). Essa dualidade permitia
aprimoramento contínuo. Adicionalmente, a combinação estratégica de “policy networks21” para a seleção de
movimentos promissores, e “value networks22”, para a avaliação de posições, otimizou exponencialmente o espaço de
busca no intrincado domínio do Go. Essa abordagem representou um rompimento com os paradigmas anteriores de
IA em jogos de tabuleiro, que se limitavam à força bruta ou heurísticas predefinidas.
Entretanto, para que pudéssemos progredir para o emprego hodierno da IA faltava o desenvolvimento de
funcionalidades que permitissem o emprego da linguagem humana. Diante disso, essa transição ocorreu com a
introdução das arquiteturas Transformer23 em 2017, as quais revolucionaram o Processamento de Linguagem Natural
(PLN). Tais modelos, diferentemente dos seus precursores especializados, foram treinados em repositórios massivos
e diversificados de dados (big data), internalizando padrões linguísticos de forma genérica e reutilizável. Esse
progresso representou uma mudança de paradigma: a busca por modelos suficientemente grandes e adaptáveis que
pudessem generalizar tarefas com mínimas modificações na entrada. Com isso, o ponto alto dessa evolução foi
alcançado em 2020 com o GPT-3 da OpenAI, apresentado no artigo “Language Models are Few-Shot Learners”. Com
175 bilhões de parâmetros, este modelo demonstrou que o simples dimensionamento da rede, junto com treinamento
não supervisionado em dados da web, permitia-lhe realizar uma ampla gama de tarefas através de instruções no
próprio prompt. O impacto do GPT-3 foi imediato e transformador. Sua notável capacidade de interpretar instruções
em linguagem natural e se adaptar rapidamente a novas demandas sinalizava o surgimento de sistemas mais gerais,
aproximando a IA da flexibilidade cognitiva humana.
Com efeito, não há como reduzir a inquestionável importância histórica do GPT-3. Assim como o AlphaGo provou a
viabilidade de agentes que aprendem estratégias complexas via autojogo e aprendizado por reforço profundo, o GPT-
3 estabeleceu que a escala bruta, combinada com vastos dados e Transformers, era suficiente para criar sistemas
multifuncionais sem reengenharia especializada. Esse marco redefiniu o potencial dos modelos de linguagem e
inaugurou uma nova era da IA. Por essa nova realidade, grandes modelos pré-treinados se tornaram a espinha dorsal
para um leque ilimitado de aplicações, desde tradução e assistentes virtuais até a criação de conteúdo.
No mesmo sentido, o emprego do GPT-3 pela OpenAI, para além do mérito técnico, também é exemplo daquilo que
entendemos por “vulgarização tecnológica”. Isso porque, a OpenAI uniu a robustez tecnológica da IA com a
simplicidade de experiência do usuário. Com design simples, funcional e intuitivo, o produto final do GPT-3 foi a
aplicação mundialmente conhecida como “ChatGPT” que sobreveio em 2022, que simplesmente revolucionou
rapidamente as estruturais sociais em escala global. Através do ChatGPT, qualquer usuário com o mínimo de
letramento em tecnológica consegue conversar com a IA utilizando linguagem simples e coloquial. O desenvolvimento
de aplicativos para celulares com o ChatGPT embarcado possibilitou a disseminação massiva da aplicação. Tais
contornos foram indispensáveis para a vulgarização da tecnologia, requisito que consideramos como inafastável para
qualquer novidade tecnológica ser efetivamente aceita pela sociedade global.
3 A natureza jurídica da Inteligência Artificial
Todo objeto científico pode ser observado e estudado por meio de diversas facetas. Não seria diferente com a
inteligência artificial, que provoca inquietações em diversas áreas do conhecimento humano. Como observado, o seu
próprio progresso tecnológico é fruto de inúmeras rupturas e aprimoramentos24. Na seara da ciência jurídica, não
obstante as análises futurísticas que dialogam com a possibilidade de substituição completa do ser humano pela
máquina, o fato é que a efetiva preocupação com os impactos no direito acompanha a vulgarização da tecnologia25.
Contudo, pouco ou nada se medita acerca da real natureza jurídica da inteligência artificial. Trata-se de importante
equívoco científico que fulmina a aplicação do direito. Com pensamentos ligeiros ou dissociados da indispensável
sistematização que o direito nos impõe, o jurista poderá ingressar em terreno arenoso, próprio da insegurança jurídica
e com serventia apenas para o desenvolvimento de fundações inseguras. Nesse cenário, a regulação da inteligência
artificial (IA) se torna um desafio imenso. A tecnologia progride mais rápido que o direito26, resultando em um
emaranhado de regras que tentam encaixar o “novo” ao “direito posto”. No entanto, improvisações sem base teórica
tendem a falhar, gerando leis ineficazes ou até prejudiciais, incapazes de lidar com os dilemas jurídicos, éticos, sociais
e econômicos da IA.
A título exemplificativo, um ponto crítico é a responsabilidade civil por danos causados pela IA27. O modelo tradicional
de culpa humana e indenização se choca com máquinas autônomas que tomam decisões, muitas vezes sem
supervisão direta. A ausência de sistema especializado para endereçar os danos advindos da IA, deixa espaços que
ameaçam o direito à reparação das vítimas. Assim, o jurista precisa ser um agente ativo e crítico na construção desse
novo framework28 legal. Sua missão vai além de analisar a tecnologia; exige organizar conceitos e criar critérios
jurídicos claros e passíveis de sustentação no tempo. Só assim será possível harmonizar o avanço tecnológico com o
sistema jurídico vigente, garantindo um equilíbrio entre inovação, proteção de direitos e a busca pela justiça social.
