ARTIGO ORIGINAL
FAMA, Josué Sá [1]
FAMA, Josué Sá. A intersecção regulatória da inteligência artificial no Brasil: uma análise da tensão entre o fomento estratégico e as barreiras legais da PL 2.338/2023 orientada pela Política Nacional de Inovação. Revista Científica Multidisciplinar Núcleo do Conhecimento. Ano. 11, Ed. 02, Vol. 01, pp. 155-174. Fevereiro de 2026. ISSN: 2448-0959. Disponível em: https://www.nucleodoconhecimento.com.br/ciencia-da-computacao/inteligencia-artificial-no-brasil,
DOI: 10.32749/nucleodoconhecimento.com.br/ciencia-da-computacao/inteligencia-artificial-no-brasil
Este artigo investiga a assimetria crítica entre a estratégia nacional de fomento à Inteligência Artificial (IA), consubstanciada no Plano Brasileiro de IA (PBIA), e as barreiras normativas impostas pelo Projeto de Lei nº 2.338/2023. Adotando o arcabouço teórico da lei como uma “infraestrutura” que necessita de reinvenção para um mundo complexo, o objetivo é analisar como essa tensão impacta o ecossistema de inovação brasileiro, utilizando como pano de fundo a governança estabelecida pela Política Nacional de Inovação (PNI). A metodologia empregada consiste em uma análise da PL 2.338/2023 e de políticas públicas comparada dos três documentos-chave. Os resultados mostram que, enquanto o PBIA dispõe uma nova infraestrutura impulsionando o desenvolvimento tecnológica através de investimento, o Projeto de Lei n° 2.338/2023 cria um regime de conformidade e responsabilidade que pode se mostrar técnica e economicamente impraticável pressupondo, no mínimo, 21 bloqueios sistêmicos. O artigo prossegue uma base de soluções concretas para cada bloqueio identificado, defendendo uma a legislação que funcione como um instrumento de governança inteligente e pró-inovação. Conclui-se que a eficácia da estratégia nacional de IA estar condicionada a uma legislação que mitigue os riscos dos bloqueios que podem neutralizar os investimentos e comprometer a competitividade do país.
Palavras-chave: Inteligência Artificial, Regulação de Tecnologia, Direito e Inovação, Infraestrutura Legal.
O crescimento da inteligência artificial marca uma mudança de cenário, com impactos que saltam o campo tecnológico, trazendo um profundo impacto econômico, social e geopolítico, instigando uma corrida global pela liderança tecnológica. Neste panorama, o Brasil mostra sua intenção se posicionando como protagonista por meio de um robusto plano de ação de investimento, o que foi intitulado de Plano Brasileiro de Inteligência Artificial 2024-2028 (PBIA). O plano traça um investimento de R$23 bilhões em infraestrutura, capacitação e inovação. Horizontalmente, o Poder Legislativo avança na construção regulatória para a IA através do Projeto de Lei nº 2.338/2023. Ambos os posicionamentos são assistidos pela Política Nacional de Inovação (PNI), instituída pelo Decreto nº10.534/2020, que vela sobre os princípios e a estrutura de governança para o fomento à inovação no Brasil.
Este estudo parte da hipótese de que existe uma tensão preocupante entre a política de estímulo à IA no Brasil (PBIA) e a tentativa de discipliná-la por meio do PL 2.2338/2023. O problema de pesquisa que se coloca é: de que forma a tensão entre o vetor de aceleração estratégica e o vetor de contenção normativa impacta a viabilidade da estratégia nacional de IA? Para argumentar e responder a questão citada, vamos examinar essa tensão, identificar os bloqueios relativos aos direitos, deveres, relacionados também técnicas a inovação presentes na PL 2.338/2023 e medir a capacidade do arcabouço de governança existente no Plano Nacional de Inovação de harmonizar estes considerados vetores antagônicos. O artigo fundamenta-se na urgência em construir um ambiente regulatório que viabilize, em vez de obstruir, o desenvolvimento tecnológico soberano e competitivo do Brasil. A metodologia utilizada é a análise qualitativa de conteúdo dos três documentos primários supracitados, sob a ótica da doutrina do Direito e Tecnologia e da análise de políticas públicas.
