IA Generativa: Autoria, Responsabilidade e Viés

Quando classificar um caso como LS-06

Use a LS-06 quando um modelo generativo (LLM, difusão de imagem, geração de código) está no centro da controvérsia — como criador do conteúdo disputado, como causador do dano, ou como veículo de vazamento. Atenção ao concurso de categorias: output de IA que copia código protegido combina LS-06 + LS-03; funcionário que cola segredo no ChatGPT combina LS-06 + concorrência desleal.

Princípio reitor da LS-06: IA generativa é probabilística — o mesmo prompt pode dar outputs diferentes. Sem preservar o trio prompt + configuração + output com data/hora, o caso se torna indemonstrável.

Tipologia (com critério)

• LS-06.1 — Autoria do output. Quem é titular do que a IA gerou? A análise técnica mede o grau de contribuição humana (prompts iterativos, curadoria, edição) versus geração automática.
• LS-06.2 — Dados de treinamento protegidos. O modelo reproduz substancialmente conteúdo protegido presente no treinamento? Exame de regurgitação e similaridade output × fonte.
• LS-06.3 — Decisão automatizada danosa. Crédito negado, triagem errada, diagnóstico falho: onde no pipeline o erro nasceu (dado de entrada, modelo, threshold, integração)?
• LS-06.4 — Viés algorítmico. Tratamento desigual mensurável entre grupos. Auditoria de fairness com inputs controlados.
• LS-06.5 — Vazamento por prompt. Dados confidenciais ou pessoais inseridos em ferramentas de IA por colaboradores.

Protocolo executável — 6 etapas

1. Etapa 1 — Preservação do trio prompt/configuração/output.
   Objetivo: congelar o fato antes que ele se torne irreproduzível.
   Execução: exportar o histórico da conversa/geração (a maioria das plataformas permite); capturar modelo e versão, parâmetros (temperature, top-p, system prompt quando acessível), data/hora e conta; gravar a tela da sessão; hash de tudo.
   Entregável: pacote de evidência do evento generativo.
2. Etapa 2 — Identificação do sistema.
   Objetivo: saber exatamente O QUE gerou o conteúdo.
   Execução: distinguir o modelo base (GPT-x, Claude, Llama), a aplicação sobre ele (chat corporativo, copiloto, SaaS de terceiro), e camadas intermediárias (RAG, fine-tuning, agentes); obter dos fornecedores a documentação da versão vigente na época (model cards, changelogs).
   Entregável: ficha técnica do sistema na data dos fatos.
3. Etapa 3 — Reprodução controlada.
   Objetivo: testar se o comportamento se repete e em que condições.
   Execução: repetir o prompt na mesma versão (quando ainda disponível) N vezes, variando temperatura, documentando a distribuição de outputs; declarar honestamente no laudo o caráter estocástico e o que a reprodução demonstra (tendência, não determinismo).
   Entregável: protocolo de reprodução com resultados tabulados.
4. Etapa 4 — Análise de conteúdo (por subtipo).
   Execução:
   • LS-06.1: reconstruir a cadeia de prompts e edições humanas; medir a distância entre o output bruto e o resultado final publicado;
   • LS-06.2: comparar o output com a obra supostamente regurgitada usando o método de camadas da LS-03 (léxica/estrutural/semântica);
   • LS-06.3: mapear o pipeline de decisão (input → features → modelo → threshold → ação) e posicionar o erro com dados do caso concreto;
   • LS-06.4: bateria de inputs controlados variando apenas o atributo protegido (nome, gênero, CEP), com métricas de disparidade documentadas;
   • LS-06.5: exame de logs da ferramenta, histórico de prompts e políticas internas; verificação do que o fornecedor declara reter/treinar.
   Entregável: análise específica do subtipo, com método declarado.
5. Etapa 5 — Cadeia de responsabilidade.
   Objetivo: distribuir tecnicamente a causa entre os atores.
   Execução: quadro desenvolvedor do modelo × integrador/aplicação × operador/usuário: quem definiu o system prompt? quem calibrou o threshold? quem inseriu o dado? o uso violou os termos da ferramenta?
   Entregável: matriz de responsabilidade técnica.
6. Etapa 6 — Laudo com limites declarados.
   Execução: conclusões proporcionais à natureza probabilística; distinguir o que é demonstrado (logs, histórico) do que é inferido (tendência estatística); traduzir para o juízo sem antropomorfizar ("o modelo tende a", nunca "o modelo quis").
   Entregável: laudo/parecer com metodologia reproduzível e incertezas explícitas.

Checklist do advogado

• Exportar/preservar JÁ o histórico da conversa/geração — contas são apagadas e modelos são descontinuados;
• Identificar a versão do modelo na data do fato (changelogs, faturas, contratos);
• Em decisão automatizada: requerer os logs de input/output do caso concreto e a documentação do modelo (LGPD art. 20 — revisão de decisão automatizada).

Erros comuns

• Tentar reproduzir meses depois em versão diferente do modelo e tratar o resultado como prova do passado;
• Laudo que antropomorfiza ("a IA decidiu enganar") — cai na contradita e desmoraliza a prova;
• Ignorar as camadas intermediárias (RAG, system prompt do integrador) e atribuir tudo ao modelo base.

Base legal (em formação)

Leis 9.609/98 e 9.610/98 (autoralidade — aplicação a outputs de IA em debate). LGPD: art. 20 (revisão de decisão automatizada), arts. 37/46/48. CDC (defeito de serviço com decisão automatizada). Marco Civil. PL 2338/2023 (Marco Legal da IA, em tramitação) e diretrizes da ANPD.

Quesitos-modelo

• "Queira o Sr. Perito informar qual modelo, versão e configuração geraram o conteúdo objeto da lide, e se o histórico preservado (prompt, parâmetros e output) permite reconstituir o evento com data e hora."
• "Queira o Sr. Perito, mediante bateria de testes controlados variando exclusivamente o atributo X, informar se o sistema produz tratamento estatisticamente distinto entre os grupos, quantificando a disparidade."