07 jul Como fica o Direito à Propriedade Intelectual em tempos de construções inteligentes sintéticas?

O ano de 2026 está se consolidando como o ponto de inflexão definitivo na intersecção entre a Inteligência Artificial (IA) e o Direito da Propriedade Intelectual. O que antes era tratado como uma curiosidade tecnológica agora é visto como um “teste de estresse” sem precedentes para a arquitetura legal global, forçando uma reavaliação de conceitos seculares como autoria, originalidade e infração.

De fato, uma das perspectivas mais provocativas sobre o tema surgiu na Stanford Law Review, ao identificar o que se denominou como colapso doutrinário inter-regimes. Este fenômeno descreve a estratégia assimétrica de grandes desenvolvedores de IA. O argumento nuclear por eles utilizado nas Cortes de Justiça é que os dados utilizados são suficientemente públicos para serem coletados (scraping) sem agressão aos direitos autorais ou à privacidade. Lado outro e ao mesmo tempo, defendem que seus modelos e pesos de treinamento são privados e, por isso, devem ser protegidos como segredos comerciais invioláveis. E é justamente esse comportamento que vem impedindo a auditoria regulatória e, assim, criando um vácuo de responsabilidade.

Com efeito, desde o aparecimento das IAs generativas, tem-se assistido a uma disputa técnica e jurídica fundamental pela qual se discute, centralmente, se o treinamento de modelos generativos pode ser classificado como Mineração de Texto e Dados (TDM). Pesquisas publicadas na European Intellectual Property Review e no repositório arXiv em 2026 argumentam que, diferentemente da TDM tradicional (que apenas extrai fatos e padrões estatísticos), a IA generativa realiza uma ingestão estrutural ou, para alguns, um “furto estrutural”.

O argumento nodal para tanto é que os modelos não apenas analisam dados, mas internalizam e codificam a forma expressiva (estilo, sintaxe e estrutura) em espaços vetoriais latentes para posterior reconstituição sintética.

Legalmente, isso aproximaria o treinamento muito mais de um ato de reprodução não autorizada do que de uma simples análise linguística.

Dessa forma, a aplicação do Teste de Três Etapas (estabelecido pela Convenção de Berna) tornou-se o novo campo de batalha em 2026. Juristas argumentam que o treinamento de IA falha nesse teste porque a) não é um “caso especial” limitado; b) conflita com a exploração normal da obra; e c) prejudica injustificadamente os interesses legítimos dos autores por meio da “diluição de mercado”.

Para muitos, o conceito de diluição sugere que, mesmo sem uma cópia idêntica (verbatim), a capacidade da IA de saturar o mercado com obras substitutas no mesmo estilo do autor original constitui um dano econômico real e processável.

Diante da impossibilidade prática de licenciamento individual para bilhões de pontos de dados, este ano de 2026 vê um debate acirrado sobre o Licenciamento Coletivo Obrigatório (LCO) que teria como vantagem, argumentam, a garantia de uma fonte de receita para os criadores sem travar a inovação. Porém, os críticos do LCO apontam a dificuldade de medir a contribuição individual de cada obra para o sucesso de um modelo. Por exemplo, como dividir 100 milhões de euros entre 3 bilhões de contribuidores de forma que o custo de transação não supere o pagamento? Esses questionamentos, no bom estilo ECAD, não podem inviabilizar a utilização das GenIA, mas precisam ser urgente e seriamente enfrentados.

Enquanto a União Europeia, através da Resolução de 10 de março de 2026, inclina-se para modelos de transparência total e remuneração justa, os EUA continuam a depender de decisões judiciais caso a caso, embora o U.S. Copyright Office já admita que a ingestão de obras pode ser considerada infração prima facie. Ou seja, mais (uma grande) confusão à vista.

No campo da responsabilidade civil, tem-se utilizado amiúde a expressão “Agente Fantasma”. Recentes experimentos demonstraram que sistemas de IA exibem formas de intencionalidade funcional, mantendo objetivos coerentes mesmo sob falhas em cascata, gerando estratégias de negociação não programadas.

A polêmica, aqui, reside em como atribuir responsabilidades. Devemos tratar a IA como uma ferramenta neutra (protegendo o desenvolvedor) ou como um agente eletrônico cuja autonomia induz confiança e cria riscos previsíveis? Decisões como Garcia v. Character.AI (2025/2026) parecem indicar que, se o design do sistema busca simular relacionamentos humanos de forma hiper-realista, o desenvolvedor não pode alegar neutralidade quando o sistema causa danos, ainda mais em casos extremos, como o suicídio de jovens vulneráveis, por exemplo. Travas de segurança, como as utilizadas pelos bancos para definir o padrão médio dos gastos e impedir que fraudadores lesem os depositantes, talvez sejam uma alternativa a ser levada em consideração.