Este artigo analisa esta conjuntura sob a ótica teórica da lei como uma “infraestrutura” – uma “plataforma quase invisível sobre a qual” a economia e a sociedade se baseiam (Hadfield apud Chen, 2018, p. 355). Argumenta-se que, enquanto o PBIA representa a tentativa de construir uma infraestrutura de IA moderna, o PL 2.338, com seus bloqueios, representa a velha infraestrutura legal, rígida e centralizada, que falha em se reinventar para um mundo complexo. Logo, o objetivo é examinar o desequilíbrio vetorial, identificar sistematicamente os bloqueios regulatórios e, concludentemente, propor soluções para equalizar a regulação com a estratégia nacional da harmonia para a inovação no Brasil.
Figura 1 – Diagrama conceitual da tensão entre a estratégia de fomento (PBIA), a proposta do marco legal da IA (PL 2.338/2023) e a égide da Política Nacional de Inovação (PNI)
Em contraste direto com a visão de fomento do PBIA, o PL nº 2.338/2023, em sua redação atual, institui um regime predominantemente restritivo e oneroso.
O cerne da discussão sobre a regulação de inteligência artificial, especialmente a partir de propostas como o PL 2.338/2023, precisa ser reorientado para um princípio fundamental: a defesa da inovação responsável. A tecnologia não deve ser vista como um adversário, mas como um motor de progresso social e econômico. O desafio não é freá-la, mas direcioná-la com um entendimento técnico preciso das suas mecânicas.
A legislação atual parte de uma premissa falha ao tratar modelos de linguagem de grande porte (LLMs) como meros repositórios de dados. Essa interpretação, tecnicamente equivocada, gera propostas normativas que, em vez de proteger, criam barreiras intransponíveis. A exigência de rastrear e remunerar individualmente cada fragmento de dado usado no treinamento de modelos que processam bilhões de informações e quebram a rastreabilidade é uma obrigação impossível de ser cumprida.
Barreiras e restrições tecnicamente desbalanceadas e, de forma técnica, inviáveis, além de prejudicar o avanço da tecnologia, comprometem o interesse público. O desenvolvimento de sistemas de IA mais justos, éticos e menos discriminatórios depende diretamente do acesso a vastas e diversificadas bases de dados para treinamento. A diversidade de dados é, na verdade, a principal ferramenta para mitigar vieses algorítmicos. Portanto, ao restringir o acesso a esses dados, a regulação, ironicamente, fomenta modelos mais tendenciosos.
A nossa posição é clara: precisamos construir uma ponte, não um muro. A regulamentação deve focar não em proibir o treinamento, mas em definir parâmetros de uso responsável dos modelos de IA. Isso inclui a criação de um regime de responsabilidade claro para os desenvolvedores e a garantia de que as ferramentas de IA sejam justas e seguras. O caminho para um futuro em que a inteligência artificial beneficie a todos é pavimentado pela colaboração, não pela confrontação. Uma IA verdadeiramente responsável nasce da inovação, e não dos bloqueios e inibições.
A exigência de uma Avaliação de Impacto Algorítmico (AIA) para todos os sistemas classificados como de alto risco, sem modulação para pequenas e médias empresas, e a instituição de um regime de responsabilidade civil objetiva com inversão do ônus da prova, criam um ambiente de elevado custo de conformidade e insegurança jurídica. Este cenário é particularmente prejudicial para o ecossistema de startups. Como aponta a literatura sobre o tema, um arcabouço regulatório excessivamente oneroso tende a criar barreiras de entrada que solidificam a posição de players já estabelecidos.
Nesse sentido, Coglianese (2017) afirma:
“…regimes regulatórios excessivamente complexos tendem a favorecer atores com maior capacidade institucional, criando barreiras indiretas à inovação e à entrada de novos agentes no mercado.”
Ademais, o projeto falha em estabelecer uma exceção clara para a mineração de texto e dados (TDM), prática essencial para o treinamento de modelos, e gera conflitos com a aplicação dos princípios da LGPD, como o da finalidade, à natureza de propósito geral dos modelos fundacionais. A ausência de um tratamento diferenciado para a pesquisa e para o software de código aberto completa um quadro que, em vez de fomentar, arrisca paralisar a inovação em seus estágios mais incipientes.
