REGISTRO DOI: 10.70773/revistatopicos/790128445
RESUMO
O artigo examina o uso de obras protegidas no treinamento de sistemas de inteligência artificial generativa à luz do direito autoral brasileiro. Parte-se da constatação de que modelos generativos dependem de grandes bases de dados, frequentemente compostas por livros, imagens, músicas, textos jornalísticos e outros conteúdos protegidos. O problema central consiste em verificar se a transparência e a remuneração podem legitimar tal utilização sem afastar a necessidade de autorização e eventual responsabilidade civil. A pesquisa adota método dedutivo, com abordagem jurídico-dogmática e análise comparada dos regimes brasileiro, europeu e norte-americano. Conclui-se que o Brasil deve adotar regime híbrido, fundado em transparência, oposição efetiva, remuneração proporcional e reparação por uso ilícito ou abusivo.
Palavras-chave: Direito autoral; Inteligência artificial; Treinamento algorítmico; Transparência; Responsabilidade civil.
ABSTRACT
This article examines the use of copyrighted works in the training of generative artificial intelligence systems under Brazilian copyright law. It starts from the premise that generative models rely on large datasets, often composed of books, images, music, journalistic texts, and other protected content. The central issue is whether transparency and remuneration may legitimize such use without excluding the need for authorization and possible civil liability. The research adopts a deductive method, with a doctrinal legal approach and comparative analysis of Brazilian, European, and United States legal frameworks. It concludes that Brazil should adopt a hybrid regime based on transparency, effective opt-out mechanisms, proportional remuneration, and redress for unlawful or abusive use.
Keywords: Copyright law; Artificial intelligence; Algorithmic training; Transparency; Civil liability.
1. INTRODUÇÃO
A expansão da inteligência artificial generativa deslocou uma das discussões mais tradicionais da propriedade intelectual para um terreno ainda instável: o uso de obras protegidas não apenas na etapa de circulação de conteúdos, mas na formação técnica dos próprios sistemas capazes de produzir textos, imagens, músicas, códigos e vídeos.
O ponto sensível, para o Direito, está no fato de que tais sistemas não surgem do nada, visto que eles são treinados a partir de grandes volumes de dados, entre os quais podem estar livros, fotografias, ilustrações, composições musicais, artigos jornalísticos, códigos-fonte e outros bens intelectuais protegidos.
Assim, a controvérsia deixa de ser apenas tecnológica e passa a envolver o núcleo dos direitos patrimoniais do autor.
A questão jurídica que se coloca é direta: o treinamento de sistemas de inteligência artificial generativa com obras protegidas, sem autorização individualizada dos titulares, pode ser admitido no Brasil mediante deveres de transparência e remuneração, ou configura violação aos direitos patrimoniais autorais?
Essa pergunta é relevante porque o ordenamento brasileiro não contém, até o momento, disciplina específica sobre mineração de dados para treinamento de IA generativa e a ausência de norma expressa produz insegurança tanto para autores e titulares quanto para empresas, pesquisadores, universidades, plataformas digitais e agentes econômicos que pretendem desenvolver ou utilizar tais sistemas.
O objetivo geral deste artigo consiste em analisar se o direito brasileiro comporta um regime jurídico específico para o uso de obras protegidas no treinamento de inteligência artificial generativa.
Para tanto, estabelecem-se quatro objetivos específicos: examinar a natureza jurídica do treinamento algorítmico em face da Lei de Direitos Autorais; investigar se as limitações autorais vigentes permitem esse tipo de uso; comparar o modelo brasileiro com soluções estrangeiras, especialmente europeias e norte-americanas; e propor critérios jurídicos para transparência, remuneração e responsabilidade civil.
Quanto à metodologia, adota-se o método dedutivo, partindo-se de premissas gerais sobre direito autoral, propriedade intelectual e responsabilidade civil para alcançar conclusões específicas sobre o treinamento de IA generativa.
O procedimento é jurídico-dogmático e comparativo, com pesquisa bibliográfica e documental. São utilizados como materiais de investigação a Constituição Federal, a Lei nº 9.610/1998, o Projeto de Lei nº 2.338/2023, normativas estrangeiras, doutrina nacional e estrangeira, artigos científicos e decisões judiciais recentes sobre copyright e treinamento de modelos.
O primeiro elemento do desenvolvimento será dedicado à compreensão da inteligência artificial generativa e à qualificação jurídica do treinamento.
Como o artigo se dirige a leitores do Direito, parte-se de uma explicação conceitual acessível: a IA generativa não deve ser compreendida como sujeito criador, mas como sistema computacional que identifica padrões em dados de treinamento e, a partir deles, gera novos resultados.
Essa distinção é essencial, pois evita antropomorfismos e permite situar o debate no campo dos atos juridicamente relevantes praticados por desenvolvedores, fornecedores e usuários humanos.