Em assim sendo, devemos assentar, preliminarmente, que a perante o direito a inteligência artificial se amolda no
conceito de programa de computador (software). Com efeito, em computação, um programa de computador (ou
software) é essencialmente um conjunto de instruções codificadas que, ao serem processadas, capacitam a máquina
a realizar tarefas e solucionar problemas29-30. Essa definição abrange desde sistemas operacionais e aplicativos até
jogos e utilitários – enfim, qualquer lógica que direcione o comportamento do hardware. Ao contrário do hardware
físico, o software é intangível, manifestando-se como código-fonte ou executáveis31. É ele que dá vida aos dispositivos
digitais, permitindo operações que vão de cálculos básicos a redes globais e sistemas inteligentes. No seu particular, o
software ou programasde computador, em muito se assemelham com receitas culinárias. Pensemos que em uma
determinada receita de bolo de chocolate é necessário misturar os ingredientes para atingir o resultado. Se a receita
for executada corretamente, o resultado será o esperado bolo de chocolate. Por outro lado, se o cozinheiro errar os
ingredientes ou o procedimento de execução da receita, não teremos o bolo de chocolate pretendido, podendo
resultar em um bolo ruim ou defeituoso ou, como chamamos na computação, com algum bug.
Assim, em sua essência, os programas de computador executam tarefas predeterminadas pelo seu desenvolvedor32.
Essas tarefas são escritas em linguagem de programação, que atuam como interfaces comunicativas entre o
desenvolvedor e o computador. Como visto, os computadores operam, em última análise, através dos números
binários que embora realizem indispensável trabalho, não apresentam a melhor representação técnica de
comunicação entre o Humano e o computador. Para tanto, diversas e variadas linguagens de programação com
diferentes finalidades, complexidades e usos são utilizadas para permitir que o desenvolvedor constitua tarefas para
serem executadas pelo sistema operacional através daquilo que chamamos de programas de computador. Por esse
sentido, por mais que se possa acreditar que aplicações dotadas de IA não executam tarefas predeterminadas, o que
poderia impactar no conceito, devemos relembrar que a essência da predeterminação permanece central inclusive
nessa realidade. Embora a IA demonstre capacidades de aprendizado e adaptação impressionantes, sua “inteligência”
não surge do vazio. Outrossim, ela é o resultado de algoritmos, modelos e conjuntos de dados cuidadosamente
projetados por desenvolvedores.
A “determinação” dos sistemas de IA reside precisamente na forma como foram programados para aprender ou
desenvolver rotinas próprias da IA. Isso inclui as arquiteturas de rede neural, os algoritmos de otimização e a
curadoria dos dados de treinamento33, a título exemplificativo. Cada um desses componentes é uma instrução
explícita ou um conjunto de regras que direcionam o processo de “tomada de decisão” ou a geração de resultados
pela IA. Portanto, a capacidade de uma IA de realizar tarefas complexas, como reconhecer imagens, traduzir idiomas
ou compor textos, é uma manifestação direta das intenções e do design predeterminado pelos seus criadores. As IAs
não criam conhecimento ou comportamento do vazio; elas inferem, generalizam e geram com base nas estruturas e
nas vastas quantidades de dados com as quais foram alimentadas, tudo dentro dos parâmetros definidos pelos
programas subjacentes que constituem sua própria existência.
Diante desse contexto, observamos que os programas de computador se traduzem em conjunto de instruções textuais
em linguagem programável e compreendida tanto pelo sistema operacional quanto pelo hardware do usuário, a
depender da classificação que estivermos observando. Com efeito, dada a sua importância, certo é que os programas
de computador possuem características jurídicas relevantes e que são tuteladas pelo direito brasileiro34. A primeira,
diz respeito a sua natureza jurídica. Assim, o direito brasileiro acomodou a proteção dos programas de computador na
disciplina do direito autoral, sendo tutelado tanto pela Lei 9.610 de 1998 (LGL\1998\78) (Lei de Direito Autoral) quanto
pela Lei 9.609 de 1998 (LGL\1998\77) (Lei do Software – LDS). Com isso, a LDS conceitua o programa de
computador em seu artigo 1º como:
“expressão de um conjunto organizado de instruções em linguagem natural ou codificada, contida em suporte físico de
qualquer natureza, de emprego necessário em máquinas automáticas de tratamento da informação, dispositivos,
instrumentos ou equipamentos periféricos, baseados em técnica digital ou análoga, para fazê-los funcionar de modo e
para fins determinados.”
Sobre o conceito, devemos observar o local de armazenamento do programa de computador, pois ao mencionar o
suporte físico de qualquer natureza podemos concluir, corretamente, pela possibilidade de guarnecê-lo, inclusive, em
papel. Naturalmente, o armazenamento em arquivos digitais alcançará o suporte físico final, pois não há
armazenamento sem hardware computacional que o justifique. Com isso, deve-se prevalecer a máxima da
propriedade intelectual pela qual o direito não protege as ideias, apenas aquilo que efetivamente se expressa em
algum suporte.
Com asseverado, a correta aplicação do direito em um mundo cada vez mais digital depende profundamente da
compreensão da natureza jurídica dos objetos da ciência jurídica que o compõem, especialmente aqueles inerentes
ao universo do direito digital. Para desvendar essa natureza no contexto do software, é imperativo percorrer o
arcabouço normativo brasileiro que o disciplina. A proteção legal do software, no Brasil, é conferida por duas leis
basilares: a Lei 9.610 de 1998 (LGL\1998\78), conhecida como Lei de Direitos Autorais (LDA), e a Lei 9.609 de 1998
(LGL\1998\77), a Lei do Software (LDS). Ambas fornecem os instrumentos necessários para a atribuição de direitos e
a determinação de sua titularidade, posicionando o software de forma sistemática dentro da vasta categoria dos
direitos autorais. Essa compreensão não é arbitrária, mas decorre diretamente da previsão contida no artigo 2º da Lei
do Software, que remete explicitamente a proteção da propriedade intelectual do programa de computador ao regime
dos direitos autorais.