A Política Nacional de Inovação (PNI), instituída pelo Decreto nº 10.534/2020, representa o esforço estatal de estruturar uma governança sistêmica voltada ao fortalecimento da inovação no Brasil (Brasil, 2020). Seu desenho busca superar a fragmentação histórica das políticas de ciência e tecnologia, promovendo a transversalidade das ações governamentais e a cooperação interinstitucional. Como aponta a OECD (2023), o desafio brasileiro não se limita à criação de instrumentos normativos, mas envolve o fortalecimento de capacidades institucionais que deem suporte regular às iniciativas de inovação no setor público e privado. Em uma leitura prática, a PNI precisa dialogar com a realidade de diferentes órgãos, evitando que fique apenas na teoria como o registro histórico demonstra.
A literatura internacional oferece marcos interpretativos relevantes. O modelo da Tríplice Hélice — universidade, indústria e governo — mostra-se particularmente pertinente, pois revela a necessidade de interação dinâmica entre atores para a geração de conhecimento e transferência tecnológica. Entretando, é importante notar que o Brasil ainda enfrenta dificuldade em transformar essa tríplice em um mecanismo fluido, sobretudo devido à burocracia e às barreiras de financiamento. O Ipea (2015) já alertava que as condições estruturais da inovação exigem não apenas investimentos, mas também coordenação entre instituições e estabilidade regulatória.
Dito isto, a PNI organiza-se em eixos estratégicos que abrangem: (i) a formação de recursos humanos com ênfase em competências digitais; (ii) o fortalecimento da base científica e tecnológica nacional; (iii) o fomento à inovação empresarial, inclusive por meio de mecanismos de financiamento público-privado (iv) a promoção da cultura de inovação e da aceitação social de tecnologias emergentes; e (v) a redução das assimetrias regionais, integrando sustentabilidade e inclusão. Dos eixos citados, o ponto mais sensível é a redução das assimetrias regionais, já que boa parte dos programas de fomento se concentram em regiões específicas. Ainda que essa abordagem ecoe recomendações da Embrapii, Lei do Bem, sua efetividade depende da necessidade de alinhar políticas de inovação a estratégias empresariais de longo prazo.
É possível identificar, ainda antes da PNI, que o Brasil enfrentava o dilema entre expandir sua base científica e reduzir entraves burocráticos que historicamente limitaram a agilidade da inovação. Esse diagnóstico reforça que políticas de fomento só são eficazes quando acompanhadas de segurança jurídica e governança regulatória clara. Aqui, se observa um contraste: enquanto os relatórios internacionais apontam avanços conceituais, a execução no Brasil ainda sofre com a lentidão dos marcos regulatórios, ou seja, a execução interna é cheia de burocracia e entraves. Nesse sentido, podemos sublinhar que a proteção de dados pessoais e a construção de confiança social em novas tecnologias são elementos indispensáveis para que a inovação ocorra de forma legítima e sustentável.
Portanto, a PNI deve ser compreendida não apenas como um programa de incentivo econômico, mas como um arcabouço estruturante que orienta a calibragem entre regulação e fomento estratégico. No campo da inteligência artificial, essa diretriz torna-se ainda mais crítica: a regulação — como a proposta pelo PL nº 2.338/2023 — deve ser suficientemente robusta para mitigar riscos, mas também suficientemente flexível para não sufocar a experimentação científica e a cooperação entre universidades, empresas e governo. Não basta regular: é preciso regular com sensibilidade, protegendo a sociedade sem bloquear a dinâmica que move a pesquisa e a indústria. Em outras palavras, a PNI funciona como marco de referência para o equilíbrio entre inovação e confiança social, condição indispensável para o avanço sustentável da IA no Brasil.
A Política Nacional de Inovação (PNI) foi concebida para ser o arcabouço estruturante da ação estatal no fomento à inovação. Seu principal instrumento de governança, a Câmara de Inovação, é um órgão deliberativo interministerial com a competência de “formular, aprovar, coordenar e acompanhar a Estratégia Nacional de Inovação” (Brasil, 2020). Em teoria, a PNI constitui a plataforma ideal para mediar conflitos e alinhar as diversas políticas setoriais do Estado, garantindo coerência e sinergia.
O PBIA (MCTI, 2024) é uma declaração de política industrial e tecnológica. Seu Eixo 5, dedicado ao “Apoio ao Processo Regulatório“, antecipa os desafios normativos e propõe a criação de aparatos de inteligência, como o Observatório Brasileiro de IA (OBIA), para qualificar o debate. Ele representa o vetor de aceleração que o Estado busca acionar.