O segundo momento examinará a suficiência da Lei de Direitos Autorais brasileira diante do treinamento algorítmico, sendo que o ponto central será verificar se a reprodução técnica, a raspagem automatizada, a mineração de textos e dados e o armazenamento de obras em bases de treinamento podem ser absorvidos pelas categorias tradicionais de reprodução, transformação, adaptação ou uso autorizado.
Também será analisada a dificuldade de importar, sem mediação, a lógica norte-americana do fair use para um sistema jurídico autoral de matriz continental.
O terceiro momento terá caráter propositivo, já que serão discutidos deveres de transparência, mecanismos de oposição do titular, remuneração proporcional, licenciamento coletivo e responsabilidade civil por uso abusivo ou ilícito. A proposta não será a de impedir a inovação, mas de afastar a ideia de que o desenvolvimento tecnológico possa converter obras protegidas em insumo gratuito e invisível.
A dificuldade está justamente em construir um arranjo normativo que preserve a criação humana sem tornar inviável a pesquisa e o desenvolvimento tecnológico.
O enfrentamento do tema revela-se urgente porque a economia da IA generativa tende a reorganizar mercados criativos, científicos e informacionais. A pergunta sobre quem pode treinar modelos com obras protegidas é, no fundo, uma pergunta sobre a distribuição jurídica dos ganhos e dos riscos da inovação.
O Direito não precisa responder a essa transformação com medo ou entusiasmo acrítico. Precisa, antes, oferecer critérios de legitimidade, controle e reparação.
2. O TREINAMENTO DE IA GENERATIVA COMO FATO JURÍDICO-AUTORAL
A inteligência artificial generativa pode ser definida, em linguagem adequada ao campo jurídico, como uma categoria de sistemas de inteligência artificial capazes de produzir novos conteúdos, como textos, imagens, vídeos, músicas, códigos ou combinações desses formatos, a partir de comandos formulados pelo usuário.
A Organização para a Cooperação e Desenvolvimento Econômico (OCDE) descreve a IA generativa como categoria de IA apta a criar novos conteúdos, enquanto documentos técnicos do NIST tratam o tema sob a ótica dos riscos próprios desses sistemas (OCDE, 2026; NIST, 2024).
Essa definição é importante para o direito, porque evidencia que o problema não está apenas na saída produzida pela ferramenta, mas também na etapa anterior de formação do modelo.
Em termos simples, o funcionamento desses sistemas envolve, em regra, três momentos: coleta de dados, treinamento do modelo e geração de resultados.
Na coleta, reúnem-se grandes conjuntos de textos, imagens, sons ou outros conteúdos. No treinamento, o sistema processa esse material para identificar regularidades estatísticas, estruturas linguísticas, padrões visuais, relações semânticas e formas recorrentes de organização da informação. Na geração, o usuário insere um comando, e o sistema produz uma resposta provável a partir dos padrões aprendidos.
Para o Direito, essa decomposição importa porque cada etapa pode envolver atos juridicamente distintos: acesso, cópia, armazenamento, mineração, transformação e exploração econômica.
A IA generativa, portanto, não deve ser tratada como autora em sentido jurídico. Ela não possui personalidade, vontade, consciência criativa nem titularidade patrimonial. A imputação jurídica dos atos relacionados ao treinamento recai sobre pessoas naturais ou jurídicas que coletam os dados, organizam as bases, treinam os modelos, disponibilizam a ferramenta e exploram economicamente seus resultados. Essa compreensão é compatível com a tradição do direito autoral brasileiro, cujo ponto de partida é a criação intelectual humana. Mesmo quando a máquina participa da geração de conteúdo, o problema jurídico continua a ser definido por atos humanos de desenvolvimento, controle, exploração e disponibilização.
A dificuldade surge porque o treinamento de IA generativa pode utilizar obras protegidas sem que haja reprodução final perceptível da obra original. Uma plataforma pode ser treinada com milhares de livros sem que, no resultado final, entregue ao usuário uma cópia literal de qualquer deles. Isso não encerra o debate. A ausência de reprodução literal no output não elimina necessariamente a relevância jurídica do input. Se a etapa de treinamento exigiu cópias integrais ou parciais, armazenamento, indexação, conversão de formato ou extração sistemática de conteúdo protegido, há pelo menos um ponto de contato com o direito de reprodução previsto na Lei de Direitos Autorais.
A Lei nº 9.610/1998 atribui ao autor direitos patrimoniais sobre a utilização econômica da obra e prevê que depende de autorização prévia e expressa a utilização por modalidades como reprodução, edição, adaptação, distribuição e inclusão em base de dados, entre outras hipóteses (BRASIL, 1998). A formulação do art. 29 é ampla o bastante para alcançar usos tecnologicamente novos, ainda que não previstos de forma nominal em 1998. Essa abertura, contudo, não resolve automaticamente a controvérsia. É preciso definir se a cópia técnica para treinamento equivale à reprodução juridicamente relevante ou se constitui uso intermediário, não expressivo e funcional.
