Prefere ouvir? Carregue em play para ouvir a narração por IA

A maioria dos modelos de IA generativa aprende com textos, imagens e áudio recolhidos da web aberta: blogues, fóruns, sites de notícias, perfis de redes sociais e registos públicos. Grande parte desse material diz respeito a pessoas reais e identificáveis. Durante anos, o pressuposto informal do setor foi simples: se é de acesso público, pode usar-se.

Os reguladores europeus explicaram agora, em pormenor, porque é que esse pressuposto não se sustenta. Em julho de 2026, o Comité Europeu para a Proteção de Dados (CEPD) publicou o projeto de Diretrizes 03/2026 sobre web scraping no contexto da IA generativa, e a consulta pública termina em 30 de outubro de 2026. A 8 de outubro de 2026, a autoridade britânica de proteção de dados (Information Commissioner's Office, ICO) publicou o relatório final de dois anos de supervisão dos maiores programadores de modelos de base. Em conjunto, dão a imagem mais clara até agora do que é um «scraping lícito» e do que as empresas terão de provar.

Isto importa para além dos laboratórios de IA. Se encomenda um conjunto de dados, o compra a um intermediário, faz o ajuste fino de um modelo com publicações públicas ou cria uma ferramenta de prospeção que recolhe perfis, estas regras também lhe dizem respeito.

30 out.
Prazo para comentar o projeto de diretrizes do CEPD
10
Programadores de IA que mudaram as suas práticas após o escrutínio da ICO
3%
Coima máxima do Regulamento da IA por incumprimento do resumo dos dados de treino (ou 15 M€)
0
Alterações do Omnibus Digital em vigor hoje. O RGPD aplica-se por inteiro

Porque é que o scraping está debaixo de fogo

Três desenvolvimentos surgiram com poucas semanas de intervalo:

Entretanto, as alterações ao RGPD propostas pela UE para a IA estão bloqueadas no Conselho (mais abaixo). Por agora, o que conta são as regras existentes.

«Público» não significa «de utilização livre»

O ponto de partida do CEPD é frontal. O RGPD aplica-se ao web scraping sempre que estejam em causa dados pessoais, da extração à limpeza, estruturação e conservação, quer os dados identifiquem alguém direta ou indiretamente. Há dois outros pontos a reter:

A ICO chega ao mesmo ponto por outro ângulo. Nas suas palavras, declarações vagas de que um modelo foi treinado com «informação acessível ao público» «dificilmente serão suficientes» para efeitos de transparência.

Quem é responsável: o scraper, o programador ou ambos?

As cadeias de scraping envolvem muitas vezes várias empresas, e o CEPD refere que os papéis têm de ser avaliados caso a caso, em função dos factos. As suas orientações gerais:

A ICO acrescenta que os programadores devem assegurar-se de que todos os intervenientes na sua cadeia de dados de treino, incluindo os intermediários de dados, cumprem as suas obrigações de transparência.

Interesse legítimo: o teste de três passos aplicado ao scraping

A ICO considera o interesse legítimo (art. 6.º, n.º 1, alínea f, do RGPD) realisticamente a única base jurídica para treinar IA generativa com dados pessoais obtidos por scraping. O CEPD diz que é a base em que as empresas privadas costumam apoiar-se e que as restantes são, em geral, menos prováveis. Ambos insistem em que tem de ser conquistado através de um teste de três passos documentado.

  1. Um interesse real e específico. Tem de ser lícito, claramente formulado, real e atual. A ICO acrescenta que interesses amplos como «desenvolver e melhorar os nossos produtos e serviços», «treinar os nossos modelos» ou «beneficiar a humanidade» dificilmente bastam sem especificação ou justificação.
  2. Necessidade. Restringir os critérios de recolha, em vez de «fazer scraping de uma grande parte da internet», pode ser decisivo, diz o CEPD, e os dados pseudonimizados ou sintéticos podem ser alternativas menos intrusivas. A ICO espera que os programadores expliquem por que razão outras fontes, como conjuntos de dados licenciados, não são adequadas.
  3. Ponderação. O CEPD enumera riscos como a perda de controlo, um «efeito dissuasor» sobre a liberdade de expressão, a desanonimização de quem publicou anonimamente e os deepfakes. Observa ainda que, com a tecnologia atual, os dados pessoais «não podem ser facilmente eliminados» de um modelo treinado.

As expectativas razoáveis pesam muito, e o CEPD liga-as de perto ao que os sites sinalizam. Quem publica numa plataforma aberta que permite o scraping, e o diz, pode razoavelmente esperar que os programadores de IA recolham o seu conteúdo. Quem publica numa plataforma que bloqueia scrapers com robots.txt e CAPTCHA, e diz que não permite o treino de IA com dados dos utilizadores, não pode.

O projeto mostra também onde fica a linha. Uma organização que recolhe gravações de voz públicas para vender uma ferramenta de geração de voz, sem salvaguardas contra a reutilização maliciosa, «não pode invocar» o interesse legítimo. Um modelo de texto treinado apenas com conteúdo de livre acesso que as pessoas tornaram manifestamente público, respeitando as reservas de direitos de autor, com salvaguardas contra a memorização, pedidos de direitos fáceis e uma lista pública de fontes, pode em geral passar no teste.