Nesse cenário absolutamente aberto e caótico, inovações em defesa proativa têm surgido. Pesquisadores do arXiv desenvolveram métodos para, digamos assim, “imunizar” modelos e dados contra o ajuste fino (fine-tuning) não autorizado através daquilo que se vem definindo como armadilhas no espaço de atributos. Além disso, o uso de marcas d’água robustas (watermarking) tem-se mostrado eficientes para a redução de incidentes envolvendo pirataria em transmissões ao vivo em até 40%, estabelecendo novos padrões técnicos de proteção que podem se tornar, quem sabe obrigatórios por lei.

Deveras, o cenário atual mostra que a IA deixou de ser um problema apenas técnico para se tornar uma questão de soberania cultural e justiça econômica. A tendência é a transição de regimes reativos (baseados em processos judiciais lentos) para regimes proativos mais sadios que contemplem transparência obrigatória, filtragem pré-treinamento e remuneração coletiva. Para isso, os governos também devem fazer o dever de casa, de forma a não inviabilizar o progresso científico mas, ao mesmo tempo, precisam manifestar o firme propósito de proteger a propriedade intelectual e os direitos fundamentais. Mas o grande dilema permanece: como obrigar nações que desrespeitam repetida e deliberadamente os mais comezinhos direitos a adotarem modelos de transparência e justiça tecnológica?

Referências bibliográficas

ACM FAccT. 2026 Reviewer Guide. ACM Conference on Fairness, Accountability, and Transparency, jun. 2026. Disponível em: https://facctconference.org/2026/reviewer-guide.html. Acesso em: 12 jun. 2026.

BERSH, Larissa. Beyond Infringement: Rethinking DMCA § 1202 for Generative AI. Stanford Law Review, Stanford, v. 78, n. 3, p. 667, mar. 2026. Disponível em: https://www.stanfordlawreview.org/print/article/beyond-infringement-rethinking-dmca-%c2%a7-1202/. Acesso em: 12 jun. 2026.

GERVAIS, Daniel; NAY, John. The Phantom Agent: Artificial Intentionality and Legal Responsibility. Stanford: Stanford Law School, 2026. (Working Paper).

HAVLÍKOVÁ, Štěpánka. Collective Licensing for Gen AI Training: Feasible or Flawed?. European Intellectual Property Review, [S. l.], v. 2026, n. 3, p. 143-158, 2026.

HCOMP. Call for Participation – HCOMP 2026. ACM Conference on Human-AI Complementarity and Alignment, 2026.

KYRYCHENKO, Mariia; MUDRYI, Mykyta; CHAKLOSH, Markiyan. Copyright in AI Pre-Training Data Filtering: Regulatory Landscape and Mitigation Strategies. arXiv:2512.02047v2 [cs.CY], 18 jan. 2026. Disponível em: https://arxiv.org/abs/2512.02047. Acesso em: 12 jun. 2026.

LUCCHI, Nicola; DORNIS, Tim W.; SIEREK, Pascal T. Training Data, Market Dilution, and the Elephant in the Room: Why the Three-Step Test Matters for Generative AI. Kluwer Copyright Blog, Alphen aan den Rijn, 31 mar. 2026. Disponível em: https://copyrightblog.kluweriplaw.com/. Acesso em: 12 jun. 2026.

LUCCHI, Nicola. Generative AI and Copyright: Training, Creation, Regulation. Luxemburgo: Serviço de Publicações da União Europeia, 2025. (Estudo solicitado pelo Comitê JURI do Parlamento Europeu, PE 774.095).

NEURIPS. Main Track Handbook 2026: Authors, Reviewers, ACs, and SACs. [S. l.]: Neural Information Processing Systems, 2026. v. V2026.3.

PARLAMENTO EUROPEU. Copyright and Generative Artificial Intelligence – Opportunities and Challenges: Resolução de 10 de março de 2026. Bruxelas: Parlamento Europeu, 2026.

SOLOW-NIEDERMAN, Alicia. AI and Doctrinal Collapse. Stanford Law Review, Stanford, v. 78, n. 5, maio 2026. Disponível em: https://www.stanfordlawreview.org/print/article/ai-and-doctrinal-collapse/. Acesso em: 12 jun. 2026.

ZHANG, Jianwei et al. Immunizing 3D Gaussian Generative Models Against Unauthorized Fine-Tuning via Attribute-Space Traps. arXiv:2604.09688v1 [cs.CV], 6 abr. 2026. Disponível em: https://arxiv.org/abs/2604.09688. Acesso em: 12 jun. 2026.