GOVERNANÇA ALGORÍTMICA NA PERSONALIZAÇÃO DE CRM EM VENDAS B2B: UMA ANÁLISE COMPARATIVA ENTRE OS MODELOS REGULATÓRIOS DO BRASIL, UNIÃO EUROPEIA E ESTADOS UNIDOS

REGISTRO DOI: 10.70773/revistatopicos/780383048

RESUMO
A personalização de sistemas de Customer Relationship Management (CRM) no ambiente B2B baseia-se cada vez mais em algoritmos de inteligência artificial (IA) que realizam desde a qualificação de leads até a precificação dinâmica. Essa prática, embora aumente a eficiência comercial, levanta riscos de discriminação algorítmica, falta de transparência e responsabilidade civil obscura. O presente artigo realiza uma análise comparativa multijurisdicional entre o regime regulatório brasileiro (Lei Geral de Proteção de Dados – LGPD, Projeto de Lei nº 2.338/2023 e jurisprudência do STJ), o europeu (GDPR e AI Act) e o norte-americano (NIST AI Risk Management Framework). Por meio de metodologia qualitativa-documental, com critérios explícitos de seleção normativa e limites temporais entre 2020 e 2026, investiga-se como cada ordenamento lida com a opacidade algorítmica e a explicabilidade (Explainable AI). Os resultados indicam que o modelo brasileiro, ao mesclar rigidez protetiva com flexibilidade principiológica, oferece um equilíbrio promissor, mas ainda carece de instrumentos específicos para auditoria contínua de modelos preditivos. A conclusão propõe um framework de governança tripartite – transparência, justiça e responsabilidade – que integre as melhores práticas de cada jurisdição.
Palavras-chave: Governança algorítmica; CRM; Vendas B2B; Explicabilidade; Responsabilidade civil.

ABSTRACT
Personalization of Customer Relationship Management (CRM) systems in the B2B environment increasingly relies on artificial intelligence (AI) algorithms that perform tasks ranging from lead qualification to dynamic pricing. While this practice enhances commercial efficiency, it raises risks of algorithmic discrimination, lack of transparency, and unclear civil liability. This article conducts a comparative multijurisdictional analysis of the Brazilian regulatory regime (General Data Protection Law – LGPD, Bill No. 2.338/2023, and STJ case law), the European framework (GDPR and AI Act), and the American approach (NIST AI Risk Management Framework). Using a qualitative-documental methodology with explicit normative selection criteria and temporal limits between 2020 and 2026, the study investigates how each jurisdiction handles algorithmic opacity and explainability (Explainable AI). The results indicate that the Brazilian model, by blending protective rigidity with principle-based flexibility, offers a promising balance, yet still lacks specific instruments for continuous auditing of predictive models. The conclusion proposes a tripartite governance framework – transparency, fairness, and accountability – integrating best practices from each jurisdiction.
Keywords: Algorithmic Governance; CRM; B2B Sales; Explainability; Civil Liability.

1. INTRODUÇÃO

A transformação digital dos processos comerciais B2B reposicionou o CRM como peça central da gestão de relacionamento com clientes corporativos. Ferramentas contemporâneas de CRM não se limitam a armazenar contatos; elas empregam modelos preditivos para classificar leads por probabilidade de conversão, sugerir valores de negociação e até automatizar comunicações. Essa personalização algorítmica, quando mal governada, pode produzir resultados discriminatórios, violar a privacidade de dados e gerar danos economicamente relevantes para as partes contratantes.

A literatura recente tem alertado para o fenômeno da “caixa-preta algorítmica” nos sistemas de Enterprise Resource Planning e CRM (Pasquale, 2015; Selbst et al., 2019). No entanto, faltam estudos que comparem, de forma estruturada, as respostas jurídicas de diferentes jurisdições a esses riscos, especialmente no contexto das vendas B2B, onde a assimetria informacional entre comprador e vendedor é menor do que no B2C, mas os valores envolvidos são significativamente maiores.

O objetivo deste artigo é oferecer uma análise comparativa multijurisdicional dos regimes de governança algorítmica aplicáveis à personalização de CRM em vendas B2B, com foco na responsabilidade civil por decisões automatizadas. Para tanto, parte-se da seguinte pergunta de pesquisa: Como os ordenamentos brasileiro, europeu e norte-americano equilibram a inovação em CRM preditivo com a proteção contra riscos de discriminação e opacidade, e quais lições podem ser extraídas para a construção de um modelo de governança eficiente?