Em contraste direto com a visão de fomento, o PL nº 2.338/2023 institui um regime restritivo demonstrado no sumário visual abaixo:
Figura 2 – Sistematização dos 21 bloqueios normativos identificados no texto do PL 2.338, categorizados por natureza jurídica e operacional
A análise do texto revela uma densa matriz de barreiras operacionais e jurídicas que, somadas, criam um ecossistema regulatório adverso. Estes 21 bloqueios são sistematizados a seguir:
Neste eixo, o PL falha em compatibilizar a legislação existente com a realidade técnica da IA. Identificam-se: (1) a Impossibilidade de rastrear conteúdo, ignorando a natureza abstrata do treinamento de LLMs ou seja, a lei não reconhece que o treinamento de modelos de IA de grande porte transforma os dados em abstrações matemáticas, tornando impossível rastrear a origem de cada fragmento de texto ou imagem; (2) a remuneração inviável, que torna o treinamento economicamente proibitivo, essa exigência de remunerar os titulares de direitos autorais para cada obra usada no treinamento é tecnicamente e economicamente impraticável para modelos que se baseiam em bilhões de dados; (3) a falta de exceções para pesquisa (TDM), prática essencial para a inovação, o projeto de lei não estabelece uma exceção clara sobre essa prática em P&D, uma barreira que a comunidade do direito digital alerta poder “esfriar a crescente indústria de IA” (Mezei, 2021, p.3); e (4) vedações ao armazenamento que impedem a auditoria e o re-treinamento dos modelos, pois há proibição de armazenar cópias das obras por tempo superior ao necessário e a vedação de sua exibição tornando desafios técnicos para criação de modelos no contexto de treinamento e auditoria. Em relação à LGPD, surgem: (5) o conflito com o princípio da finalidade devido à natureza de propósito geral da IA os chamados modelos de propósito geral (SIAPG) tornando a finalidade incompatível; (6) o desafio ao princípio da necessidade, já que a mitigação de vieses requer mais, e não menos, dados, o que contradiz a realidade de que a qualidade e a mitigação de vieses em um modelo de IA dependem da diversidade e do volume de dados, incentivando, por vias tortas, modelos com mais vieses, discussões largamente abordadas na Europa sobre a aplicação do direito fundamental à proteção de dados a sistemas de IA e (7) a insegurança sobre dados sensíveis inferidos, de modo que, a interpretação de que o potencial de um modelo de “inferir” dados sensíveis já o classificaria como tratamento de dados sensíveis inibe o uso da base legal de legítimo interesse, essencial para muitos projetos de inovação.
Esta é a categoria mais densa, criando um ambiente de alta incerteza e custo. Inclui:
(8) a Avaliação de Impacto Algorítmico (AIA) onerosa, que cria uma barreira de entrada para startups, essa obrigatoriedade da AIA pra sistemas de alto risco cria um alto custo de entrada e uma barreira para startups e pequenas empresas, que não têm recursos para cumprir essa exigência, impedindo a entrada para startups e PMEs; (9) a incerteza regulatória advinda da possibilidade de reclassificação de risco a qualquer momento, essa possibilidade de a autoridade setorial de IA reclassificar um sistema de IA a qualquer momento (de baixo para alto risco), gera um ambiente de imprevisibilidade que desincentiva o investimento a longo prazo; (10) a responsabilidade civil excessiva (objetiva e com inversão do ônus da prova), pois o estabelecimento de responsabilidade civil objetiva para os agentes de IA, somado à inversão do ônus da prova, aumenta o risco jurídico e financeiro, podendo paralisar projetos promissores; (11) a duplicação de sanções com outras leis como CDC e LGPD, o PL não substitui mas complementa sanções já existentes em outras leis criando um quadro de punições cumulativas e mais severas; (12) a incerteza na regulação setorial, que pode levar a um ambiente fragmentado, criando um ambiente regulatório de difícil navegação; (13) a falta de diferenciação para código aberto, desconsiderando seu papel na inovação que é vital para o ecossistema de inovação aberta; (14) as restrições à pesquisa e desenvolvimento, pela ambiguidade na aplicação da lei a projetos não comerciais, na redação sobre quando um sistema é “colocado em circulação” pode estender as pesadas obrigações de conformidade a projetos em fase de P7D, paralisando a inovação em estágios iniciais; e (15) a notória ausência de incentivos, focando apenas em penalidades sem prever “sandboxes” regulatórios.