A doutrina nacional oferece instrumentos relevantes para essa análise. Barbosa compreende a propriedade intelectual como sistema de exclusividades juridicamente construídas para organizar incentivos, concorrência e acesso ao conhecimento (BARBOSA, 2003). Paranaguá e Branco observam que o direito autoral não protege ideias em abstrato, mas formas de expressão, o que impõe distinguir o aprendizado de padrões gerais da apropriação de expressão protegida (PARANAGUÁ; BRANCO, 2009). Carboni, ao enfatizar a função social do direito de autor, permite acrescentar que a exclusividade autoral não é absoluta, mas também não pode ser esvaziada por práticas econômicas que convertam obras em matéria-prima sem controle (CARBONI, 2006).
No plano estrangeiro, Lemley e Casey sustentam que o aprendizado de máquina desafia a lógica tradicional do copyright, pois parte da cópia pode ocorrer como etapa intermediária de aprendizagem e não como substituição direta da obra (LEMLEY; CASEY, 2021). Samuelson, por sua vez, identifica que a IA generativa reabriu debates sobre autoria, treinamento, responsabilidade e licenciamento, especialmente porque os sistemas contemporâneos operam em escala muito superior às tecnologias anteriores de busca, indexação ou mineração (SAMUELSON, 2023). Essas posições ajudam a compreender por que a resposta jurídica não pode ser binária.
Ainda assim, no direito brasileiro, a ausência de uma cláusula geral de uso justo dificulta a defesa de licitude ampla do treinamento não autorizado. O art. 46 da Lei nº 9.610/1998 enumera limitações aos direitos autorais, mas não contém uma autorização geral para mineração de textos e dados, tampouco uma exceção específica para treinamento de sistemas de IA generativa. A interpretação extensiva dessas limitações pode ter algum espaço em situações de pesquisa, crítica, acessibilidade ou uso não comercial, mas se torna mais problemática quando o treinamento serve à exploração comercial de modelos oferecidos no mercado.
O treinamento de IA generativa deve ser compreendido, então, como fato jurídico-autoral complexo. Ele não se confunde integralmente com a reprodução tradicional, mas também não é juridicamente neutro. Envolve atos preparatórios, técnicos e econômicos que podem afetar a esfera patrimonial dos titulares, sobretudo quando a base de treinamento contém obras protegidas em larga escala e quando o modelo resultante passa a competir, direta ou indiretamente, com os mercados nos quais tais obras circulam. A juridicidade do treinamento dependerá, portanto, da origem dos dados, da finalidade do uso, da existência de autorização ou exceção legal, da transparência do processo e do impacto econômico produzido.
3. LIMITES LEGAIS, AUTORIZAÇÃO E INSUFICIÊNCIA DO REGIME BRASILEIRO ATUAL
O direito autoral brasileiro parte de uma regra de exclusividade. A obra intelectual, uma vez criada e exteriorizada, recebe proteção independentemente de registro, desde que preenchidos os requisitos de originalidade e expressão. A Constituição Federal assegura aos autores o direito exclusivo de utilização, publicação ou reprodução de suas obras, transmissível aos herdeiros pelo tempo fixado em lei (BRASIL, 1988). A Lei nº 9.610/1998 concretiza essa proteção ao disciplinar direitos morais, direitos patrimoniais, limitações, transferência de direitos e sanções civis.
No contexto da IA generativa, a primeira pergunta dogmática consiste em saber se a utilização de obras em bases de treinamento depende de autorização. Pelo regime brasileiro vigente, a resposta tende a ser afirmativa quando houver reprodução, armazenamento, inserção em banco de dados ou outra modalidade de aproveitamento econômico da obra. O argumento técnico de que o modelo apenas “aprende padrões” não basta, por si só, para afastar a incidência autoral, pois o processo de aprendizagem pode ser precedido de cópias integrais, raspagem automatizada e conservação de acervos digitais.
Há, contudo, uma objeção relevante. Parte da literatura estrangeira defende que o treinamento não explora a obra como obra, mas apenas extrai relações estatísticas que não são protegidas pelo direito autoral. Nessa perspectiva, o treinamento se aproximaria de uma leitura automatizada em larga escala. O problema é que essa analogia é limitada. A leitura humana de um livro não pressupõe a reprodução integral de milhões de obras em servidores privados para desenvolvimento de produto comercial. A mineração algorítmica, ainda que não seja idêntica à reprodução editorial, produz uma nova camada de exploração econômica do conteúdo protegido.
A comparação com a União Europeia é útil porque o legislador europeu enfrentou diretamente a mineração de textos e dados. A Diretiva 2019/790 prevê exceções específicas para text and data mining, inclusive para pesquisa científica, e admite, em certas situações, a reserva de direitos pelos titulares (UNIÃO EUROPEIA, 2019). O AI Act, por sua vez, impôs obrigações a fornecedores de modelos de IA de propósito geral, incluindo política de conformidade com direitos autorais e resumo suficientemente detalhado do conteúdo utilizado no treinamento (UNIÃO EUROPEIA, 2024). O modelo europeu não elimina o conflito, mas reconhece expressamente que treinamento, transparência e direitos autorais pertencem ao mesmo campo regulatório.