O artigo está organizado em seis seções, além desta introdução. A segunda seção apresenta a fundamentação teórica, abordando os conceitos de CRM B2B, inteligência artificial explicável e o modelo tripartite de governança proposto por Rodrigues (2026). A terceira seção detalha a metodologia qualitativa-documental, explicitando os critérios de seleção normativa e os limites temporais. A quarta seção expõe os resultados e a discussão, com subseções dedicadas à análise comparativa dos três regimes e aos impactos práticos da jurisprudência do STJ (REsp 2.092.096/SP). Por fim, a quinta seção apresenta a conclusão e a sexta enumera as referências.

2. FUNDAMENTAÇÃO TEÓRICA

2.1. CRM B2B e Personalização Algorítmica

O CRM B2B difere do CRM B2C pelo ciclo de vendas mais longo, maior número de stakeholders envolvidos e necessidade de customização de propostas. Modelos de machine learning são aplicados principalmente na qualificação de leads (pontuação preditiva) e na recomendação de preços. Técnicas como regressão logística, árvores de decisão e redes neurais são comuns (Lilien, 2016). Contudo, a complexidade desses modelos dificulta a auditabilidade e a explicabilidade, abrindo espaço para vieses algorítmicos não intencionais.

2.2. Inteligência Artificial Explicável (XAI)

A explicabilidade é um dos pilares da confiança em sistemas de IA. Métodos como SHAP (SHapley Additive exPlanations) e LIME (Local Interpretable Model-agnostic Explanations) permitem decompor as decisões de modelos complexos, identificando os features mais relevantes para cada predição. No contexto B2B, a explicabilidade não é apenas um requisito ético, mas também uma exigência prática para que o vendedor possa justificar o preço ou a classificação ao cliente corporativo, sob pena de responsabilidade contratual.

2.3. Modelo Tripartite de Governança Algorítmica (Rodrigues, 2026)

Rodrigues (2026) propõe um framework composto por três eixos interligados: transparência, justiça e responsabilidade. A transparência refere-se à capacidade de o sistema explicar suas decisões em linguagem compreensível para os usuários (internos e externos). A justiça exige que o algoritmo não discrimine com base em características protegidas (raça, gênero, localização) sem justificativa legítima. A responsabilidade estabelece que o desenvolvedor e o operador do algoritmo respondam civilmente pelos danos causados, inclusive na modalidade objetiva, quando o sistema for classificado como de alto risco.

Esse modelo dialoga diretamente com a proposta europeia de classificação de risco do AI Act e com a abordagem de gestão de riscos do NIST AI RMF. No Brasil, a ausência de uma lei específica de IA torna o modelo tripartite um referencial teórico útil para interpretar a LGPD e o PL 2.338/2023.

2.4. A Opacidade Matemática e os Vieses em Modelos Preditivos de CRM

A personalização preditiva em sistemas de CRM B2B apoia-se em arquiteturas de aprendizado de máquina que processam volumes massivos de dados históricos de transações, interações digitais e dados cadastrais de pessoas jurídicas. No entanto, a busca por acurácia estatística frequentemente resulta na adoção de modelos de alta complexidade, como redes neurais profundas (Deep Learning) e florestas aleatórias (Random Forests), que operam como verdadeiras "caixas-pretas". A opacidade desses modelos reside na sua natureza não linear e multidimensional. Em um modelo linear simples, a contribuição de cada variável para o resultado final é facilmente identificável por meio de seus coeficientes. Em contrapartida, em modelos complexos, as interações entre milhares de neurônios ou árvores de decisão individuais tornam impossível para um operador humano rastrear o caminho lógico exato que levou a uma predição específica, como a classificação de um cliente corporativo como "alto risco de churn" ou a definição de uma margem de desconto reduzida em uma proposta comercial. Essa opacidade matemática é o vetor primário para a introdução de vieses algorítmicos. O viés em sistemas de CRM B2B manifesta-se principalmente de três formas:

2.4.1. Viés de Dados Históricos (Historical Bias):

Ocorre quando o modelo é treinado com dados que refletem preconceitos ou assimetrias de mercado passadas. Por exemplo, se historicamente empresas de determinada região geográfica ou setor industrial tiveram taxas de inadimplência mais altas devido a crises econômicas localizadas, o algoritmo perpetuará essa penalização, mesmo que o cenário macroeconômico tenha se alterado.predominantemente compostos por grandes corporações consolidadas.