Finalmente, um grupo de bloqueios afeta a previsibilidade e a clareza do ambiente de negócios: (16) as disposições de segurança genéricas, que abrem margem para subjetividade da autoridade nas interpretações gerando incerteza; (17) o alto custo de conformidade geral, decorrente da soma das exigências, ou seja, o conjunto de exigências cria um custo de conformidade que favorece grandes corporações em detrimento de pequenos desenvolvedores; (18) a falta de transparência no processo regulatório para criação de normas complementares, de modo que, o PL não prevê um processo claro de consulta pública obrigatória para a criação de normas complementares pela autoridade, podendo levar a decisões que não refletem a realidade técnica; (19) a interferência na liberdade de expressão pela falta de diretrizes para sistemas de moderação, ou seja, a ausência de diretrizes claras para a regulação de IA em sistemas de moderação de conteúdo pode levar a decisões arbitrárias e dificultar o desenvolvimento de ferramentas éticas para combater a desinformação e fake news.; (20) o tempo de vigência indefinido, que pode criar um vácuo regulatório, além do longo prazo, a incerteza sobre as seções específicas podem gerar um período de limbo legal, sem clareza sobre o que é permitido; e (21) a vaga definição de “alto risco”, que gera cautela excessiva e inibe a inovação.
A vaga definição de “alto risco” e a falta de especificidade nas exigências de segurança conforme o bloqueio 16 são particularmente problemáticas, tais definições imprecisas ignoram a emergência de vetores de ataque dedicados para sistemas de IA, como envenenamento de dados, chamado de data poisoning e evasão de modelo conhecimento como model evasion, essas ameaças já mapeadas pelo World Economic Forum (2025, pág. 16) e o MITRE.
Dispõe-se, portanto, a transição para um modelo de governança capaz de gerenciar as grandes demandas da tecnologia, alinhado às melhores práticas de gestão de risco. A adoção de uma abordagem baseada em risco, espelha não só a estrutura do AI Act europeu, mas também a principalmente recomendação do World Economic Forum 2025, pág. 5) para que as empresas possam “inovar com confiança”. Acrescentamos que, a lei deve incentivar a adoção de um ciclo de vida de segurança que integre a mitigação de riscos desde a concepção conhecido como shift left até a operação e monitoramente contínuo chamado de expand right, conceitos fundamentais para a sustentação do ecossistema de IA (World Economic Forum, 2025, pág. 11)
A superação dos bloqueios normativos identificados exige mais do que emendas pontuais, demanda a releitura da própria disciplina regulatória, transitando de um paradigma de contenção para um de governança adaptado. Tal abordagem, alinhada aos “modos de governança” híbridos e co-regulatório, visa equilibrar a proteção de direitos fundamentais com o fomento à inovação. As propostas a seguir delineiam um caminho pragmático e academicamente fundamentado para esta revisão.
Figura 2 – Roteiro para a reforma do marco legal da IA, ilustrando a transição de um modelo restritivo para um modelo de governança através da implementação das soluções propostas
A infraestrutura legal para a IA depende de um regime de dados claro e viável. Em matéria de Direitos Autorais (Bloqueios 1-4), a medida mais crítica é a instituição de uma exceção legal explícita para Mineração de Texto e Dados, Text and Data Mining (TDM). A ausência de tal dispositivo coloca o Brasil em desvantagem competitiva. A União Europeia, por meio dos Artigos 3 e 4 da Diretiva de Copyright no Mercado Único Digital (CDSM), já estabeleceu um benchmark ao criar exceções mandatórias para TDM, reconhecendo-a como essencial. Como argumenta Sag (2019), a clareza jurídica sobre TDM é um fator determinante para a competitividade nacional em IA. A proposta, portanto, não é enfraquecer o direito autoral, mas reconhecer, como o faz a doutrina do fair use (Lemley; Casey, 2021), que o ato de “aprender” a partir de dados é inerentemente transformador e não substitui o mercado das obras originais.