Apesar de a Lei do Software não declarar expressamente a natureza jurídica do programa de computador, a remissão
feita à Lei de Direitos Autorais é crucial para elucidar o ponto. Ao submeter o software ao mesmo regime jurídico dos
direitos autorais, tacitamente se lhe aplica a classificação atribuída a estes pela LDA. Com efeito, o artigo 3º da Lei de
Direitos Autorais estabelece uma preceituação fundamental ao conferir aos direitos autorais a inequívoca classificação
de bens móveis. Essa atribuição é fundamental para a delimitação de como as relações jurídicas envolvendo o
software devem ser tratadas, desde questões de compra, venda ou “cessão35” até discussões sobre sucessão e
garantias.
Neste particular, é vital relembrar a distinção conceitual entre “bens” e “coisas” no direito civil36, a despeito das
discussões doutrinárias sobre o tema37. Tradicionalmente, parte-se da premissa de que “coisas” abrange tudo aquilo
que não é humano, enquanto “bens” constitui um subconjunto das coisas, referindo-se àquilo que possui valor
econômico e que é passível de apropriação ou de ser objeto de direitos. Essa hierarquia conceitual é primordial para
classificar o software adequadamente dentro do sistema jurídico. Embora o Código Civil de 2002 não detalhe
expressamente a classificação entre bens corpóreos (materiais ou tangíveis) e incorpóreos (imateriais ou intangíveis,
como faz a doutrina), a distinção reside fundamentalmente na sua suscetibilidade ao tato humano. Os bens corpóreos,
por sua natureza física, permitem ser tocados e sentidos, ou seja, são passíveis de experiência corpórea, o que os
classifica como tangíveis. Por outro lado, os bens incorpóreos carecem dessa materialidade e, consequentemente,
não podem ser apreendidos pelo tato humano, caracterizando-se como imateriais ou intangíveis. É nesse último grupo
que o software se insere de maneira categórica. Embora sua execução dependa de um suporte físico – seja um disco
rígido, um servidor ou mesmo um pedaço de papel que contenha seu código-fonte – a essência do programa em si
não é o suporte, mas a abstração das instruções, o conjunto lógico que permite à máquina funcionar de uma
determinada maneira.
Portanto, o software se constitui juridicamente como um bem móvel intangível (ou, para usar termos sinônimos,
incorpóreo ou imaterial). O objeto da tutela jurídica no direito do software não é o suporte físico que o contém – que
pode variar de um chip a uma mídia óptica, ou mesmo um arquivo digital em um servidor –, mas sim a propriedade
intelectual subjacente, ou seja, a abstraçãodas instruções representadas pela linguagem de programação, codificada
ou natural. Tal distinção é crucial, pois ao proteger a inteligência e a criatividade expressas através do código, o
ordenamento jurídico brasileiro garante que o valor intrínseco do software não se confunda ou se limite ao meio pelo
qual ele é materializado.
Desse modo, considerando a natureza jurídica fundamental do software, podemos estender a mesma lógica para as
sofisticadas implementações de Inteligência Artificial. Por mais que as IAs atuais demonstrem capacidades notáveis,
como aprendizado autônomo, raciocínio complexo, e até mesmo a geração de conteúdo criativo e disruptivo, em sua
essência, são construções algorítmicas materializadas em código. A IA, por mais que simule processos cognitivos
humanos, é ainda um programa de computador, um conjunto de instruções e dados predefinidos (ainda que
adaptáveis) para atingir resultados específicos. Seu “pensamento” ou “criatividade” não se desvincula da base
programática que a sustenta. Desse modo, perante o direito brasileiro e a classificação estabelecida no direito civil, a
Inteligência Artificial, em sua forma atual, permanece configurada como um bem móvel38. Não se trata de uma
entidade com personalidade jurídica ou de um novo tipo de “sujeito de direito”, e sim de uma propriedade intelectual.
As redes neurais, os algoritmos de aprendizado de máquina, os modelos treinados e os conjuntos de dados utilizados
para o desenvolvimento e operação de uma IA são todos elementos que, em conjunto, formam o que legalmente
consideramos software, e, por extensão, um bem imaterial.
Assim, a discussão sobre a autonomia e a “consciência” da IA, embora fascinante no campo da filosofia, não altera
sua classificação jurídica fundamental. Suas decisões, por mais autônomas que pareçam, são o resultado de
parâmetros e pesos programados, de dados de treinamento e de funções de otimização que foram, em última
instância, desenhados e implementados por desenvolvedores humanos. A capacidade da IA de aprender e evoluir é
uma característica do programa, não uma manifestação de uma nova categoria de ser ou pessoa jurídica. Por essa
razão é que, a proteção jurídica concedida à IA recai sobre os direitos autorais39 relacionados ao seu código, aos seus
algoritmos e à sua arquitetura; sobre a proteção de dados dos conjuntos utilizados; e sobre o regime de propriedade
intelectual dos resultados gerados, quando aplicável. Mesmo os avanços mais vanguardistas em IA, com suas
promessas de transformação social e econômica, continuam a ser tratados pelo ordenamento jurídico como produtos
da mente humana, expressos em código, consolidando sua posição como bem móvel intangível, sujeito às mesmas
regras de proteção, licenciamento e responsabilidade que regem o software convencional.