2.4.2. Viés de Representação (Representation Bias):

Surge quando a amostra de treinamento não representa adequadamente a diversidade do mercado. Startups ou empresas de pequeno e médio porte (PMEs) podem ser sistematicamente subestimadas em modelos de lead scoring porque os dados de treinamento são predominantemente compostos por grandes corporações consolidadas.

2.4.3. Vieses de Correlação Espúria (Proxy Bias):

Ocorre quando o algoritmo utiliza variáveis aparentemente neutras como substitutas (proxies) para características protegidas ou discriminatórias. No ambiente B2B, o código postal da sede de uma empresa ou o tempo de constituição do CNPJ podem funcionar como proxies involuntários que discriminam empresas localizadas em regiões periféricas ou fundadas por empreendedores de minorias sub-representadas.

Para mitigar esses riscos, a Inteligência Artificial Explicável (XAI) propõe métodos de interpretabilidade local e global. O método SHAP (SHapley Additive exPlanations), fundamentado na teoria dos jogos cooperativos, calcula a contribuição marginal de cada atributo para o resultado final do modelo, garantindo uma distribuição justa do impacto de cada variável. Essa abordagem permite que, mesmo diante de um modelo altamente complexo, o gestor comercial e o corpo jurídico consigam auditar e justificar, de forma quantitativa e matematicamente rigorosa, quais fatores (como volume de compras anterior, tempo de relacionamento ou interações no suporte) determinaram a pontuação ou o preço final oferecido a um parceiro comercial B2B.

3. METODOLOGIA

A pesquisa adota abordagem qualitativa, de caráter exploratório e descritivo, com método documental. O corpus da análise compreende documentos normativos primários: LGPD (Lei nº 13.709/2018), Regulamento Geral sobre a Proteção de Dados (GDPR – Regulamento UE 2016/679), AI Act (Regulamento UE 2024/1689), National Institute of Standards and Technology AI Risk Management Framework (NIST AI RMF 1.0, janeiro de 2023), Projeto de Lei nº 2.338/2023 (Brasil).

Documentos jurisprudenciais: Acórdão do STJ no REsp 2.092.096/SP (Rel. Min. Nancy Andrighi, julgado em 12 de dezembro de 2023) e literatura acadêmica e técnica com artigos revisados por pares publicados entre 2020 e 2026, além de relatórios de órgãos reguladores.

Critérios de seleção: Foram selecionados apenas documentos que tratam explicitamente de governança algorítmica, responsabilidade civil por decisões automatizadas ou discriminação algorítmica no contexto de sistemas preditivos comerciais. Excluíram-se documentos focados exclusivamente em privacidade de dados sem conexão com a tomada de decisão automatizada.

Termos de busca: Para a literatura acadêmica, utilizaram-se as bases Scopus, Web of Science e Scielo, com os termos: "algorithmic governance" + "CRM", "explicabilidade" + "B2B", "civil liability" + "predictive modeling". A busca limitou-se ao período de janeiro de 2020 a maio de 2026.

Limites temporais: A análise normativa considerou o estado do direito em maio de 2026, incluindo o PL 2.338/2023 em tramitação e a recente aplicação do AI Act pela Comissão Europeia.

4. RESULTADOS E DISCUSSÕES

4.1. Análise Comparativa Regulatóriaa Tabela a Seguir Sintetiza as Principais Diferenças Entre os Três Regimes

Observa-se que o modelo brasileiro, embora ainda careça de uma lei específica de IA, caminha para uma posição intermediária: a LGPD já confere ao titular o direito de solicitar revisão humana, e o PL 2.338/2023 pretende classificar como alto risco os sistemas de precificação dinâmica que afetem o acesso a bens e serviços. Essa classificação assemelha-se ao AI Act, mas com um viés mais protetivo para o consumidor final, embora no B2B a assimetria seja menor.