Nesse contexto, os debates dos comitês multidisciplinares no Brasil, especialmente no âmbito da PL 2338/23, trazem aspectos centrais que evidenciam a especificidade técnica do treinamento de IA generativa. Em primeiro lugar, deve-se compreender que tais sistemas não operam sobre obras protegidas em sua inteireza, mas sobre representações matemáticas (tokens, vetores, padrões estatísticos), sem que haja, em regra, armazenamento integral do conteúdo original. Em segundo lugar, a ausência de rastreabilidade entre insumos e produtos inviabiliza qualquer pretensão de vinculação direta entre obra utilizada no treino e resultado gerado, o que reforça a inadequação de se tratar o processo de treinamento como equiparável ao uso individualizado de uma obra musical, literária ou jornalística. Daí decorre que a aferição de eventual violação autoral deve se concentrar no output, isto é, no conteúdo efetivamente gerado pela IA. Em terceiro lugar, o legislador deve enfrentar a questão do acesso a dados publicamente disponíveis, admitindo seu uso como insumo legítimo para treinamento, mas também disciplinando um mecanismo de opt-out, que preserve a autonomia do autor em negociar licenciamento oneroso, caso assim o deseje. Por fim, a exigência de transparência, mediante a divulgação de sumários que indiquem os tipos de materiais empregados nos datasets, surge como medida essencial de accountability e governança.
Assim, a harmonização normativa não deve se limitar à criação de uma exceção para TDM, mas avançar na incorporação de salvaguardas que conciliam proteção autoral, incentivo à inovação e segurança jurídica para o desenvolvimento de IA no país.
No que tange à proteção de dados pessoais (Bloqueios 5-7), a aplicação anacrônica da LGPD arrisca uma “esclerose normativa” (Hildebrandt, 2016). Propõe-se uma interpretação progressiva, guiada pela doutrina e pela prática das autoridades europeias. O conflito com o princípio da finalidade pode ser mitigado pela adoção do conceito de “compatibilidade de finalidades”. Quanto ao princípio da necessidade, a análise deve ser de proporcionalidade, reconhecendo que a mitigação de vieses discriminatórios – um objetivo central da própria regulação – muitas vezes exige mais, e não menos, dados (O’neil, 2016). Finalmente, a insegurança sobre dados inferidos deve ser resolvida com base na proposta de um “direito a inferências razoáveis” (Wachter; Mittelstadt, 2019), focando a regulação nas inferências de alto risco para o indivíduo, em vez de paralisar todo o desenvolvimento pela mera capacidade técnica de inferência do modelo.
Para os desafios de governança e responsabilidade (Bloqueios 8-15), a solução reside em abandonar a abordagem vaga e genérica por um modelo preciso e proporcional.
Primeiro, a definição de “alto risco” deve ser substituída por uma lista taxativa em anexo, seguindo o modelo do Anexo III do AI Act europeu. Essa abordagem oferece a segurança jurídica que, segundo Sunstein (2013), é essencial para uma regulação eficaz e de baixo custo. A Avaliação de Impacto Algorítmico (AIA) deve, então, ter seus requisitos escalonados, com regimes simplificados para PMEs.
Segundo, o regime de responsabilidade civil deve transitar do modelo objetivo para um subjetivo (baseado em culpa), com mecanismos que facilitem o ônus da prova para a vítima, como propõe a Diretiva de Responsabilidade por IA conforme determina a União Europeia. Isso incentiva a adoção de boas práticas de gestão de risco, alinhadas a frameworks técnicos como o NIST AI Risk Management Framework (AI RMF 1.0), em vez de simplesmente paralisar a inovação.
Terceiro, é imperativo criar um regime regulatório diferenciado para modelos de código aberto. Como demonstra o relatório do Stanford CRFM (2023) sobre o tema, uma regulação que não faz essa distinção falha em compreender a cadeia de valor da IA e desincentiva a transparência e a inovação colaborativa. A responsabilidade primária deve recair sobre quem implementa (deployer) o modelo em uma aplicação de alto risco.
Finalmente, a lei deve se tornar um instrumento de fomento ativo. A inclusão de mecanismos como os “Sandboxes Regulatórios” não é uma brecha, mas uma ferramenta de governança ágil, essencial para regular tecnologias emergentes.
Para os bloqueios de segurança jurídica e processual (16-21), a solução é fortalecer a previsibilidade e a legitimidade do ambiente regulatório.
Toda e qualquer norma complementar deve, por força de lei, ser precedida de consulta pública e análise de impacto regulatório, garantindo um processo transparente e participativo que confere legitimidade e eficácia à regulação (Coglianese, 2017).