4 O conceito jurídico de Inteligência Artificial
Como exposto, é importante destacar que a inteligência artificial se enquadra na classificação jurídica dos programas
de computador, os quais estão protegidos pelo direito autoral e, de forma mais ampla, inserem-se no gênero da
propriedade intelectual40. Também vimos que, para fins jurídicos, os programas de computador são considerados bens
móveis. Diante disso, tais circunstâncias podem levar ao questionamento sobre a necessidade de se estabelecer um
conceito jurídico específico para a inteligência artificial, vez que o direito brasileiro possui contornos firmes para
classificá-la em seu ordenamento. Sobre isso, cabe apontar que embora a inteligência artificial compartilhe
características comuns com os programas de computador tradicionais, tais aplicações apresentam peculiaridades que
desafiam os limites das categorias jurídicas existentes. Diferentemente de softwares convencionais, sistemas de IA
podem aprender, adaptar-se e tomar decisões autônomas com base em grandes volumes de dados, o que implica
novos riscos e responsabilidades. Essa autonomia relativa torna insuficiente a mera aplicação das regras atuais de
direito autoral ou de classificação como bem móvel, exigindo uma reflexão mais aprofundada sobre a sua alocação no
direito. Em síntese, se faz necessário um conceito jurídico de inteligência artificial justamente para dar à matéria o
rigor necessário para a sua regulação.
É importante ressaltar que a preocupação com a definição jurídica da inteligência artificial visa delimitar, de forma
precisa, o que deverá ser considerado na análise jurídica desse objeto em legislações futuras, interpretações
doutrinárias e posicionamentos jurisprudenciais. Como vimos, ao contrário dos softwares convencionais que apenas
executam tarefas previamente determinadas, os programas de computador dotados de inteligência artificial exigem
maior atenção jurídica em razão dos riscos específicos que podem gerar para os usuários, especialmente para o
consumidor. Tais circunstâncias e diferenças não se limitam ao plano conceitual. É comum que se confunda, ou até
mesmo que se induza intencionalmente o consumidor e o usuário a confundir sistemas que não “possuem
inteligência” com outros que são efetivamente dotados de capacidades inteligentes. Essa ambiguidade é
frequentemente explorada por empresas que buscam capitalizar o entusiasmo em torno da IA. Ao rotular produtos
simples, como um assistente de voz com respostas pré-programadas ou um sistema de recomendação baseado em
heurísticas básicas, como “inteligência artificial”, cria-se uma falsa impressão de sofisticação e avanço tecnológico
que, na realidade, não se sustenta sob uma análise rigorosa das capacidades do sistema41. Essa estratégia de
marketing não apenas engana o consumidor, que pode adquirir produtos com expectativas irreais sobre sua
“inteligência”, mas também corre o risco de descreditar a própria área da IA. Quando sistemas rotulados como
“inteligentes” falham em entregar capacidades genuinamente adaptativas, de aprendizado ou de raciocínio, a
frustração do usuário pode gerar ceticismo e desconfiança em relação a todo o campo. Isso lembra os ciclos de
“inverno da IA” do passado, onde o excesso de promessas e a entrega aquém do esperado levaram a um período de
desinvestimento e descrença generalizada. A reputação de uma tecnologia tão promissora depende, em grande parte,
da transparência e da honestidade na sua aplicação e comunicação.
Portanto, a inteligência artificial, em sua essência, é um sistema computacional. Este primeiro elemento fundamental
estabelece que a IA não é uma entidade biológica ou transcendental, mas sim uma construção tecnológica. Isso
implica que sua existência e funcionamento estão intrinsecamente ligados a hardware e software, permitindo que a lei
a categorize e regule como uma ferramenta desenvolvida e operada por seres humanos, sujeita a princípios de
engenharia e programação. Em assim sendo, como visto por toda exposição anteriormente realizada, a inteligência
artificial também depende de lógica baseadas em regras explícitas e inferência. Tais estruturais lógicas possuem como
objetivo a representação do conhecimento de forma estruturada, para que o sistema computacional possa processá-
las e extrair conclusões. Com isso, o sistema de inteligência artificial dispõe de uma arquitetura que permite receber e
processar dados de entradaprovenientes de máquinas ou seres humanos. Em sendo assim, com maior ou menor
autonomia, a inteligência artificial poderá produzir conteúdos sintéticos, recomendações ou tomar decisões.
4.1 O conceito de Inteligência Artificial no AI Act da UE
Com efeito, com a entrada em vigor do Regulamento (UE) 2024/1689 de 2024, o chamado AI ACT da União Europeia
estabeleceu o primeiro sistema jurídico abrangente e harmonizado para a inteligência artificial. O cerne do AI ACT é
assegurar que a IA seja desenvolvida e implantada de forma segura42, ética e respeitando os direitos fundamentais43,
ao mesmo tempo que impulsiona a inovação e a competitividade europeias. Sua abrangência se estende a todos os
sistemas de IA comercializados ou em uso na UE, com exceções pontuais para atividades militares,de segurança
nacional, pesquisa científica fundamental e uso estritamente pessoal, evidenciando uma busca contínua por um ponto
de equilíbrio.
Para modular sua aplicação de acordo com o potencial dano, o AI ACT adota uma abordagem inovadora baseada em
risco, classificando os sistemas de IA em quatro categorias distintas. No topo da pirâmide estão as práticas de risco
inaceitável, expressamente proibidas, que incluem, por exemplo, a vigilância biométrica em tempo real em espaços
públicos (com exceções muito restritas) e sistemas de pontuação social conduzidos por autoridades públicas. Abaixo,
encontram-se os sistemas de alto risco, permitidos, mas sujeitos a obrigações rigorosas: são aqueles utilizados em
setores sensíveis como infraestruturas críticas, saúde, justiça, emprego e educação. Para estes, exige-se uma
avaliação de conformidade prévia, supervisão humana contínua, gestão de dados de alta qualidade e uma
documentação técnica minuciosa.
