# IA, LGPD e Compliance

> Como usar IA dentro da lei — princípios e bases legais da LGPD, dados pessoais em modelos e RAG, decisões automatizadas, supervisão humana, riscos, drift e um checklist antes de ir para produção.

## Visão geral

Colocar IA em produção exige três tipos de prova: **desempenho técnico** (o modelo acerta?), **desempenho organizacional** (gera resultado?) e **legitimidade jurídica e institucional** (é permitido e justo?). A LGPD (Lei nº 13.709/2018) é o marco brasileiro para o terceiro ponto sempre que houver dado pessoal.

A lógica de trabalho é: **princípio → pergunta de projeto → controle**.

## Lendo números de adoção sem se enganar

- Indicadores de pesquisas de mercado (uso de IA, impacto no lucro, empresas de alto desempenho) **não formam um funil**: são perguntas diferentes.
- Diferença de pontos percentuais não é crescimento percentual: de 15% para 34% são **19 p.p.**, não "19% de crescimento".
- "X% das horas têm potencial técnico de automação" **não** é previsão de desemprego: faltam viabilidade econômica, organizacional e jurídica.
- Dados de países diferentes, com anos e metodologias diferentes, não são comparáveis.

## Conceitos técnicos que importam para a lei

- **Treinamento** e **fine-tuning** alteram os parâmetros do modelo; o **RAG** não, por si só.
- O RAG pode **vazar dado** se ignorar permissões: um usuário não pode receber um trecho de documento que não poderia ver.
- **Data drift**: a distribuição das entradas muda. **Concept drift**: muda a relação entre entrada e saída. Os dois exigem **monitoramento** depois do deploy.
- **DSS** (sistema de apoio à decisão: o humano decide) × **ADM** (decisão automatizada: o sistema decide). Atenção ao **viés de automação** — aceitar a sugestão da máquina sem pensar.

## LGPD em 10 princípios (art. 6º)

Finalidade, adequação, necessidade, livre acesso, qualidade dos dados, transparência, segurança, prevenção, não discriminação, responsabilização e prestação de contas.

Cada princípio vira uma pergunta de projeto. Ex.: *necessidade* → "o modelo precisa mesmo do CPF ou basta um identificador interno?".

## Dados pessoais: o que conta

- **Pseudonimizado** (trocar nome por código, mantendo a chave) **continua sendo dado pessoal**.
- **Anonimizado** de forma irreversível deixa de ser.
- **Dado inferido** (o que o modelo deduz sobre a pessoa) também é coberto pela lei.
- **Dados sensíveis** (saúde, origem racial, religião, biometria, entre outros) têm regras mais rígidas.

## Bases legais

- O **consentimento não é a base universal**: há outras hipóteses nos arts. 7º (dados pessoais) e 11 (dados sensíveis), como execução de contrato, obrigação legal e legítimo interesse.
- **Legítimo interesse não serve como base geral para dado sensível.**

## Decisões automatizadas (art. 20)

O titular pode pedir **revisão** de decisões tomadas unicamente com base em tratamento automatizado que afetem seus interesses, e tem direito a informações sobre os **critérios e procedimentos** usados, respeitados os segredos comercial e industrial. A ANPD pode fazer auditoria. O texto atual não exige que a revisão seja feita por uma pessoa natural, mas a governança deve definir quem revisa.

## Três perguntas ao contratar uma solução de IA

1. Quais dados **ajustam** o modelo (treino e fine-tuning)?
2. Quais dados são **recuperados** durante o uso (RAG, conectores)?
3. Quais dados são **enviados ao fornecedor** na inferência — e ele os usa para treinar?

Usar ChatGPT, Claude, Gemini ou similares em geral implica **transferência internacional** de dados e dependência dos termos do fornecedor.

## Quando usar cada técnica

- **Fine-tuning**: taxonomias e tarefas estáveis (ex.: classificar fraude).
- **RAG**: documentos que mudam com frequência.
- **Treinamento do zero**: capacidades gerais (raro fora de grandes empresas).