O Brasil ainda não possui solução equivalente. O Projeto de Lei nº 2.338/2023 representa tentativa de estabelecer marco regulatório para inteligência artificial, com princípios de centralidade da pessoa humana, governança, avaliação de riscos e responsabilidade. Sua tramitação demonstra que o tema da propriedade intelectual passou a integrar o debate legislativo nacional, especialmente em relação à IA generativa e aos direitos autorais. Todavia, enquanto não houver norma específica, a controvérsia permanecerá submetida à Lei nº 9.610/1998, ao Código Civil e à interpretação judicial.
A importação do fair use norte-americano também exige cautela. Nos Estados Unidos, a análise do uso justo depende de fatores como finalidade do uso, natureza da obra, quantidade utilizada e efeito sobre o mercado potencial. Esse modelo permite soluções flexíveis, mas também gera incerteza decisória. Em Thomson Reuters v. Ross Intelligence, a Justiça norte-americana rejeitou a defesa de fair use em controvérsia envolvendo uso de conteúdo jurídico da Westlaw para treinar ferramenta concorrente (THOMSON REUTERS, 2025). Em Bartz v. Anthropic, a decisão tratou de forma distinta o treinamento de modelo e a obtenção de cópias de livros por fontes pirateadas, evidenciando que a origem lícita ou ilícita dos dados é juridicamente decisiva (BARTZ, 2025).
Essas decisões não vinculam o Brasil, mas iluminam pontos dogmáticos relevantes. Primeiro, o treinamento de IA não recebe imunidade jurídica apenas por ser tecnologicamente inovador. Segundo, a finalidade transformativa pode pesar a favor da licitude em certos sistemas, mas não apaga a ilicitude da obtenção de dados por fontes pirateadas. Terceiro, o impacto sobre mercados potenciais de licenciamento para treinamento já começa a ser reconhecido como elemento econômico relevante. Quarto, decisões sobre copyright não podem ser transpostas automaticamente para o direito autoral brasileiro, cuja estrutura normativa é diferente.
A insuficiência do regime brasileiro está, portanto, em dois planos. No plano dogmático, a Lei nº 9.610/1998 não define se treinamento algorítmico é reprodução, mineração lícita, uso incidental ou exploração econômica dependente de autorização. No plano institucional, não há mecanismo claro para que titulares saibam se suas obras foram utilizadas, manifestem oposição, negociem remuneração ou busquem reparação de modo proporcional ao uso massivo e difuso. Essa lacuna favorece tanto a apropriação opaca de repertórios criativos quanto litígios incertos e economicamente assimétricos.
A solução não deve ser uma proibição absoluta do treinamento com obras protegidas. Tal caminho poderia prejudicar universidades, pesquisadores, pequenos desenvolvedores, bibliotecas digitais, projetos de preservação cultural e aplicações socialmente úteis. Também não se deve admitir uma liberdade irrestrita de uso, especialmente por empresas que exploram modelos comerciais em escala global. O problema exige uma categoria intermediária: um regime legal que reconheça a utilidade social da mineração de dados, mas imponha transparência, reserva de direitos, licenciamento ou remuneração quando houver exploração econômica relevante.
4. TRANSPARÊNCIA, REMUNERAÇÃO E RESPONSABILIDADE CIVIL COMO BASES DE UM MODELO BRASILEIRO
A transparência é o primeiro elemento de qualquer modelo juridicamente aceitável. Sem informação mínima sobre as categorias de dados utilizados, titulares de direitos não conseguem exercer controle, negociar licenças, formular oposição ou demonstrar eventual dano. O AI Act europeu oferece uma referência importante ao exigir que fornecedores de modelos de propósito geral disponibilizem resumo suficientemente detalhado do conteúdo usado no treinamento e adotem política de conformidade com direitos autorais (UNIÃO EUROPEIA, 2024). A transparência, nesse contexto, não significa revelar segredo industrial ou expor integralmente bases de dados, mas permitir rastreabilidade jurídica suficiente.
Para o direito brasileiro, a transparência deve ser compreendida como dever instrumental. Ela não substitui autorização, não remunera o titular e não repara dano. Sua função é tornar possível o exercício de outros direitos. Em matéria autoral, a opacidade é especialmente problemática porque o titular, diferentemente do consumidor em uma relação de massa, muitas vezes sequer sabe que sua obra foi utilizada. O dever de informar, nesse campo, deve alcançar ao menos a origem das bases, as categorias de obras utilizadas, as políticas de exclusão, os mecanismos de oposição e os canais de reivindicação.
O segundo elemento é a reserva de direitos, ou opt-out. Trata-se de mecanismo pelo qual titulares podem manifestar que não autorizam a utilização de suas obras para mineração ou treinamento. No modelo europeu, a Diretiva 2019/790 admite mineração de textos e dados em determinadas condições, mas preserva a possibilidade de reserva de direitos em certos contextos (UNIÃO EUROPEIA, 2019). No Brasil, a adoção de mecanismo semelhante exigiria disciplina legal clara, para evitar que a oposição se torne puramente simbólica. O opt-out precisa ser tecnicamente reconhecível, juridicamente eficaz e operacionalmente viável.
