Duas exposições jurídicas distintas recaem sobre qualquer equipa que treine um modelo de IA, e surgem de duas direções diferentes. A primeira é regulatória: a partir de 2 de agosto de 2026, o Artigo 10.º do Regulamento de IA da UE exige que os fornecedores de sistemas de IA de risco elevado documentem os seus conjuntos de dados de treino, validação e teste, incluindo os processos de recolha de dados e a origem dos mesmos. A segunda é civil: um titular de direitos de autor pode alegar que a sua obra foi utilizada sem autorização, e cabe à empresa de IA o ónus de demonstrar que dados utilizou efetivamente e como os obteve.
Ambas as exposições colocam, no fundo, a mesma questão: o que está contido no conjunto de dados, de onde veio e quando foi obtido. É isso que "proveniência" significa na prática, e vale a pena ser preciso quanto ao que um registo com marca temporal pode e não pode provar.
O que o Artigo 10.º realmente exige
O Artigo 10.º aplica-se aos sistemas de IA de risco elevado e estabelece as práticas de governação de dados que um fornecedor deve ter implementadas. As obrigações abrangem as opções de conceção feitas na recolha dos dados, o próprio processo de recolha e a origem dos dados, as etapas de preparação como anotação, rotulagem e limpeza, uma avaliação sobre se o conjunto de dados é relevante e suficientemente representativo para a finalidade pretendida, e um exame de eventuais enviesamentos. Quando um fornecedor identifica lacunas que impedem a conformidade, isso também tem de ser documentado.
Nada disto exige que uma empresa prove ter obtido autorização para cada direito de autor presente num conjunto de treino. O Artigo 10.º é um regime de qualidade e governação de dados, não um regime de autorização de direitos de autor. Mas responder-lhe bem exige o mesmo registo subjacente de que uma defesa em matéria de direitos de autor necessita: que dados foram incluídos, de onde vieram e quando.
A exposição civil, em separado
As reivindicações de direitos de autor contra práticas de treino de IA constituem uma área de litígio ativa e em curso em múltiplas jurisdições, com processos movidos por editoras, autores, titulares de direitos musicais e bancos de imagens contra grandes empresas de IA. As teses jurídicas variam consoante a jurisdição e o caso, e os tribunais continuam a analisar questões fundamentais, como saber se o treino sobre material protegido por direitos de autor constitui uso transformativo e de que forma as obrigações de licenciamento interagem com as exceções para mineração de dados. Não vamos prever como se resolverá qualquer caso específico, e um registo de dados de treino também não resolve essa questão.
Na prática, o que determina uma reivindicação deste tipo é a prova. Se um titular de direitos alegar que a sua obra foi recolhida sem autorização, a resposta da empresa de IA depende da capacidade de demonstrar, com um registo que não foi escrito a posteriori, o que recolheu, de onde e em que condições. Uma empresa incapaz de reconstituir a sua própria cadeia de fornecimento de dados está a argumentar de memória contra um autor com uma queixa concreta.
O que "proveniência" significa, na prática, para um conjunto de dados
A cadeia de custódia de um conjunto de dados de treino divide-se em três elementos que vale a pena controlar separadamente:
- Registo de aquisição. Quando é que uma fonte foi adicionada ao corpus, a partir de que URL, API, licenciador ou fornecedor, e sob que versão dos termos dessa fonte, em vigor nessa data.
- Registo de licenciamento. Que acordo, caso exista, cobre a utilização, seja uma licença direta, uma concessão ao abrigo dos termos de serviço de uma plataforma, uma licença aberta, ou o recurso a uma exceção de mineração de texto e de dados como o Artigo 4.º da Diretiva sobre Direitos de Autor no Mercado Único Digital, e se o titular dos direitos tinha reservado direitos contra essa exceção de forma legível por máquina.
- Registo de integridade. Prova de que o conjunto de dados que uma empresa apresenta hoje é exatamente aquele com que efetivamente treinou o modelo, e não uma reconstrução montada posteriormente para efeitos de um litígio.
Destes três, o registo de integridade é aquele para o qual a maioria das equipas não tem uma boa resposta. Os registos de aquisição e de licenciamento tendem a estar dispersos por e-mails, contratos com fornecedores e wikis internas. Mesmo quando existem, muitas vezes não há forma de provar que o conjunto de dados referido nesses documentos é o mesmo conjunto de ficheiros com que o modelo foi efetivamente treinado, meses ou anos depois.
O que uma marca temporal qualificada prova, e o que não prova
Selar um hash criptográfico de um conjunto de dados no momento da aquisição, com uma marca temporal qualificada, cria um registo defensável de que um conjunto específico de bytes existia e estava na sua posse num determinado momento. Trata-se de uma afirmação restrita, mas genuinamente útil. Significa que é possível demonstrar a um tribunal, meses ou anos depois, exatamente qual era o aspeto do conjunto de dados no momento da recolha, sem depender apenas da sua própria palavra ou de um documento que poderia ter sido editado posteriormente.
É importante ser preciso quanto aos limites desta afirmação, porque exagerá-la é pior do que não a fazer. Um hash selado prova a existência e a posse num determinado momento. Não prova que a empresa tinha autorização para utilizar o conteúdo, nem prova que o conteúdo foi obtido licitamente em primeiro lugar. O licenciamento e a autorização são questões jurídicas distintas que uma marca temporal, por si só, não consegue responder. O que ela faz é eliminar toda uma categoria de litígio, a de saber sequer o que a empresa possuía e quando, permitindo que o verdadeiro debate sobre os termos de licenciamento se baseie nos factos, em vez de depender de qual das versões dos acontecimentos um tribunal está disposto a acreditar.
Para uma empresa confrontada com um regulador que questiona a governação de dados ao abrigo do Artigo 10.º, ou com um titular de direitos que alega utilização não autorizada, a diferença entre dizer "aqui está o hash com marca temporal do conjunto de dados exato, selado na data em que o adquirimos, juntamente com os nossos registos de licenciamento" e dizer "acreditamos que foi mais ou menos isto que utilizámos" é a diferença entre uma posição defensável e uma posição impossível de verificar.
Onde isto se enquadra num fluxo de trabalho prático
As equipas que desenvolvem produtos de IA e precisam de defender tanto a questão da governação prevista no Artigo 10.º como a questão subjacente de direitos de autor beneficiam de tratar a aquisição de conjuntos de dados como um evento discreto e selado, em vez de uma pasta contínua e alterável. Calcule o hash e sele uma captura do conjunto de dados no momento da aquisição, anexe os termos de licenciamento em vigor nesse momento, e mantenha esse registo separado de qualquer limpeza ou filtragem que ocorra posteriormente. Se surgir um litígio mais tarde, relativo a uma fonte específica, uma data específica ou uma licença específica, o registo já existe, em vez de ter de ser reconstruído sob pressão.
A nossa página sobre proveniência de conjuntos de dados de IA explica como isto funciona para equipas que precisam de um registo com marca temporal e admissível em tribunal sobre o que um conjunto de dados continha e quando foi adquirido, juntamente com a documentação de licenciamento que responde à questão distinta da autorização.