Adicionalmente, em vez de criar do zero padrões de segurança vagos, a legislação brasileira deve incorporar por referência ou se alinhar a padrões técnicos internacionais já estabelecidos, como a norma ISO/IEC 42001 sobre sistemas de gestão de IA como também a norma ISO/IEC 23894 sobre orientações relacionado a gestão de riscos de sistemas de IA. Isso não apenas adota as melhores práticas globais, mas também facilita a conformidade para empresas brasileiras que buscam competir no mercado internacional. A clareza e a simplicidade das regras, como defende Sunstein (2013), são cruciais para que os agentes econômicos possam focar seus recursos em inovar, e não em decifrar a lei.
A análise dos três pilares da política de IA no Brasil – o arcabouço de governança (PNI), a estratégia de fomento (PBIA) e a proposta de regulação (PL 2.338/2023) – revela uma profunda e perigosa dissonância. Responde-se à questão de pesquisa afirmando que a tensão existente impõe um risco existencial à estratégia nacional de IA, podendo investir bilhões para construir uma superestrada digital (PBIA), mas a legislação em debate (PL 2.338) insiste em impor as regras de trânsito de uma carroça, falhando em “reinventar a infraestrutura legal” para o século XXI (Hadfield apud Chen, 2018).
Esse desalinho entre o fomento e contenção não é apenas uma questão acadêmica ou regulatória, mas um desafio central para a liderança de todos os setores da economia, principalmente o empresarial. Como destaca o World Economic Forum, a questão fundamental para as organizações é como “colher os benefícios da adoção da IA enquanto mitigam os riscos de cibersegurança associados” (pág. 4). Um marco legal que agrava os riscos, em vez de fornecer um caminho para gerenciá-los, deixa uma brecha em seu propósito fundamental de criar uma infraestrutura para a inovação segura.
A conclusão central deste estudo é que o sucesso do PBIA é contingente a uma reforma substancial do PL 2.338/2023, ou seja, a principal descoberta deste trabalho é a necessidade urgente de harmonizar a legislação com a estratégia nacional, e as propostas apresentadas oferecem um caminho viável. É imperativo que a regulação transite de um paradigma reativo e punitivo para um modelo de governança inteligente e adaptativa, que equilibre a proteção de direitos com o fomento à inovação. As contribuições desta pesquisa residem na sistematização dos pontos de atrito e na proposição de uma agenda de convergência. Recomenda-se a ativação da Câmara de Inovação para mediar o diálogo entre os poderes, a incorporação de subsídios técnicos do PBIA no processo legislativo e a revisão do projeto de lei para incluir exceções para TDM, regimes de responsabilidade modulada e “sandboxes regulatórios”. Somente com um marco legal que funcione como mapa, e não como armadilha, o Brasil poderá realizar o potencial transformador da Inteligência Artificial para o bem de todos.
BRASIL. Presidência da República. Decreto nº 10.534, de 28 de outubro de 2020. Institui a Política Nacional de Inovação e dispõe sobre a sua governança.
BRASIL. Senado Federal. Projeto de Lei nº 2.338, de 2023. Dispõe sobre o uso da Inteligência Artificial.
CHEN, James Ming. The Legal Instinct: Lawmaking as a Branch of Biolaw. [Review of the book Rules for a Flat World, by Gillian K. Hadfield]. Jurimetrics, v. 58, p. 353-376, Spring 2018.
COGLIANESE, Cary. Regulating by Robot: Administrative Decision Making in the Machine-Learning Era. The Georgetown Law Journal, v. 105, p. 1147-1223, 2017.
HILDEBRANDT, Mireille. Law as Information in the Era of Data-Driven Agency. The Modern Law Review, v. 79, n. 1, p. 1-30, 2016.
INSTITUTO DE PESQUISA ECONÔMICA APLICADA (IPEA). Custos da regulação no Brasil: uma análise a partir da percepção das empresas, publicado em+++ 2015. Disponível em: https://www.ipea.gov.br/portal/publicacoes. Acesso em: 5 fev. 2026.
LEMLEY, Mark A.; CASEY, Bryan. Fair Learning. Texas Law Review, v. 99, n. 4, p. 743-785, 2021.
MEZEI, Péter. [Review of the book Artificial Intelligence and Intellectual Property, edited by Jyh-An Lee, Reto M. Hilty & Kung-Chung Liu]. SSRN, 2021. Disponível em: https://ssrn.com/abstract=3938914.