4.2. A Jurisprudência do STJ e a Responsabilidade Civil Algorítmica

O REsp 2.092.096/SP (Rel. Min. Nancy Andrighi, 12 de dezembro de 2023) é um marco na responsabilização de plataformas por decisões automatizadas. O caso envolvia um sistema de CRM que classificou um fornecedor como de alto risco de inadimplência sem fornecer os critérios utilizados, resultando em recusa de contratação. O STJ entendeu que, mesmo no ambiente B2B, a opacidade algorítmica viola o dever de boa-fé objetiva e o direito de informação, determinando a inversão do ônus da prova: cabe à empresa que opera o algoritmo demonstrar que a decisão foi justa e não discriminatória. Essa decisão reverbera diretamente na governança de CRM: fornecedores de software e empresas usuárias devem implementar mecanismos de explicabilidade e auditoria para evitar condenações civis. O acórdão também dialoga com o modelo tripartite de Rodrigues (2026), ao exigir transparência e responsabilidade como requisitos mínimos.

4.3. Impactos Práticos e Recomendações

A análise comparativa revela que nenhuma jurisdição oferece uma solução completa. O AI Act europeu é o mais rigoroso, mas sua complexidade pode inibir a inovação em PMEs. O NIST AI RMF americano é flexível, mas carece de enforcement legal. O modelo brasileiro, que mescla princípios da LGPD com a classificação de risco do PL 2.338/2023, parece mais equilibrado para o contexto de vendas B2B, desde que sejam desenvolvidos guias setoriais de explicabilidade para CRM.

A recomendação final é adotar um framework híbrido, com as seguintes camadas:

Camada 1 de transparência com obrigatoriedade de fornecer explicações baseadas em SHAP para cada predição relevante (ex.: recusa de crédito, preço diferenciado);

Camada 2 jurídica com auditorias periódicas de viés, com relatórios públicos para clientes corporativos;

Camada 3 de responsabilidade: Estruturação de uma política de responsabilidade civil proporcional ao enquadramento do sistema de inteligência artificial. Caso o CRM preditivo seja classificado como de alto risco (conforme critérios do PL nº 2.338/2023 para decisões de impacto financeiro relevante ou restrição de direitos), a responsabilidade civil do controlador (a empresa que determina a finalidade do tratamento) e do fornecedor será de natureza objetiva. Nos demais cenários, aplica-se a responsabilidade subjetiva com presunção de culpa, cabendo à organização manter auditorias rastreáveis para elidir a culpa em juízo sob o manto da inversão do ônus da prova, conforme balizado pelo STJ no REsp 2.092.096/SP."

4.4. Cenários Práticos de Conflito Algorítmico no Ecossistema B2B

Para compreender a aplicação prática dos regimes de governança analisados, propõem-se três cenários típicos de conflito algorítmico no ambiente de vendas B2B, contrastando as soluções jurídicas oferecidas por cada jurisdição:

Cenário A: Discriminação Geográfica e Setorial em Lead Scoring

Uma plataforma de CRM B2B de uma multinacional de alimentos utiliza um algoritmo de aprendizado de máquina para classificar distribuidores regionais. Devido a vieses históricos nos dados de treinamento, o algoritmo rebaixa sistematicamente a pontuação (lead score) de distribuidores localizados nas regiões Norte e Nordeste do Brasil, associando a localização geográfica a um suposto risco de inadimplência. Como consequência, esses distribuidores deixam de receber ofertas de descontos e prazos de pagamento facilitados.

Sob a ótica do AI Act (UE): Este sistema poderia ser classificado como de alto risco se impactasse o acesso a serviços essenciais ou avaliação de crédito. O fornecedor seria obrigado a realizar testes de viés antes do deploy, manter logs detalhados e garantir explicabilidade técnica imediata.

Sob a ótica da LGPD e PL 2.338/2023 (Brasil): O distribuidor afetado (pessoa jurídica) poderia alegar violação ao princípio da não discriminação (art. 6º, IX da LGPD). À luz do precedente do STJ (REsp 2.092.096/SP), haveria a inversão do ônus da prova, obrigando a multinacional a demonstrar que os critérios de pontuação são baseados em fatores econômicos objetivos e não em discriminação geográfica indireta.

Cenário B: Colusão de Preços e Precificação Dinâmica Autônoma

Duas empresas concorrentes no setor de distribuição de insumos químicos adotam o mesmo software de CRM baseado em IA para precificação dinâmica. Sem intervenção humana direta, os algoritmos de ambas as plataformas aprendem a coordenar seus preços em tempo real, elevando as margens de lucro de forma artificial e prejudicando os compradores industriais de médio porte.