## Supervisão humana

| Nível | Papel do humano | Quando |
|---|---|---|
| *Human in the loop* | integra cada decisão | alto impacto |
| *Human on the loop* | supervisiona e pode intervir | impacto moderado |
| *Human out of the loop* | não intervém | só baixo impacto e com controles |

Nenhuma dessas siglas é garantia jurídica por si: o que vale é a governança documentada. **Quem responde pela decisão de um agente de IA?** Quem a governança indicar — o sistema não tem personalidade jurídica.

## Riscos e impactos

- **Avaliação de risco** (*risk assessment*): eventos adversos possíveis e sua mitigação.
- **Avaliação de impacto** (*impact assessment*): efeito sobre pessoas e direitos. Na LGPD, o **RIPD** (relatório de impacto à proteção de dados).
- **Prova por evidência**: hipótese → protocolo de teste → execução → achados → mitigação. Ambientes de **sandbox regulatório** testam soluções sob supervisão, mas **não são aprovação comercial**.

## Checklist antes de colocar em produção

1. A **finalidade** está definida e documentada?
2. Os dados usados são os **necessários** (e só eles)?
3. Qual a **base legal**?
4. Os **titulares** foram informados?
5. Qual o **papel de cada fornecedor** (controlador, operador)?
6. Há **transferência internacional**?
7. **Riscos e discriminação** foram testados?
8. Os **direitos** dos titulares (acesso, correção, revisão) são viáveis na prática?
9. Há **segurança e logs** de auditoria?
10. O **RIPD** e as medidas estão documentados?

## Perguntas de revisão

1. **Indicadores de adoção de IA formam um funil?** Não; são indicadores distintos, de perguntas diferentes.
2. **Ir de 15% para 34% é crescer 19%?** Não; são 19 pontos percentuais.
3. **Potencial técnico de automação é previsão de desemprego?** Não; faltam viabilidade econômica, organizacional e jurídica.
4. **Qual a diferença entre data drift e concept drift?** Data drift: mudam as entradas; concept drift: muda a relação entre entrada e saída.
5. **O que distingue DSS de ADM?** No DSS o humano decide; na ADM o sistema decide.
6. **O RAG elimina o risco com dados pessoais?** Não; pode recuperar documentos indevidos se ignorar permissões.
7. **Treinamento, fine-tuning e RAG alteram os parâmetros?** Treinamento e fine-tuning sim; RAG não.
8. **Quais as três perguntas ao contratar IA?** Que dados ajustam o modelo, quais são recuperados no uso e quais vão ao fornecedor na inferência.
9. **Dado pseudonimizado é anônimo?** Não; continua sendo dado pessoal.
10. **Dados inferidos pelo modelo são protegidos?** Sim, também são cobertos pela LGPD.
11. **Quais os princípios do art. 6º da LGPD?** Finalidade, adequação, necessidade, livre acesso, qualidade, transparência, segurança, prevenção, não discriminação e responsabilização.
12. **O consentimento serve para tudo?** Não; há outras bases legais nos arts. 7º e 11.
13. **Legítimo interesse vale para dado sensível?** Não como base geral.
14. **O que garante o art. 20?** Revisão de decisões automatizadas e informação sobre os critérios usados.
15. **Usar um LLM de mercado implica o quê?** Em geral, transferência internacional e dependência dos termos do fornecedor.
16. **Quando usar human in the loop?** Em decisões de alto impacto.
17. **Quem responde pela decisão de um agente de IA?** Quem a governança documentada indicar.
18. **Qual a diferença entre avaliação de risco e de impacto?** Risco olha eventos adversos e mitigação; impacto olha o efeito sobre pessoas e direitos.
19. **Sandbox regulatório é aprovação?** Não; é um ambiente supervisionado de testes.
20. **Por que monitorar o modelo depois do deploy?** Porque o drift degrada o desempenho e pode gerar decisões erradas.

---
Fonte: Atlas de Dados — https://atlas.frediania.com/materia/ia-lgpd-compliance