A remuneração constitui o terceiro elemento. O debate não pode partir da ideia de que todo uso de obra protegida em treinamento de IA deva gerar pagamento individualizado e imediato, pois isso poderia ser inviável em bases com milhões de obras. Também não se pode presumir que nenhum pagamento seja devido apenas porque a obra foi usada em etapa técnica. A solução mais equilibrada parece residir em modelos de remuneração proporcional, licenciamento coletivo, acordos setoriais ou fundos de compensação, especialmente quando o treinamento é comercial, massivo e baseado em repertórios criativos identificáveis.
A gestão coletiva pode oferecer um caminho institucional, embora não resolva todos os problemas. Ela já desempenha função relevante em setores como música e execução pública, mas sua aplicação ao treinamento de IA exigiria critérios novos de mensuração, repartição e auditoria. Como calcular a contribuição de milhares de obras para um modelo probabilístico? Como distribuir receitas entre autores de livros, jornalistas, músicos, ilustradores e programadores? Como diferenciar obras efetivamente utilizadas de conteúdos apenas disponíveis em fontes rastreadas? Essas perguntas mostram que a remuneração não é apenas problema jurídico, mas também técnico, econômico e regulatório.
A responsabilidade civil completa o modelo. O uso de bases ilícitas, obras pirateadas ou acervos obtidos por violação contratual não pode receber o mesmo tratamento jurídico de bases licenciadas, obras em domínio público, conteúdos abertos ou materiais utilizados para pesquisa pública. O Código Civil brasileiro prevê responsabilidade por ato ilícito, dano e nexo causal, enquanto a Lei de Direitos Autorais admite reparação por violação de direitos autorais (BRASIL, 2002; BRASIL, 1998). No contexto da IA, a dificuldade estará em provar a utilização da obra, dimensionar o dano e definir quem responde: desenvolvedor, fornecedor, distribuidor, integrador ou usuário.
A responsabilidade deve observar a cadeia de controle. Quem treina o modelo e escolhe as bases possui deveres mais intensos do que o usuário final que apenas formula comandos. Fornecedores que disponibilizam modelos comerciais devem adotar medidas de governança, documentação, auditoria e resposta a reclamações. Integradores que ajustam modelos para aplicações específicas também podem assumir deveres quando realizam fine-tuning com bases protegidas. Usuários, por sua vez, responderão quando provocarem ou explorarem resultados infrativos, especialmente se houver reprodução substancial de obra preexistente ou uso comercial indevido.
A proposta brasileira mais adequada parece ser um regime híbrido. Em vez de exigir autorização individual prévia para todo e qualquer treinamento, o que poderia inviabilizar aplicações socialmente úteis, o legislador deve diferenciar hipóteses. Pesquisa científica, preservação cultural, acessibilidade, segurança e usos não comerciais podem receber tratamento mais flexível, desde que acompanhados de segurança, finalidade legítima e ausência de exploração substitutiva. Treinamentos comerciais, massivos e baseados em obras protegidas devem se submeter a transparência, oposição e remuneração. Bases ilícitas ou pirateadas devem gerar responsabilidade agravada.
Esse modelo dialoga com a função social do direito autoral. A proteção autoral não existe apenas para impedir usos, mas para organizar a circulação de bens culturais e incentivar a criação. A inovação tecnológica também possui valor constitucional e econômico, mas não autoriza a captura silenciosa de trabalho intelectual alheio. O equilíbrio não está em escolher entre autores e tecnologia. Está em reconhecer que a IA generativa depende de um ecossistema criativo anterior e que esse ecossistema precisa ser juridicamente protegido para continuar existindo.
5. CONCLUSÃO
O presente artigo examinou o uso de obras protegidas no treinamento de sistemas de inteligência artificial generativa sob a perspectiva do direito autoral brasileiro. A análise demonstrou que a controvérsia não se limita à autoria de obras geradas por IA, mas alcança etapa anterior e estrutural: a formação dos modelos a partir de repertórios compostos por textos, imagens, sons, códigos e outros conteúdos juridicamente protegidos.
Buscando responder se o treinamento não autorizado pode ser admitido mediante transparência e remuneração ou se configura violação autoral, a pesquisa adotou método dedutivo, com análise jurídico-dogmática e comparativa. Partiu-se da Constituição Federal e da Lei nº 9.610/1998 para examinar os direitos patrimoniais autorais, as limitações legais, o direito comparado e a necessidade de responsabilidade civil em casos de uso abusivo ou ilícito.
No primeiro eixo, constatou-se que a IA generativa deve ser compreendida, para fins jurídicos, como sistema computacional capaz de gerar conteúdos a partir de padrões identificados em bases de treinamento. Essa explicação é importante para evitar a falsa ideia de que a máquina cria no mesmo sentido jurídico em que uma pessoa humana cria. A imputação jurídica permanece vinculada a sujeitos humanos ou empresariais responsáveis pela coleta de dados, treinamento, disponibilização e exploração econômica do sistema.