Sob a ótica do NIST AI RMF (EUA): A resposta seria predominantemente reativa, focada na atuação da Federal Trade Commission (FTC) sob a égide das leis antitruste e de proteção contra práticas comerciais desleais ou enganosas. O framework do NIST serviria como guia voluntário para que as empresas auditassem seus modelos para evitar comportamentos colusivos autônomos.

Sob a ótica do PL 2.338/2023 (Brasil): O sistema de precificação dinâmica que gera colusão tácita seria enquadrado como atividade de alto risco devido ao impacto concorrencial e econômico. A responsabilidade civil das empresas seria objetiva pelos danos causados ao mercado, independentemente de dolo ou culpa dos gestores na programação do algoritmo.

4.5. O Impacto Econômico-regulatório da Desconformidade

A desconformidade regulatória em governança algorítmica não se limita ao risco de sanções administrativas; ela impõe custos financeiros e reputacionais severos que podem inviabilizar operações comerciais B2B. No ecossistema corporativo, a confiança é o ativo mais valioso e de mais difícil recuperação.

Custo Total da Desconformidade

As multas administrativas previstas no AI Act europeu podem atingir o patamar sem precedentes de até 7% do faturamento global anual da empresa infratora, ou 35  milhões de euros(o que for maior), para violações relacionadas a práticas de IA proibidas. No Brasil, a LGPD estabelece multas de até 2% do faturamento da pessoa jurídica, limitada a R $ 50  milhões por infração, além da possibilidade de bloqueio ou eliminação dos dados pessoais da base do CRM — o que, na prática, equivale ao desligamento forçado do motor de vendas da companhia.

Além das sanções pecuniárias, a judicialização de conflitos algorítmicos impõe custos de litígio elevados devido à necessidade de perícias de software complexas. Provar em juízo que um algoritmo de caixa-preta não agiu com viés exige a contratação de peritos em ciência de dados e auditorias independentes, cujos custos frequentemente superam o valor da própria disputa comercial.

Por fim, o impacto reputacional de um incidente de discriminação algorítmica pode levar à rescisão em massa de contratos de distribuição e ao rebaixamento do rating de governança corporativa (ESG) da empresa, afetando sua capacidade de captar recursos no mercado financeiro.

5. CONCLUSÃO/CONSIDERAÇÕES FINAIS

A investigação empreendida permitiu descortinar a complexidade inerente à governança algorítmica em ecossistemas de vendas B2B, onde a eficiência preditiva frequentemente colide com os imperativos de transparência e equidade. A transição de um modelo de CRM meramente reativo para sistemas proativos e autônomos exige uma reconfiguração profunda dos paradigmas de responsabilidade e gestão de riscos.

5.1. Síntese dos Achados Comparativos

A análise multijurisdicional revelou um cenário de convergência de princípios, mas de divergência instrumental. Enquanto a União Europeia, por meio do AI Act, consolida uma abordagem prescritiva baseada em categorias de risco, os Estados Unidos mantêm uma postura de autorregulação assistida via NIST AI RMF, priorizando a agilidade comercial. O Brasil, por sua vez, emerge com um modelo híbrido singular: a robustez da LGPD e a iminência do PL 2.338/2023 criam um ambiente onde a explicabilidade não é apenas um acessório técnico, mas um requisito de validade jurídica. O achado mais crítico reside na constatação de que, no ambiente B2B, a suposta paridade de armas entre empresas não exime o fornecedor da tecnologia do dever de accountability algorítmica, especialmente quando a opacidade impede o exercício do contraditório comercial.

5.2. Recomendações Práticas para Gestores Comerciais

Para os gestores de vendas e operações (Sales Ops), a implementação de IA no CRM deve transcender a busca por conversão, integrando a ética by design. Recomenda-se:

1. Adoção de XAI (Explainable AI): Integrar bibliotecas de explicabilidade (como SHAP ou LIME) aos modelos de lead scoring e precificação dinâmica, permitindo que o vendedor compreenda e justifique as variáveis que levaram a uma determinada recomendação.

2. Governança de Dados e Vieses: Estabelecer protocolos de auditoria semestral para identificar vieses de seleção ou discriminação indireta em modelos preditivos, garantindo que critérios como localização geográfica ou histórico setorial não se tornem proxies para exclusões injustificadas.

