A inteligência artificial apresenta novos desafios de privacidade, mas tratar a IA como se vivesse fora dos parâmetros da lei comum de privacidade é uma falácia. A lição emergente de reguladores e órgãos de fiscalização de privacidade é cada vez mais clara: não existe excepcionalismo para a IA. Os mesmos princípios que há muito governam o uso responsável de dados continuam valendo. O que muda é como e onde esses princípios precisam ser construídos. Nestes dias iniciais, a IA oferece uma oportunidade de ir além da conformidade “tradicional”, embutindo privacidade, transparência e controle do usuário na própria arquitetura.

O problema da conformidade “tradicional”

A conformidade de privacidade “tradicional” muitas vezes se concentra em políticas de coleta, uso, divulgação e retenção alinhadas ao que a empresa diz em suas declarações e políticas de privacidade. A realidade emergente com a IA complica esse quadro. A IA infere, resume, lembra, classifica e, cada vez mais, age através de fronteiras borradas.

Isso desloca a IA para uma categoria mais próxima de ação delegada, onde o usuário não controla nem observa cada ação. Essa relação de ação delegada cria um perfil de risco e uma superfície de ataque diferentes para danos à privacidade. A preocupação central não é apenas que um modelo possa processar dados pessoais, mas que o sistema possa decidir quais dados precisa, acessar mais do que a tarefa exige, mover informações entre contextos e agir antes que o usuário entenda completamente o que aconteceu.

Reguladores: sem excepcionalismo

Apesar dos argumentos mais amplos de excepcionalismo da IA, os reguladores não estão tratando a IA como uma categoria exótica fora da lei de privacidade. Em vez disso, estão identificando onde os princípios familiares de privacidade se tornam mais difíceis de operacionalizar. Exemplos em andamento:

• Reino Unido (ICO): agentes de IA devem ter propósitos claros para coletar e processar informações, e a seleção de quais bancos de dados os agentes podem acessar é fundamental para requisitos de minimização de dados.
• Supervisor Europeu de Proteção de Dados (EDPS): supervisão humana como mecanismo crucial de responsabilização para dados de saída e inferências feitas por um modelo de IA.
• Hong Kong (PCPD): controles de direito de acesso e avaliações contínuas de risco como pilares da conformidade.
• Singapura (PDPC): datasets de web-scraping contendo dados pessoais podem ser justificados pela “Exceção de Disponibilidade Pública”.
• Austrália (OAIC): obrigações de privacidade se aplicam tanto às informações inseridas quanto às geradas pelos sistemas de IA.

Nos Estados Unidos, ações de fiscalização da FTC fornecem orientação relevante: o acordo da Rite Aid exige testes pré-implantação; o caso Drizly mostra que minimização de dados e limites de retenção devem ser requisitos básicos de segurança; o acordo com a GM destaca que serviços conectados não podem coletar, usar e divulgar dados sensíveis silenciosamente; e o caso Amazon Alexa demonstra a necessidade de respeitar o desejo dos usuários de excluir dados e garantir que não sejam usados para treinar modelos.

Três fios condutores comuns

1. Limitação de propósitos

As limitações de propósito devem ser arquitetadas nos serviços de IA, e não meramente contratuais. Em sistemas agênticos, definir limites claros de propósito significa restringir quais ferramentas cada agente pode chamar, quais datasets pode recuperar, quais memórias pode usar, se os dados podem se mover entre contextos, quando o usuário deve confirmar uma ação e se as saídas podem ser usadas para treinamento. Isso operacionaliza a privacidade aderindo ao princípio de segurança do menor privilégio.

2. Implantação responsável

Os reguladores são céticos em relação à ideia de que a autonomia dissolve a responsabilidade. Uma organização que constrói, compra, implanta ou integra IA permanece responsável por como os dados pessoais são usados. Os testes devem incluir avaliações específicas de privacidade: o agente acessa dados fora da tarefa? Retém informações desnecessariamente? Resiste a injeção de prompt? A organização consegue reconstruir quais dados foram acessados, quais ferramentas foram chamadas e por quê?

3. Transparência e controle de uso

A transparência e o controle de uso devem passar do aviso para a interface. Os usuários precisam de controles no ponto de ação: dashboards de memória que mostram o que o sistema de IA lembra e permitem editar ou excluir, recibos de permissão explicando quais dados um agente acessou, confirmações pré-ação antes que um agente envie uma mensagem, alternância entre contextos pessoal e profissional, e controles como “não lembre disto” e “por que você usou aquilo?”.

Conclusão

Ao contrário da economia de publicidade na internet, onde privacidade e lucro muitas vezes estiveram em tensão, a IA apresenta uma oportunidade de alinhá-los. Privacidade, transparência e controle do usuário podem se tornar parte do próprio produto — recursos que fortalecem a confiança, melhoram a experiência do usuário e tornam os sistemas de IA mais atraentes comercialmente. A questão para desenvolvedores e implantadores de IA não é se os princípios de privacidade existentes podem sobreviver à nova tecnologia, mas se as entidades aproveitarão a oportunidade para traduzir esses princípios na arquitetura e, em última análise, na proposta de valor de seus produtos.

---

Fonte original: Privacy by Architecture Makes AI Compliance Work - Tech Policy Press, por Isabel Hahn e Aaron Alva, 31 de agosto de 2026.

Imagem: Silicon Landscapes por Sinem Görücü, via Better Images of AI, licenciada sob CC BY 4.0.