No segundo eixo, verificou-se que o treinamento de IA generativa pode envolver atos relevantes para o direito autoral, especialmente reprodução, armazenamento, mineração e inserção de obras em bases de dados. A Lei de Direitos Autorais brasileira, embora tecnologicamente aberta em alguns dispositivos, não contém exceção específica para mineração de textos e dados nem cláusula geral semelhante ao fair use norte-americano. Essa lacuna torna insegura qualquer tese de licitude ampla do treinamento comercial não autorizado.
No terceiro eixo, observou-se que o direito comparado oferece caminhos úteis, mas não transplantáveis de forma automática. A União Europeia adotou regras expressas sobre mineração de textos e dados e passou a exigir deveres de transparência de fornecedores de modelos de propósito geral. Os Estados Unidos, por sua vez, vêm construindo respostas judiciais caso a caso, com decisões que ora favorecem a tese do uso transformativo, ora rejeitam a defesa de fair use quando há impacto concorrencial ou obtenção ilícita de materiais.
Diante disso, conclui-se que o Brasil deve evitar dois extremos. A proibição absoluta do treinamento com obras protegidas poderia comprometer pesquisa, inovação, acessibilidade e desenvolvimento tecnológico. A liberação irrestrita, por outro lado, permitiria que obras intelectuais fossem convertidas em insumo econômico invisível, sem informação, controle ou compensação. A resposta juridicamente mais adequada é a construção de um regime intermediário, com dever de transparência, mecanismos efetivos de oposição, remuneração proporcional e responsabilidade civil em hipóteses de abuso.
Reconhece-se que o debate comporta posições divergentes. De um lado, sustenta-se que a exigência de autorização ou remuneração pode elevar custos de inovação, concentrar mercado e dificultar o desenvolvimento de soluções nacionais. De outro, argumenta-se que a ausência de proteção adequada enfraquece autores, artistas, jornalistas, editoras e demais titulares, transferindo valor criativo para empresas de tecnologia sem contrapartida. Ambas as preocupações são legítimas, mas nenhuma delas autoriza solução simplista.
Ao término da investigação, entende-se que o treinamento comercial de IA generativa com obras protegidas deve ser juridicamente admitido apenas sob condições regulatórias claras. A transparência deve revelar o mínimo necessário para exercício de direitos; a remuneração deve ser proporcional e operacionalmente possível; a oposição do titular deve produzir efeitos reais; e a responsabilidade civil deve incidir de modo firme quando houver uso de bases ilícitas, supressão de autoria, reprodução substancial ou prejuízo demonstrável ao mercado da obra. Esse arranjo preserva a inovação sem transformar a criação humana em matéria-prima gratuita da economia algorítmica.
REFERÊNCIAS BIBLIOGRÁFICAS
BARBOSA, Denis Borges. Uma introdução à propriedade intelectual. 2. ed. Rio de Janeiro: Lumen Juris, 2003. Disponível em: https://www.dbba.com.br/wp-content/uploads/introducao_pi.pdf. Acesso em: 23 ago. 2026.
BARTZ et al. v. ANTHROPIC PBC. Order on fair use. United States District Court, Northern District of California, 2025. Disponível em: https://docs.justia.com/cases/federal/district-courts/california/candce/3:2024cv05417/434709/231. Acesso em: 23 ago. 2026.
BRASIL. Constituição da República Federativa do Brasil de 1988. Brasília, DF: Presidência da República, 1988. Disponível em: https://www.planalto.gov.br/ccivil_03/constituicao/constituicao.htm. Acesso em: 23 ago. 2026.
BRASIL. Lei nº 10.406, de 10 de janeiro de 2002. Institui o Código Civil. Brasília, DF: Presidência da República, 2002. Disponível em: https://www.planalto.gov.br/ccivil_03/leis/2002/l10406compilada.htm. Acesso em: 23 ago. 2026.
BRASIL. Lei nº 9.610, de 19 de fevereiro de 1998. Altera, atualiza e consolida a legislação sobre direitos autorais e dá outras providências. Brasília, DF: Presidência da República, 1998. Disponível em: https://www.planalto.gov.br/ccivil_03/leis/l9610.htm. Acesso em: 23 ago. 2026.
BRASIL. Projeto de Lei nº 2.338, de 2023. Dispõe sobre o desenvolvimento, o fomento e o uso ético e responsável da inteligência artificial. Brasília, DF: Congresso Nacional, 2023. Disponível em: https://www.camara.leg.br/proposicoesWeb/fichadetramitacao?idProposicao=2487262. Acesso em: 23 ago. 2026.
CARBONI, Guilherme. Função social do direito de autor. Curitiba: Juruá, 2006.