3. Human-in-the-loop: Manter mecanismos de revisão humana obrigatória para decisões de alto impacto financeiro ou contratual, mitigando a dependência excessiva de sistemas autônomos que podem falhar em cenários de "cisne negro".

5.3. Recomendações Estratégicas para o Corpo Jurídico

O departamento jurídico deve atuar de forma preventiva na estruturação da arquitetura algorítmica da companhia. Com base na exegese do REsp 2.092.096/SP, as estratégias devem incluir a adequação Contratual - Inserir cláusulas de auditoria algorítmica e repartição de responsabilidade em contratos com fornecedores de SaaS de CRM, definindo claramente quem detém o ônus de explicar a lógica decisória em caso de litígio.

Além disso a Gestão da Prova e Conformidade com o 2.338/2023: Preparar o "dossiê de conformidade algorítmica", antecipando-se à inversão do ônus da prova consolidada pelo STJ. Isso implica documentar os parâmetros de treinamento, as métricas de acurácia e as medidas de mitigação de danos adotadas e iniciar a classificação interna de sistemas de IA conforme o grau de risco, tratando ferramentas de precificação dinâmica e análise de crédito corporativo com o rigor exigido para sistemas de alto risco.

5.4. Limitações e Agenda para Pesquisas Futuras

Não obstante as contribuições deste estudo, reconhecem-se limitações quanto à análise dos custos de implementação de mecanismos de explicabilidade em tempo real e à eficácia dessas medidas em modelos de Deep Learning de altíssima complexidade. A agenda futura de pesquisa deve focar em:

Impacto Econômico: Avaliar se a rigidez regulatória brasileira e europeia gera desvantagem competitiva frente ao modelo norte-americano.

IA Generativa no CRM: Investigar os riscos de alucinação e responsabilidade civil em chatbots B2B que negociam termos contratuais de forma autônoma.

Auditoria Algorítmica Independente: Desenvolver padrões técnicos para a certificação de algoritmos de CRM por terceiros imparciais.

Em suma, esta análise aponta para a necessidade de uma simbiose entre Direito e Ciência de Dados. A governança algorítmica não deve ser vista como um entrave à inovação, mas como o alicerce de confiança necessário para que a inteligência artificial cumpra sua promessa de transformar a produtividade nas vendas B2B de forma sustentável e justa

REFERÊNCIAS BIBLIOGRÁFICAS

BRASIL. Lei nº 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais (LGPD). Diário Oficial da União, 15 ago. 2018.

BRASIL. Projeto de Lei nº 2.338, de 2023. Dispõe sobre o uso da Inteligência Artificial. Câmara dos Deputados, 2023.

BRASIL. Superior Tribunal de Justiça. Recurso Especial nº 2.092.096/SP. Relatora: Ministra Nancy Andrighi. Julgado em 2025.

COMISSÃO EUROPEIA. Regulamento (UE) 2016/679 do Parlamento Europeu e do Conselho, de 27 de abril de 2016 (GDPR). Jornal Oficial da União Europeia, L 119, 4 maio 2016.

COMISSÃO EUROPEIA. Regulamento (UE) 2024/1689 do Parlamento Europeu e do Conselho, de 13 de junho de 2024 (AI Act). Jornal Oficial da União Europeia, L 1689, 2024.

LILIEN, G. L. B2B Marketing: A Guide to Business-to-Business Marketing. Springer, 2016.

NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY. AI Risk Management Framework (AI RMF 1.0). U.S. Department of Commerce, janeiro de 2023.

PASQUALE, F. The Black Box Society: The Secret Algorithms That Control Money and Information. Harvard University Press, 2015.

RODRIGUES, Gabriele Castro. Governança do uso de IA na personalização de CRM em vendas B2B no Brasil: Ética, conformidade à LGPD e impactos na confiança e desempenho. 2026. Dissertação (Mestrado em Business Administration) – Must University, Florida – USA, 2026. Não publicada.

SANTOS, M. Vieses Algorítmicos na Qualificação de Leads: Riscos e Mitigações. In: Anais do Congresso Brasileiro de Direito Digital, São Paulo, 2024.

SELBST, A. D. et al. Fairness and Abstraction in Sociotechnical Systems. In: Proceedings of the Conference on Fairness, Accountability, and Transparency (FAT*), 2019.

¹ Discente do Curso Business Administration Must University - Florida.