Ainda na escala de risco, sistemas de risco limitado, como chatbots e geradores de conteúdo, são submetidos a
requisitos de transparência, implicando a obrigação clara de informar os usuários sobre a interação com uma IA. Por
fim, sistemas de risco mínimo, a exemplo de filtros de spam ou jogos eletrônicos, desfrutam de liberdade regulatória,
sem imposição de obrigações adicionais. Essa gradação reflete o esforço do legislador europeu em aplicar a
regulação proporcionalmente ao nível de risco que a tecnologia pode representar para os cidadãos e para a
sociedade.
Uma das inovações do AI Act é a atenção dedicada aos modelos de IA de finalidade geral (General-Purpose AI ou
Foundation Models)44-45, que servem de base para uma miríade de aplicações, desde assistentes conversacionais até
ferramentas de criação multimídia. Esses modelos deverão cumprir requisitos de transparência, como a divulgação de
documentação técnica e informações sobre o uso pretendido. Aqueles classificados como de risco sistêmico –
tipicamente os mais poderosos, com grande capacidade computacional – enfrentarão obrigações ainda mais
rigorosas, incluindo avaliações de segurança, mitigação de riscos e apresentação de relatórios detalhados, visando
prevenir que tais plataformas amplamente utilizadas gerem riscos difusos e incontroláveis.
Para assegurar a efetiva aplicação e harmonização do regulamento, uma sólida estrutura de governança europeia foi
estabelecida. A Comissão Europeia contará com o AI Office para a supervisão geral, enquanto o European AI Board
unirá representantes dos Estados-membros para coordenar a implementação. Um painel científico de peritos e um
fórum consultivo tripartite complementarão essa estrutura. Em âmbito nacional, cada Estado-membro deverá designar
autoridades competentes para fiscalizar o mercado e avaliar a conformidade. O regime de sanções prevê multas
significativas para violações graves, calculadas sobre o volume de negócios global das empresas, equilibrado por um
forte incentivo à inovação segura, através de sandboxes regulatórios, códigos de conduta e parcerias. Assim, o AI Act
projeta a União Europeia como precursora na criação de um ambiente de IA confiável e socialmente responsável.
Nesse sentido, o legislador Europeu assim conceituou a inteligência artificial, nos termos do artigo 3º, § 1º do
Regulamento:
“‘Sistema de IA’, um sistema baseado em máquinas concebido para funcionar com níveis de autonomia variáveis, e
que pode apresentar capacidade de adaptação após a implantação e que, para objetivos explícitos ou implícitos, e
com base nos dados de entrada que recebe, infere a forma de gerar resultados, tais como previsões, conteúdos,
recomendações ou decisões que podem influenciar ambientes físicos ou virtuais; [...].”
Como se observa, o AI Act propõe uma definição ampla e tecnicamente fundamentada para sistemas de IA refletida
no artigo 3º, § 1º, que busca capturar a diversidade de técnicas e aplicações existentes. Segundo o legislador
europeu, trata-se de um sistema baseado em máquinas, concebido para funcionar com diferentes níveis de
autonomia, capaz de se adaptar mesmo depois de colocado em funcionamento. Esse detalhe é crucial porque
reconhece que sistemas de IA não são todos igualmente “automáticos” ou “fixos”, mas variam desde aplicações
simples até arquiteturas complexas com aprendizagem, e precisam de um enquadramento jurídico que contemple
essa heterogeneidade sem deixar lacunas que impeçam a sua atração pelo sistema jurídico europeu46. Outrossim,
outro elemento central dessa definição é a capacidade de adaptação após a implantação, o que abrange sistemas que
melhoram ou ajustam seus resultados à medida que interagem com novos dados ou ambientes. Como tratado
anteriormente, essa característica distingue a IA de softwares tradicionais que operam de forma estática e previsível.
Ao reconhecer a adaptabilidade como componente essencial, o regulamento busca antecipar e regular riscos ligados
à imprevisibilidade e à evolução não supervisionada dos sistemas, além de impor responsabilidades claras a quem os
desenvolve ou utiliza. Assim, mesmo aplicações inicialmente seguras podem exigir monitorização contínua se tiverem
potencial de mudança comportamental ao longo do tempo, o que é comum em modelos de inteligência artificial.
No mesmo contexto, definição também enfatiza o processo de inferência: o sistema de IA, com base em dados de
entrada, infere como gerar resultados, o que indica que não se trata apenas de execução de regras pré-programadas.
A inferência é o núcleo técnico que diferencia IA de software determinístico: a máquina avalia dados novos e decide
como transformá-los em previsões, recomendações, conteúdos ou decisões. Essa dimensão inferencial implica riscos
como viés algorítmico, opacidade de funcionamento e possíveis erros ou manipulações que podem afetar direitos
fundamentais, justificando a necessidade de requisitos de explicabilidade, auditoria e supervisão humana previstos no
AI Act. Do mesmo modo, outro aspecto essencial dessa definição é o resultado gerado: previsões, conteúdos,
recomendações ou decisões que têm potencial para influenciar ambientes físicos ou virtuais. A lei europeia não limita
o conceito de IA a robôs ou aplicações “inteligentes” no senso popular, mas cobre desde motores de recomendação
em plataformas digitais até sistemas de controle industrial ou diagnóstico médico, a título exemplificativo. Em razão
disso, há uma espécie de garantia de que a regulação seja tecnologicamente neutra e abrangente47, evitando brechas
jurídicas que poderiam surgir com definições restritivas ou desatualizadas.
