Raspagem de dados para treinar IA e a base legal contestada
A coleta automatizada que alimenta modelos de IA colide com os princípios da LGPD, e a Agência Nacional de Proteção de Dados já cobra base legal e RIPD.
Treinar inteligência artificial com dados raspados da web virou terreno minado. A coleta automatizada que abastece os grandes modelos esbarra em quase todos os princípios da proteção de dados — finalidade, minimização, transparência e base legal — e a defesa do "é dado público" já não segura. A Agência Nacional de Proteção de Dados firmou que dado tornado público não libera qualquer uso por IA, exigiu Relatório de Impacto no caso Grok e colocou raspagem entre suas prioridades. Quem desenvolve ou contrata modelos precisa saber sobre qual base legal eles foram construídos.
01 O fato e por que importa
O Conselho da União Europeia estuda retirar do pacote Digital Omnibus o dispositivo que fixaria o legítimo interesse como base legal para treinar inteligência artificial com dados pessoais, segundo relatos de abril de 2026 — movimento que contraria parecer conjunto de fevereiro de 2026 do Comitê Europeu de Proteção de Dados (EDPB) e do Supervisor Europeu (EDPS). A discussão expõe um problema estrutural: a coleta automatizada de dados na web (o scraping que abastece os grandes modelos) colide com quase todos os princípios da proteção de dados, tese sustentada no artigo The Great Scrape, publicado na California Law Review em outubro de 2025.
No ordenamento brasileiro, esses princípios têm o mesmo peso e estão no art. 6º da LGPD (Lei nº 13.709/2018): finalidade (inciso I, que exige propósito legítimo, específico, explícito e informado ao titular, sem uso posterior incompatível), necessidade (inciso III, que limita o tratamento ao mínimo indispensável) e transparência (inciso VI, informação clara sobre o tratamento). A raspagem em massa, por definição, coleta o que encontra sem finalidade específica e sem informar o titular — o oposto do que a lei pede. Some-se a exigência de base legal do art. 7º e, para dados sensíveis como os biométricos, a hipótese específica do art. 11.
A consequência para o jurídico e o compliance é direta: modelos construídos sobre dados raspados ficam assentados em base legal contestada, e essa exposição não desaparece com o tempo. Não se trata de risco hipotético para quem apenas contrata um modelo de terceiro — a origem dos dados de treinamento vira questão a mapear antes de colocar a ferramenta em produção.
02 O que considerar a partir daqui
- Base legal do treinamento. O modelo (próprio ou contratado) foi treinado com dados raspados? Sob qual hipótese do art. 7º ou do art. 11 da LGPD? Sem resposta clara, o ativo nasce contestável.
- Dado público não é dado livre. Rever a premissa de que informação já publicada pode ser reaproveitada por IA — a Agência Nacional de Proteção de Dados já rejeitou essa leitura.
- Dados sensíveis e biométricos. Verificar se imagens de rosto ou dados biométricos entraram no conjunto de treino; se sim, o art. 11 exige hipótese específica, não basta legítimo interesse.
- Cadeia de fornecedores. Contratos com fornecedores de modelos e de datasets precisam de garantias sobre a origem e a licitude dos dados usados no treinamento.
- Relatório de Impacto. Avaliar a necessidade de RIPD (art. 38 da LGPD), documento que a Agência pode exigir e que já foi cobrado em caso concreto.
Vale lembrar que a análise pode variar conforme o caso concreto, permitindo a consideração de outros pontos pertinentes.
03 O que já está acontecendo no Brasil
A Agência Nacional de Proteção de Dados enfrentou a lógica do "dado público" na Nota Técnica nº 1/2026, de 20 de janeiro de 2026, sobre o sistema Grok integrado à plataforma X. A autoridade firmou que conteúdo sintético que reproduz pessoa real identificável é dado pessoal e, quando envolve elementos biométricos, dado pessoal sensível. O ponto que interessa à raspagem: imagens "tornadas manifestamente públicas" pelo titular não autorizam uso incompatível por IA, o que caracteriza desvio de finalidade (art. 6º, I, da LGPD) e ausência de base legal para dados sensíveis (art. 11).
Em recomendação conjunta com o Ministério Público Federal e a Senacon, e em determinação de 11 de fevereiro de 2026, os órgãos exigiram medidas técnicas imediatas e Relatório de Impacto à Proteção de Dados específico, sob risco de sanções da LGPD, do Código de Defesa do Consumidor e do Marco Civil da Internet. A leitura prática para o encarregado é que finalidade compatível e base legal valem mesmo sobre dado já público.
Não há, no Brasil, lei específica sobre raspagem de dados; o tema é enfrentado por aplicação analógica das normas vigentes — LGPD, Código de Defesa do Consumidor e Marco Civil da Internet —, como fez a recomendação conjunta. A Agência colocou raspagem e IA entre os temas prioritários do biênio 2026-2027 e mantém, até dezembro de 2026, a fase de testagem do sandbox regulatório de inteligência artificial. Os documentos de planejamento da autoridade são hoje o melhor termômetro do que pode virar norma ao longo do ano.