GEIGER, Christophe. Elaborating a human rights-friendly copyright framework for generative AI. SSRN, 2024. Disponível em: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4634992. Acesso em: 23 ago. 2026.
GERVAIS, Daniel J. The machine as author. Iowa Law Review, Iowa City, v. 105, 2020. Disponível em: https://scholarship.law.vanderbilt.edu/faculty-publications/1164/. Acesso em: 23 ago. 2026.
GINSBURG, Jane C. Authors and machines. Berkeley Technology Law Journal, Berkeley, 2024. Disponível em: https://www.law.berkeley.edu/wp-content/uploads/2024/01/Authors-and-Machines-Ginsburg.pdf. Acesso em: 23 ago. 2026.
HUGENHOLTZ, Bernt. The new Copyright Directive: text and data mining (Articles 3 and 4). Kluwer Copyright Blog, 24 jul. 2019. Disponível em: https://copyrightblog.kluweriplaw.com/2019/07/24/the-new-copyright-directive-text-and-data-mining-articles-3-and-4/. Acesso em: 23 ago. 2026.
LEMLEY, Mark A.; CASEY, Bryan. Fair learning. Texas Law Review, Austin, v. 99, n. 4, 2021. Disponível em: https://texaslawreview.org/fair-learning/. Acesso em: 23 ago. 2026.
LOPES, Alden Ferreira; SANTOS, Vivianni Marques Leite dos. Entre autores e máquinas: a violação de direitos autorais pela inteligência artificial generativa. Logeion: Filosofia da Informação, Brasília, v. 11, n. 2, 2025. Disponível em: https://revista.ibict.br/fiinf/article/view/7611. Acesso em: 23 ago. 2026.
NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY. Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. Gaithersburg: NIST, 2024. Disponível em: https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence. Acesso em: 23 ago. 2026.
ORGANISATION FOR ECONOMIC CO-OPERATION AND DEVELOPMENT. Generative AI. Paris: OECD, 2026. Disponível em: https://www.oecd.org/en/topics/sub-issues/generative-ai.html. Acesso em: 23 ago. 2026.
PARANAGUÁ, Pedro; BRANCO, Sérgio. Direitos autorais. Rio de Janeiro: Editora FGV, 2009. Disponível em: https://direitorio.fgv.br/conhecimento/publicacao/direitos-autorais. Acesso em: 23 ago. 2026.
SAMUELSON, Pamela. Generative AI meets copyright. Science, Washington, v. 381, n. 6654, p. 158-161, 2023. Disponível em: https://pubmed.ncbi.nlm.nih.gov/37440639/. Acesso em: 23 ago. 2026.
THOMSON REUTERS ENTERPRISE CENTRE GMBH v. ROSS INTELLIGENCE INC. Memorandum opinion. United States District Court, District of Delaware, 2025. Disponível em: https://law.justia.com/cases/federal/district-courts/delaware/dedce/1:2020cv00613/72109/770/. Acesso em: 23 ago. 2026.
UNIÃO EUROPEIA. Directive (EU) 2019/790 of the European Parliament and of the Council of 17 April 2019 on copyright and related rights in the Digital Single Market. Official Journal of the European Union, 2019. Disponível em: https://eur-lex.europa.eu/eli/dir/2019/790/oj. Acesso em: 23 ago. 2026.
UNIÃO EUROPEIA. Regulation (EU) 2024/1689 of the European Parliament and of the Council laying down harmonised rules on artificial intelligence. Official Journal of the European Union, 2024. Disponível em: https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32024R1689. Acesso em: 23 ago. 2026.
UNITED STATES COPYRIGHT OFFICE. Copyright and Artificial Intelligence, Part 3: Generative AI Training. Washington, DC: U.S. Copyright Office, 2025. Disponível em: https://www.copyright.gov/ai/. Acesso em: 23 ago. 2026.
VOLPE, Michele Cristine Soares Campos. Direito autoral e aprendizagem de IA generativa: análise comparada Brasil e Estados Unidos no uso de obras protegidas para treinamento de IA. Revista DCS, 2025. Disponível em: https://ojs.revistadcs.com/index.php/revista/article/view/3880. Acesso em: 23 ago. 2026.
WORLD INTELLECTUAL PROPERTY ORGANIZATION. Berne Convention for the Protection of Literary and Artistic Works. Geneva: WIPO, 1971. Disponível em: https://www.wipo.int/treaties/en/ip/berne/. Acesso em: 23 ago. 2026.
1 Doutorando em Direito pela Universidad Internacional Iberoamericana do México, Mestre em Teoria do Direito e do Estado (UNIVEM) (Bolsista CAPES/PROSUP) e Pós-Graduando em Direito do Trabalho e Previdenciário (PUC-MG) e Marketing e Mídias Digitais (Estácio-RJ) (Be Academy). MBA em Liderança na Nova Economia pela Faculdade Atitude de Educação Continuada. Estudante de tecnologia em Inteligência Artificial pela Uninove - SP. Advogado; Professor de Direito em Curso Superior (IBMR-RJ e Uninassau-RJ), cursos preparatórios e pós-graduações. Palestrante. E-mail: [clique para visualizar o e-mail]acesse o artigo original para visualizar o e-mail.