O que podemos observar é que, ao adotar essa definição, o legislador europeu procurou combinar rigor técnico e
abrangência prática. O objetivo é criar um quadro legal capaz de acompanhar a evolução tecnológica sem sufocar a
inovação, impondo obrigações proporcionais ao risco associado ao grau de autonomia, capacidade de adaptação e
potencial de impacto dos sistemas de IA. Essa abordagem reflete o equilíbrio central do AI Act: proteger direitos
fundamentais, ao mesmo tempo em que se promove um mercado único digital competitivo e seguro, onde a confiança
pública se torna motor de crescimento sustentável para a inteligência artificial naquela realidade.
4.2 O conceito de Inteligência Artificial no direito brasileiro
Como se sabe, o direito brasileiro ainda não dispõe de lei ordinária dedicada a regular o uso de sistemas dotados de
inteligência artificial. Contudo, em 2024 sobreveio a Resolução 23.732 do Tribunal Superior Eleitoral48 que, após
dedicada análise, aprovou nossa recomendação para fins de conceituar a inteligência artificial nas eleições. Com a
sua aprovação, a resolução entrou em pleno vigor e o conceito empregado foi utilizado durante todo o período
eleitoral. Nesse sentido, por força da referida resolução o direito teve pela primeira vez o conceito de inteligência
artificial inserido no ordenamento jurídico. Para tanto, nossa proposição aceita pelo TSE assim restou definida:
“Art. 37: Para o fim destaResolução, considera-se:
XXXIV – inteligência artificial (IA): sistema computacional desenvolvido com base em lógica, em representação do
conhecimento ou em aprendizagem de máquina, obtendo arquitetura que o habilita a utilizar dados de entrada
provenientes de máquinas ou seres humanos para, com maior ou menor grau de autonomia, produzir conteúdos
sintéticos, previsões, recomendações ou decisões que atendam a um conjunto de objetivos previamente definidos e
sejam aptos a influenciar ambientes virtuais ou reais.”
Como se observa, há nítida semelhança entre os conceitos de IA adotados pelo TSE e pelo definido no IA Act da UE.
Naturalmente, a razão se dá, pois, a fonte imediata do referido conceito foi o PL 2338/202349 cujo modelo regulatório
que está exposto é o mesmo adotado pelo IA Act na UE. Para tanto, devemos observar a redação da proposta
legislativa brasileira que visa criar o marco regulatório da IA no Brasil:
“Art. 4º Para as finalidades desta Lei, adotam-se as seguintes definições:
I – sistema de inteligência artificial: sistema computacional, com graus diferentes de autonomia, desenhado para inferir
como atingir um dado conjunto de objetivos, utilizando abordagens baseadas em aprendizagem de máquina e/ou
lógica e representação do conhecimento, por meio de dados de entrada provenientes de máquinas ou humanos, com
o objetivo de produzir previsões, recomendações ou decisões que possam influenciar o ambiente virtual ou real; [...].”
Outrossim, o conceito por nós desenvolvido para fins de atender a demanda do TSE também colheu da fonte norte-
americana. Nesse sentido, conforme definido na legislação federal norte-americana (15 U.S.C. § 9401(3))50,
inteligência artificial será:
“(3) Inteligência artificial
O termo ‘inteligência artificial’ significa um sistema baseado em máquina que pode, para um determinado conjunto de
objetivos definidos por seres humanos, fazer previsões, recomendações ou tomar decisões que influenciem ambientes
reais ou virtuais. Os sistemas de inteligência artificial utilizam entradas provenientes de máquinas e de seres humanos
para:
(A) perceber ambientes reais e virtuais;
(B) abstrair essas percepções em modelos por meio de análise de forma automatizada; e
(C) usar inferência a partir de modelos para formular opções de informação ou ação.”
Com efeito, é fundamental reconhecer que o conceito brasileiro proposto para o Tribunal Superior Eleitoral (TSE)
apresenta uma abordagem mais realista e adaptada às necessidades concretas do processo eleitoral. Enquanto os
modelos europeu, norte-americano e o próprio Projeto de Lei 2.338/2023 privilegiam formulações mais genéricas para
a inteligência artificial, a Resolução 23.732/2024 do TSE (LGL\2024\7189) foi além, buscando prevenir de forma mais
direta os riscos mais sensíveis ao contexto nacional, como a manipulação de conteúdo sintético. Ao incluirmos
expressamente a capacidade de “produzir conteúdos sintéticos” no conceito de inteligência artificial, o entendimento
aprovado pelo TSE demonstrou uma inequívoca visão prospectiva e uma relevante consciência dos avanços
tecnológicos mais recentes, em especial no cenário eleitoral, reconhecendo que a IA não é apenas um conjunto de
algoritmos, mas uma ferramenta capaz de gerar novas realidades e, inclusive, induzir o eleitor ao erro. De todo modo,
oportuno discorrer sobre todos os aspectos do conceito de IA empregado no TSE e, portanto, o primeiro inserido no
direito brasileiro.
Primeiramente, o conceito aprovado pelo TSE começa por definir a inteligência artificial como um “sistema
computacional”, ressaltando desde o início seu caráter técnico e instrumental. A opção por essa expressão reflete a
necessidade de reconhecer a IA como um conjunto estruturado de recursos computacionais – não apenas programas
isolados, mas também sistemas complexos que integram hardware, software e dados para alcançar objetivos
específicos. Esse enfoque evita ambiguidades e delimita o objeto regulado, afastando interpretações que possam
incluir meras planilhas eletrônicas ou estatísticas descritivas simples. Em seguida, o conceito explicita que tais
sistemas são “desenvolvidos com base em lógica, em representação do conhecimento ou em aprendizagem de
máquina”. Esse trecho tem importância técnica fundamental, pois identifica as principais abordagens de
desenvolvimento em IA contemporânea, abrangendo desde sistemas baseados em regras (lógica formal) até redes
neurais e modelos probabilísticos (aprendizado de máquina). Além disso, ao incluir “representação do conhecimento”,
o conceito cobre técnicas simbólicas, demonstrando neutralidade tecnológica e evitando limitar o alcance regulatório a
paradigmas específicos. Como estudado anteriormente, o desenvolvimento da capacidade de reconhecer e empregar
símbolos faz parte da própria concepção de IA.
