Era uma vez a inteligência artificial que só leu Machado de Assis

Projeto de Lei 2.338/2023 reacende discussão sobre remuneração por obras protegidas e os riscos de excluir a produção cultural brasileira contemporânea dos sistemas de IA

Por Luis Fernando Prado

Foto: Igor Omilaev na Unsplash

Imagine um laboratório de tecnologia brasileiro decidido a reduzir ao máximo os riscos autorais no desenvolvimento de inteligência artificial (IA). Para isso, adota uma regra simples: na etapa de treinamento, o modelo desse laboratório só tem contato com obras em domínio público, com textos sintéticos produzidos por outras máquinas e com o conteúdo ínfimo que foi possível licenciar.

Ao concluir o treinamento, os desenvolvedores percebem que o modelo é capaz de gerar excelentes textos. Ele conhece Machado de Assis de trás para frente, cita Euclides da Cunha, reconhece a ironia de Lima Barreto e a secura de Graciliano Ramos.

No entanto, sem acesso a outros catálogos, o modelo pouco sabe sobre Clarice Lispector, cuja obra só entrará em domínio público em 2048, Guimarães Rosa (2038) ou Drummond (2058). Também ficaram de fora Quarto de Despejo, diário em que Carolina Maria de Jesus registrou a fome e a vida como catadora de papel na favela do Canindé, e os estudos, resenhas e aulas disponíveis publicamente que ajudam a interpretar e difundir o livro, protegido até 2048.

Faltam ainda os artigos científicos que servem para explicar como a medicina brasileira enfrentou a pandemia de covid-19, a crônica que viralizou ontem e tantos outros textos em que aparecem as gírias e os regionalismos do português que se fala e se escreve hoje. Para esse modelo, uma parte importante do Brasil contemporâneo não existe.

Pergunte a ele sobre o Brasil e a resposta poderá vir gramaticalmente impecável, mas carregada das referências de um país que ficou no século passado. Ele descreverá o trabalho, a cidade, as questões de gênero, saúde e cultura com as categorias de quem escrevia antes de a televisão chegar às casas, da Constituição de 1988 e da internet.

A fábula é propositalmente exagerada, mas ilumina um problema presente no debate sobre a regulação de IA. O texto do Projeto de Lei 2.338/2023, aprovado pelo Senado e hoje em análise na Câmara, prevê remuneração pelo “uso” de conteúdo protegido no treinamento e reconhece aos titulares o direito de proibir esse uso.

Se o acesso à produção contemporânea depender, na prática, de negociações que poucos conseguem viabilizar, o repertório “seguro” de um laboratório com recursos limitados tende a se reduzir a três fontes: o passado, o sintético e o licenciável.

O sintético

A ideia de que máquinas podem aprender com o que outras máquinas escrevem foi testada. Um estudo publicado na Nature em 2024 mostrou que substituir dados reais por conteúdo gerado por modelos, em sucessivas gerações de treinamento, pode levar ao chamado “colapso do modelo”: uma degradação progressiva de sua capacidade de representar os dados originais. Entre os efeitos observados está a perda das chamadas caudas da distribuição, isto é, dos padrões menos frequentes nos dados.

Nesse ponto, a preocupação cultural é evidente: entre os padrões menos frequentes podem estar o regional, o divergente e as vozes que já encontram pouco espaço. Outros estudos indicam que, nas condições testadas, preservar os dados reais e acumular os sintéticos ao lado deles pode evitar o colapso. O sintético pode complementar a produção humana, mas não substituí-la: sem dados reais e diversos na origem, não há o que preservar.

O licenciável

Grandes editoras e conglomerados de mídia têm escala e estrutura para negociar seus catálogos. Já o blog de uma pequena editora, o poeta de slam, o rapper da periferia e o coletivo indígena que publica em português e em sua própria língua correm o risco de ficar fora da mesa de negociação quando o custo de identificar titulares e negociar permissões não compensa. O problema não é a existência de licenças, mas a possibilidade de o acesso aos dados ficar concentrado em quem, nos dois lados da mesa, tem recursos para negociá-las.

A jurista canadense Carys Craig, que tem escrito criticamente sobre os riscos da IA, aponta esse efeito: se apenas textos de fontes culturalmente privilegiadas chegarem aos conjuntos de dados licenciados, o resultado tende a ser o reforço de hierarquias culturais e de conhecimento e o apagamento gradual das vozes das margens. Eis o paradoxo. Uma regra apresentada como proteção ao criador pode excluir justamente os criadores com menor poder de negociação, enquanto os grandes catálogos têm melhores condições de chegar aos modelos.

Na coleta de setembro de 2026 do Common Crawl, um acervo aberto da web utilizado no treinamento de modelos, o inglês responde por cerca de 42% das páginas analisadas, e o português, por 2,5%. Para cada página em português, há aproximadamente dezessete em inglês.

Barreiras adicionais ao uso desse conteúdo recaem justamente sobre o que já é escasso. O risco é que o Brasil se torne cada vez mais consumidor de modelos treinados em outros lugares, com outros textos e maior peso de referências alheias. O Brasil que não entra no input dificilmente é considerado, em toda a sua diversidade, no output.

Isso também tem dimensão constitucional. O art. 215 da Constituição Federal garante a todos o acesso às fontes da cultura nacional. O art. 216, por sua vez, inclui no patrimônio cultural brasileiro as formas de expressão e os modos de criar, fazer e viver dos grupos formadores da sociedade brasileira. A proteção constitucional aos direitos autorais precisa conviver com esses compromissos.

Um modelo que desconhece a cultura brasileira contemporânea não é neutro: ele deixa essa cultura de fora das respostas que as pessoas vão ler na escola, no serviço público e no trabalho. Viés algorítmico não nasce só do que a máquina aprende, mas também do que ela foi impedida de aprender.

Nada disso autoriza um vale-tudo. Uma abordagem equilibrada exige contrapartidas. A primeira está no acesso lícito ao conteúdo usado no treinamento, por exemplo, sem burlar barreiras técnicas de acesso. A segunda está nas salvaguardas contra a reprodução indevida de obras nos resultados.

Em 1873, no ensaio Instinto de Nacionalidade, Machado de Assis escreveu que o que se deve exigir do escritor, antes de tudo, é “certo sentimento íntimo, que o torne homem do seu tempo e do seu país”. Deveríamos exigir o mesmo das máquinas que, cada vez mais, vão escrever conosco. E isso elas não aprendem lendo só Machado.

Era uma vez uma inteligência artificial que só leu Machado de Assis… Que continue sendo apenas uma história.

Luis Fernando Prado é diretor-executivo do Instituto Brasileiro de Inovação e Regulação Aplicada (IBIRA), sócio do Prado Vidigal Advogados e líder do Comitê de IA Responsável da Associação Brasileira de IA (Abria).

https://monitormercantil.com.br/era-uma-vez-a-inteligencia-artificial-que-so-leu-machado-de-assis/