04 O que está acontecendo em outros países
Na União Europeia, a defesa preferida dos raspadores — "são dados públicos" — já é testada nos casos mais emblemáticos. A autoridade holandesa fixou 30,5 milhões de euros em 2024 contra a Clearview AI, que raspou mais de 50 bilhões de imagens de rostos para alimentar reconhecimento facial. A Meta retomou em maio de 2025 o treinamento de IA com posts públicos apoiada em legítimo interesse e em sistema de oposição (opt-out), o que a organização noyb contesta por entender que a base correta seria o consentimento.
Não há consenso entre reguladores, e essa divergência é parte do risco. A CNIL francesa admite, em orientação de 2025, o desenvolvimento de IA com dados acessíveis publicamente sob legítimo interesse, desde que cumpridos os testes de necessidade e proporcionalidade e respeitados sinais de recusa na origem; a autoridade holandesa sustenta o contrário, que raspar dados com fim de lucro dificilmente preenche o teste e tende a exigir consentimento. O EDPB, que já fixou o teste de três etapas para o legítimo interesse, prepara diretrizes dedicadas a web scraping no contexto de IA generativa. O contraste com o Brasil é limpo: os pontos em disputa lá são os mesmos que a LGPD aciona aqui.
| Tema | Brasil (LGPD) | União Europeia (GDPR) |
|---|---|---|
| Dado tornado público | Não libera uso incompatível; exige finalidade e base legal (art. 7º; NT nº 1/2026 da Agência) | Sem isenção automática; avaliação caso a caso (art. 6; EDPB) |
| Dados sensíveis / biométricos | Hipótese específica do art. 11 | Vedação com exceções do art. 9 |
| Legítimo interesse no treino | Base do art. 7º, IX, com teste de balanceamento (LIA) | Art. 6(1)(f), com teste de três etapas do EDPB |
05 Riscos envolvidos
A raspagem em massa para treino de modelos aciona riscos nas três dimensões, amarrados ao mesmo fato: dados coletados sem base legal e sem informação ao titular, muitas vezes incluindo imagem e biometria.
- Perda de controle sobre informações reveladas e reutilizadas sem seu envolvimento — intimidade e vida privada e proteção de dados (art. 5º, X, XII e LXXIX, da CRFB/88; art. 46 da LGPD).
- Dano à imagem e à honra pelo uso de rosto e biometria sem consentimento — art. 5º, V e X, da CRFB/88 (art. 20 do Código Civil; art. 42 da LGPD).
- Discriminação algorítmica por viés no conjunto de treinamento — igualdade e não discriminação (art. 5º, I, caput e XLI, da CRFB/88; art. 6º, IX, e art. 20 da LGPD).
- Tratamento sem base legal válida (art. 7º e, para dados sensíveis, art. 11 da LGPD).
- Violação dos princípios de finalidade, necessidade e transparência (art. 6º, I, III e VI, da LGPD).
- Ausência de Relatório de Impacto quando exigido e descumprimento de determinação da Agência (art. 38 da LGPD).
- Exposição a sanções administrativas — de advertência, bloqueio e eliminação de dados a sanções pecuniárias.
- Ordem de apagamento do modelo treinado com dados ilícitos, remédio que recai sobre o próprio ativo de IA.
- Responsabilização pessoal de administradores e dano reputacional.
Vale notar que estes riscos são exemplificativos; a análise do caso concreto pode revelar vulnerabilidades adicionais.
Alto risco
- Critério geral. Tratamento em larga escala (número significativo de titulares, grande volume de dados e alcance geográfico amplo) e tratamento que pode afetar significativamente direitos fundamentais (dano à imagem, discriminação).
- Critério específico. Uso de tecnologias emergentes ou inovadoras (IA generativa e reconhecimento facial) e tratamento de dados pessoais sensíveis (biométricos).
06 Guardrails de proteção
- Contra o tratamento sem base legal. Mapear a origem e a base legal dos datasets e documentar o teste de balanceamento (LIA) quando o fundamento for legítimo interesse, apoiado no Guia de Legítimo Interesse da Agência e na ISO/IEC 42001 (governança de IA).
- Contra dados sensíveis e biométricos indevidos. Filtrar e minimizar o conjunto de treino, excluindo rostos e biometria sem hipótese do art. 11, com controles da ISO/IEC 27701 e do NIST Privacy Framework.
- Contra o risco algorítmico não avaliado. Conduzir avaliação de impacto (RIPD e avaliação de impacto algorítmico) usando as funções Mapear e Medir do NIST AI RMF, cobrindo o art. 38 da LGPD.
- Contra a falta de canal ao titular. Implementar mecanismos de oposição e atendimento a direitos (opt-out, correção e eliminação) e transparência sobre o uso de dados no treinamento.
O rol de salvaguardas técnicas e administrativas sugeridas é exemplificativo, permitindo a aplicação de outras medidas de mitigação conforme a análise do caso concreto.
Mesmo com a implementação de salvaguardas técnicas e administrativas, permanecem riscos residuais inerentes, os quais podem ser intensificados por alterações nas operações. O perigo mais significativo, todavia, é a falta de iniciativa.
Na data de publicação deste comentário, todos os links estavam disponíveis. Não nos responsabilizamos, nem controlamos a alteração e/ou retirada das URLs nem do conteúdo das fontes consultadas.