2 Doutor em Direito pela Instituição Toledo de Ensino (ITE). Mestre em Direito pelo Centro Universitário Eurípides de Marília (UNIVEM). Promotor de Justiça no Ministério Público do Estado de São Paulo. Pró-Reitor Acadêmico e Professor titular do Centro Universitário Eurípedes de Marília (UNIVEM). Coordenador do Grupo de Estudos de Marília 'João Batista de Santana' da Associação Paulista do Ministério Público. Coordenador regional Escola Superior do Ministério Público do Estado de São Paulo.
3 Doutor e Mestre em Direito. Especialista em Direito e Processo do Trabalho pela Escola de Magistratura da Justiça do Trabalho no Estado do Rio de Janeiro. Bacharel em Direito. Sócio-fundador do escritório de advocacia Renzetti Advogados. Master em Programação Neurolinguística (PNL). Membro da Comissão de Educação e Relações Universitárias dos Instituto dos Advogados Brasileiros (IAB). Professor do curso em Ciências Jurídicas no Centro Universitário IBMR (Grupo Ânima). Advogado Orientador do NPJ e Professsor na Uninassau-RJ. Professor do curso de graduação em Direito da Universidade Veiga De Almeida. Autor pela editora JusPodivm. E-mail: [clique para visualizar o e-mail]acesse o artigo original para visualizar o e-mail.
4 Mestranda em Direito Empresarial e Cidadania do Centro Universitário Curitiba - Unicuritiba. Especialista em Direito do Trabalho e Processo do Trabalho. Possui graduação em Direito pela Universidade Gama Filho e Pedagogia pela Faculdade de Educação Osório Campos. Atualmente é Professora e Coordenadora do Curso de Direito do Centro Universitário IBMR (Ânima Educação). Tem experiência na área de Educação, com ênfase em Orientação e Aconselhamento
5 Docente titular no Centro Universitário Eurípedes de Marília (UNIVEM) na disciplina de Direito Digital (2025 - atual). Mestranda pelo Centro Universitário Eurípedes de Marília (2025 - atual). Graduada em Direito pelo Centro Universitário Eurípedes de Marília - UNIVEM (2016). Formação como Data Protection Officer - DPO pela Opice Blum Academy(2019). Advogada desde 2017, com atuação predominante na área Direito Digital e Proteção de Dados/LGPD.
6 Mestrando em Direito Digital pelo Centro Universitário Eurípides de Marília (UNIVEM). Possui Pós-Graduação em Direito Público pela Universidade Potiguar e pela Universidade Gama Filho, com ênfases em Direito Penal, Direito Constitucional, Direito Civil e Direito Processual Civil. Atualmente exerce o cargo de Procurador Jurídico do Poder Legislativo de Jales-SP. É membro efetivo da Comissão Permanente da Advocacia Pública da OAB-SP e integra o grupo de pesquisa NODICO, com atuação em direito digital e inteligência artificial. Currículo Lattes: https://lattes.cnpq.br/2051996455632539.
7 Pós-Doutor em Direito, Instituições e Negócios pela Universidade Federal Fluminense (UFF). Doutor e Mestre em Direito Público e Evolução Social pela Universidade Estácio de Sá (UNESA), na linha de pesquisa Direitos Fundamentais e Novos Direitos. Mestre em Administração pelo Ibmec. Especialista em Direito Imobiliário pela Universidade Cândido Mendes (UCAM) e em Direito Empresarial, Direito Público, Conciliação, Mediação, Arbitragem e Negociação, Gestão, Empreendedorismo, Tecnologia e Marketing e Lei Geral de Proteção de Dados pela FALEG. Bacharel em Direito pelo Ibmec, graduado em Gestão Comercial pela Universidade Veiga de Almeida (UVA) e no Curso Superior de Tecnologia em Negócios Imobiliários pela UVA.Professor do Mestrado Acadêmico em Direito da Universidade Cândido Mendes (UCAM).
8 Advogado, professor universitário, Mestre em Direito e Doutorando em Direito Público e Evolução Social pela Universidade Estácio de Sá (UNESA). Graduado em Direito pelo IBMEC/RJ (2018) e pós-graduado em Direito Tributário e Contabilidade Tributária, em nível de LL.M.
9 Graduanda em Direito pelo Centro Universitário Maurício de Nassau (UNINASSAU), Rio de Janeiro/ RJ, Brasil.
10 Formando em Direito (IBMR-12/2026), Pos Graduando em Direito Tributário (UNI LEGALE EDUCACIONAL), Mestre em Economia Empresarial (UCAM-RJ), MBA Gestão de Investimentos (Estácio – RJ), Graduação em Ciências Econômicas (UFF-RJ), Empresário há 20 anos, atuou 15 anos em grandes multinacionais do mercado financeiro, investidor profissional em mercado de capitais. Palestrante.