Outro elemento importante é a referência à “arquitetura que o habilita a utilizar dados de entrada provenientes de
máquinas ou seres humanos”. Essa parte reforça a ideia de que os sistemas de IA são desenhados para processar e
integrar diferentes tipos de dados de entrada, reconhecendo a realidade dos sistemas híbridos que combinam
informações geradas por sensores, bases de dados automatizadas e inputs humanos. Essa previsão assegura
cobertura regulatória abrangente, impedindo brechas para sistemas que tentem se eximir da classificação de IA com
base na natureza de suas fontes de dados. A menção a “com maior ou menor grau de autonomia” demonstra um dos
aspectos mais modernos e realistas do conceito. Em vez de exigir um nível absoluto de autonomia – que poderia
excluir sistemas assistivos ou parcialmente automatizados –, o texto reconhece que a inteligência artificial opera em
um espectro contínuo de autonomia. Essa flexibilidade é essencial para acomodar tanto ferramentas de apoio à
decisão humana quanto sistemas capazes de agir de forma independente, garantindo um alcance regulatório
proporcional e razoável.
Outro ponto crucial é a previsão de que os sistemas de IA podem “produzir conteúdos sintéticos, previsões,
recomendações ou decisões”. Essa lista funcional detalha as saídas típicas dos sistemas de IA indo além da
abordagem genérica adotada em outros modelos legislativos. A inclusão expressa de “conteúdos sintéticos” é
especialmente relevante no contexto eleitoral, pois cobre tecnologias generativas como modelos de linguagem
avançados e geradores de imagens ou vídeos falsificados, que têm alto potencial de desinformação.
A expressão “que atendam a um conjunto de objetivos previamente definidos” introduz um importante requisito de
finalidade nos sistemas de IA. Ela explicita que os sistemas são construídos para cumprir metas determinadas por
seres humanos, destacando o caráter instrumental da IA e evitando a ideia equivocada de autonomia irrestrita ou
vontade própria. Essa parte do conceito reforça a responsabilidade humana no desenho e no uso dos sistemas,
elemento essencial para fundamentar obrigações legais e éticas.
Por fim, o conceito exige que as saídas dos sistemas de IA sejam “aptas a influenciar ambientes virtuais ou reais”.
Esse trecho sublinha o potencial transformador dos sistemas de IA e justifica sua regulação ao reconhecer que suas
decisões ou produtos podem impactar diretamente a sociedade. A redação evita regular sistemas puramente
analíticos ou experimentais sem efeito externo, concentrando a preocupação normativa em usos com relevância
prática e risco social concreto.
Vale ressaltar que, ao combinar essas diversas dimensões – técnicas, funcionais e finalísticas –, o conceito aprovado
pelo TSE adota uma perspectiva ampla, mas bem delimitada, capaz de capturar a complexidade dos sistemas de IA
sem renunciar à segurança jurídica. Cada elemento do conceito contribui para esclarecer o que se espera regular,
prevenindo discussões interpretativas infrutíferas e reduzindo incertezas para os agentes regulados. Ademais, a
formulação normativa reflete um claro compromisso com a neutralidade tecnológica, uma vez que não privilegia
nenhumatécnica ou arquitetura específica. Isso garante a longevidade do conceito, permitindo sua aplicação a novos
métodos e paradigmas que venham a surgir no futuro, sem necessidade de revisão legislativa constante.
No atual panorama digital, a ascensão da IA generativa – por meio de modelos como grandes modelos de linguagem
(LLMs) e geradores de imagens – tornou o conteúdo sintético vastamente acessível e sofisticado. Desse modo, a
menção específica a essa capacidade na resolução do TSE não é um detalhe menor, mas sim um movimento
estratégico. Com isso, garante-se uma clareza regulatória possibilitando que as ferramentas e normas existentes
sejam aplicadas de forma direta e eficaz aos casos de desinformação eleitoral orquestrada por meio de deepfakes ou
quaisquer outras formas de manipulação mediática gerada por computador. Esta especificidade evita ambiguidades
interpretativas que poderiam ser exploradas por atores mal-intencionados, que poderiam argumentar que a IA apenas
“auxilia” na criação, e não “produz” diretamente o conteúdo.
Essa proatividade do TSE em relação ao conteúdo sintético contrasta com a linguagem mais abstrata de outras
normativas que, embora abrangentes, poderiam enfrentar dificuldades maiores na subsunção de um deepfake51
orquestrado por IA sob suas definições generalistas de forma imediata e incontestável. A resolução do TSE, ao
nomear explicitamente a “produção de conteúdos sintéticos”, cria um elo direto e inegável entre a tecnologia de IA
generativa e a preocupação central com a desinformação eleitoral. Isso permite que a instituição reaja com maior
celeridade e base jurídica mais sólida contra a proliferação de materiais falsos ou enganosos que possam influenciar a
percepção do eleitorado, atuando como um escudo mais robusto contra as novas táticas de manipulação.
Adicionalmente, ao focar na capacidade geradora de conteúdo da IA como um ponto central do seu conceito, o TSE
endereça a complexidade de rastrear a origem e a autoria de desinformações que antes eram mais facilmente
identificáveis. A IA generativa permite a criação em massa e com baixo custo de narrativas falsas ou difamatórias com
alto grau de realismo, dificultando a distinção entre o real e o artificial. Ao especificar essa capacidade, o conceito do
TSE abre caminhos para a fiscalização não apenas do uso do conteúdo sintético, mas também das ferramentas e
processos tecnológicos empregados em sua criação, direcionando a responsabilidade também para a etapa de
produção e não apenas para a de disseminação.