MINISTÉRIO DA CIÊNCIA, TECNOLOGIA E INOVAÇÃO (MCTI). Proposta de Plano Brasileiro de Inteligência Artificial 2024-2028: IA para o Bem de Todos. Julho de 2024.
NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY (NIST). Artificial
Intelligence Risk Management Framework (AI RMF 1.0). Gaithersburg, MD, 2023.
O’NEIL, Cathy. Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy. New York: Crown, 2016.
ORGANISATION FOR ECONOMIC CO-OPERATION AND DEVELOPMENT (OECD). Disponível em: https://www.oecd.org/gov/regulatory-policy/regulatory-policy-outlook-2023/. Acesso em: 5 fev. 2026.
SAG, Matthew. The New Legal Landscape for Text Mining and Machine Learning. Journal of the Copyright Society of the U.S.A., v. 66, p. 291-352, 2019.
STANFORD UNIVERSITY CENTER FOR RESEARCH ON FOUNDATION MODELS (CRFM). On the Societal Impact of Open Foundation Models. 2023.
SUNSTEIN, Cass R. Simpler: The Future of Government. New York: Simon & Schuster, 2013.
WACHTER, Sandra; MITTELSTADT, Brent. A Right to Reasonable Inferences: Re-thinking Data Protection Law in the Age of Big Data and AI. Columbia Business Law Review, n. 2, p. 494-620, 2019.
WISCHMEYER, Thomas; RADEMACHER, Timo (Eds.). Regulating Artificial Intelligence. Cham: Springer, 2020. [Nota: Para ser mais preciso, você pode citar os capítulos específicos que usou, como por exemplo: HOFFMANN-RIEM, Wolfgang. “Artificial Intelligence as a Challenge for Law and Regulation.” In: WISCHMEYER, T.; RADEMACHER, T. (Eds.). Regulating Artificial Intelligence. Springer, 2020. p. 1-25.]
WORLD ECONOMIC FORUM. Artificial Intelligence and Cybersecurity: Balancing Risks and Rewards. White Paper. Geneva: World Economic Forum, January 2025 [data do documento]. In collaboration with the Global Cyber Security Capacity Centre, University of Oxford.
[1] Especialista em Direito Digital e em Privacidade e Proteção de Dados, com formação binacional em regimes de proteção de dados pessoais (LGPD – Fundação Escola Superior do Ministério Público, Brasil; GDPR – Universidade de Lisboa, Portugal), Tecnologia em Análise de Sistemas pela ETEP. ORCID: 0009-0007-0213-3447. Currículo Lattes: http://lattes.cnpq.br/5732641202606774.
Contribuição dos autores:
Josué Sá Fama: Concepção, planejamento, análise, interpretação e redação do trabalho.
Conflito de interesse:
Não há conflito de interesse.
Agradecimentos:
Não contém agradecimentos.
Financiamento:
Não há financiamento.
Nota:
O autor utilizou a Inteligência Artificial ChatGPT free para apontar erros de semântica, gramática e escrita apenas. No entanto, todas as buscas pelos conteúdos, classificação da qualidade dos artigos e materiais de apoio foram realizadas de maneira autoral.
Informações sobre Direitos Autorais e Licença:
Este é um artigo de Acesso Aberto distribuído sob os termos da Creative Commons Attribution License, que permite uso, distribuição e reprodução irrestritos em qualquer meio, desde que o autor e a fonte originais sejam creditados.
Os nomes e endereços informados nesta revista serão usados exclusivamente para os serviços prestados por esta publicação, não sendo disponibilizados para outras finalidades ou a terceiros.
Histórico da Publicação:
Material recebido: 29 de setembro de 2025.
Material aprovado pelos pares: 26 de novembro de 2025.
Material editado aprovado pelos autores: 18 de fevereiro de 2026.
O comércio eletrônico impõe aos sistemas de venda on-line elevada taxa de mudança em regras…
O objetivo deste estudo é compreender os sentimentos das primíparas frente às dificuldades no processo…
A gestão administrativa eficiente constitui um dos principais pilares de sustentação do desempenho organizacional no…
O artigo examina criticamente o fundamento da periculosidade nas medidas de segurança do direito penal…
O presente estudo analisa os desafios arquitetônicos relacionados ao desenvolvimento de banheiros acessíveis para pessoas
O objetivo deste artigo é relatar a experiência de intervenção realizada por acadêmicos de Psicologia…