Em uma análise comparativa, a definição da lei norte-americana, por exemplo, embora também detalhada, foca
demasiadamente em especificar as etapas internas de processamento da IA – mencionando aspectos como
percepção, abstração e inferência. Embora essa granularidade possa ser proveitosa para fins de padronização
estritamente técnica e para a engenharia de sistemas de IA, ela pode revelar-se excessivamente técnica e,
paradoxalmente, limitadora quando transposta para o contexto regulatório e jurídico. Essa abordagem tem o potencial
de restringir a aplicação da norma a sistemas que se encaixem perfeitamente nessas fases operacionais tradicionais,
potencialmente excluindo ou dificultando a regulação de novas arquiteturas ou modelos emergentes que combinam
módulos diversos de formas inesperadas.
Contrastando com essa especificidade de processo, o foco do TSE na capacidade de output da IA, especialmente na
produção de conteúdo sintético, posiciona o regulamento de forma mais resiliente às rápidas evoluções tecnológicas.
Ao priorizar o que a IA faz (produz conteúdo sintético, toma decisões) em vez de como ela faz (detalhes internos de
processamento), a Resolução do TSE adota uma abordagem mais pragmática e orientada para o impacto, tornando-a
menos suscetível à obsolescência diante de inovações disruptivas nos campos da IA Generativa e de outros
paradigmas computacionais. Essa escolha reflete uma preocupação em regulamentar o efeito da tecnologia na esfera
eleitoral, garantindo que a base normativa seja robusta o suficiente para lidar com as manifestações atuais e futuras
da IA, independentemente dos pormenores técnicos de sua construção interna.
5 Considerações finais
Com efeito, para além do contexto eleitoral, o debate sobre o conceito jurídico de inteligência artificial deve se
expandir rumo a um marco regulatório nacional amplo e coeso. Tal estrutura precisa equilibrar a proteção de direitos
fundamentais, o incentivo à inovação e a promoção da competitividade econômica, evitando tanto o proibicionismo
excessivo quanto a falta de regulação. O jurista brasileiro, nesse cenário, precisa ser proativo e crítico na formulação e
interpretação das normas sobre IA. Isso implica dominar os aspectos técnicos, identificar riscos sociais e econômicos,
e propor soluções normativas realistas, proporcionais e tecnologicamente neutras.
É crucial reconhecer que a inteligência artificial é uma ferramenta a serviço de interesses humanos, não um fim em si.
Toda regulação deve enfatizar a responsabilidade humana no desenvolvimento, uso e supervisão dos sistemas de IA,
prevenindo a transferência indevida de obrigações para entes não humanos ou abstrações algorítmicas. Por fim, a
construção de um conceito jurídico robusto de inteligência artificial é parte de um esforço maior de modernização do
direito para a era digital. A complexidade dos sistemas inteligentes exige uma abordagem interdisciplinar, unindo
conhecimento jurídico, técnico e ético, para construir um modelo regulatório que acompanhe a dinâmica tecnológica
sem abrir mão da proteção de valores essenciais.
Nesse sentido, destaca-se que o conceito jurídico de inteligência artificial aprovado pelo Tribunal Superior Eleitoral
representa, até o momento, o modelo mais amadurecido e adaptado às necessidades reais do ordenamento
brasileiro. Diferente de definições genéricas ou excessivamente técnicas, ele foi construído com atenção especial aos
riscos concretos, como a produção de conteúdos sintéticos e a manipulação informacional. Essa escolha revela um
compromisso com a realidade social do país, onde o uso político e eleitoral de tecnologias de IA demanda resposta
regulatória clara, efetiva e juridicamente segura.
Outro ponto relevante é a forma como o conceito do TSE alcança um equilíbrio entre rigor técnico e clareza normativa.
Ao incorporar elementos como lógica, representação do conhecimento e aprendizagem de máquina, a definição
garante abrangência tecnológica sem cair em restrições obsoletas. Como estudado, regular tecnologia é
extremamente sensível em razão da possibilidade de o texto aprovado ser superado pela tecnologia vindoura.
Portanto, ao exigir que os sistemas sejam aptos a influenciar ambientes reais ou virtuais com maior ou menor grau de
autonomia, o conceito se mostra suficientemente flexível para cobrir as inovações futuras, evitando lacunas
interpretativas que poderiam fragilizar a regulação.
Ademais, o modelo aprovado pelo TSE revela maturidade ao enfatizar a neutralidade tecnológica, não privilegiando
abordagens específicas nem se prendendo a determinadas arquiteturas ou métodos. Inobstante tenha sido
empregado para uma realidade específica, cumpre observar que o conceito por nós sugerido é plenamente aplicável e
empregável às realidades diversas, em especial para as situações que envolvem direito do consumidor, se assim
caminharem o legislador, a doutrina ou os precedentes.
6 Referências
ANDERLJUNG, Markus et al. Frontier AI Regulation: Managing Emerging Risks to Public Safety. 2023.
AZEVEDO, Álvaro Villaça. Direito das coisas. São Paulo: Atlas, 2014.
BERNHARDT, Chris. Turing’s Vision: The Birth of Computer Science. Cambridge, Massachusetts: MIT Press, 2016.
BITTAR, Carlos Alberto. Direito de autor. 7. ed. rev., atual e ampl por Eduardo C. B. Bittar. Rio de Janeiro: Forense,
2019.
BITTAR, Carlos Alberto. O regime legal do software no Brasil. Revista dos Tribunais, São Paulo, v. 677, p. 13-16, mar.
1992.
CAMBI, Eduardo; SCHMITZ, Nicole Naiara.