Transparência quando não pode informar todos

O artigo 14.º do RGPD exige que se informem as pessoas cujos dados foram obtidos indiretamente. Quando se recolheram dados sobre milhões de pessoas, as notificações individuais são muitas vezes impossíveis. O artigo 14.º, n.º 5, alínea b, permite uma exceção por impossibilidade ou esforço desproporcionado, mas o CEPD diz que «não deve ser invocada de forma rotineira», e a ICO adverte contra o seu uso como isenção «generalizada».

Se invocar a exceção, o CEPD diz que tem pelo menos de tornar a informação pública, por exemplo num aviso dedicado no seu site. Deve abranger as categorias de dados, as finalidades e a base jurídica, os direitos das pessoas e uma indicação precisa das fontes, incluindo as características do rastreador. Como boa prática, liste os domínios e URL recolhidos, em formato pesquisável, com o período de recolha.

A escala importa. O CEPD contrapõe o scraping de 20 anos de mensagens de um fórum sem identificadores diretos, em que a informação individual seria desproporcionada, ao ajuste fino com mensagens de um grupo fechado de 5.000 pessoas identificáveis. No segundo caso, cada pessoa deve ser informada individualmente.

Isto sobrepõe-se ao Regulamento da IA. O modelo da Comissão pede aos fornecedores de modelos de IA de finalidade geral que indiquem os seus rastreadores, o período de recolha e listem os 10% principais dos domínios recolhidos (para as PME, os 5% principais ou 1.000 domínios, o que for menor). Um bom inventário de fontes pode servir as duas leis.

🧭
Ferramenta GDPRGard
Não sabe que obrigações do RGPD se aplicam à sua recolha de dados?

Responda a algumas perguntas na nossa árvore de decisão do RGPD para ver que obrigações se aplicam a uma utilização concreta de dados pessoais ou de IA.

Abrir a árvore de decisão →

Minimização e exatidão: decida antes de rastrear

A minimização de dados não proíbe o treino com grandes volumes, sublinha o CEPD. Proíbe recolher dados pessoais de que não precisa, e essa avaliação tem de ser feita antes de o scraping começar:

Quanto à exatidão, o CEPD recomenda fontes fiáveis como os registos oficiais, a datação do que recolhe e a verificação de amostras antes do treino.

Dados sensíveis: a via do «motor de pesquisa» e os seus limites

As categorias especiais de dados, como saúde, opiniões políticas ou orientação sexual, precisam de uma base jurídica ao abrigo do artigo 6.º e de uma exceção ao abrigo do artigo 9.º, n.º 2. O scraping quase inevitavelmente apanha alguns.

O projeto do CEPD propõe um caminho estreito para os dados recolhidos de forma incidental e residual, apesar dos esforços para os evitar. Apoia-se no acórdão do Tribunal de Justiça GC e Outros (C-136/17, 24 de setembro de 2019), segundo o qual os operadores de motores de pesquisa estão sujeitos às regras sobre dados sensíveis «no âmbito das suas responsabilidades, competências e possibilidades». O CEPD diz que este raciocínio pode aplicar-se ao scraping para IA se puder demonstrar que:

Essas medidas são exigentes: filtros e exclusão de sites antes da recolha, eliminação logo que os dados sensíveis sejam identificados (incluindo a pedido plausível), testes de extração e filtros de saída durante o desenvolvimento, e monitorização contínua das saídas após o lançamento. O Comité é claro: não se trata de uma isenção geral do artigo 9.º.

A ICO é mais cética. Considera improvável que a exceção dos dados «manifestamente tornados públicos» abranja os dados sensíveis recolhidos por scraping, porque os programadores não conseguem verificar que a pessoa pretendia torná-los públicos, e diz que a condição da investigação científica dificilmente cobre todo o desenvolvimento de modelos. A ICO reconhece abertamente que isto «limita a capacidade de os programadores treinarem licitamente os seus modelos com categorias especiais de dados» e está a discutir o assunto com o Governo britânico.

O modelo também pode ser dado pessoal

Os riscos do scraping não terminam quando o treino acaba. A ICO reitera que os modelos podem conter dados pessoais porque é possível extrair deles dados de treino, uma visão compatível com o Parecer 28/2024 do CEPD. Adverte que os dados de treino obtidos da web podem incluir assinaturas de e-mail, chaves de API e palavras-passe, e espera que os programadores testem os modelos quanto à «identificação individualizada» (singling out) e à «associabilidade». Destaca também uma boa prática quanto aos direitos: a Apple, por exemplo, permite que qualquer pessoa assinale páginas web que não devem ser usadas para treino e diz aos proprietários de sites como bloquear o seu rastreador para treino, mantendo a indexação nos motores de pesquisa.

Para onde pode caminhar o Direito

O Omnibus Digital da Comissão, apresentado em novembro de 2025, propõe alterações ao RGPD relevantes para o treino de IA. Segundo um texto de compromisso do Conselho de 3 de setembro de 2026 (documento 12535/26), divulgado e noticiado pela GDPR Local e pela organização de privacidade noyb, um considerando diria que o tratamento de dados pessoais para desenvolver e implementar IA «pode ser considerado» interesse legítimo, salvo se prevalecerem os direitos da pessoa. Outro considerando permitiria, em circunstâncias limitadas, os dados sensíveis que acabem nos conjuntos de treino «de forma incidental e residual». A noyb opõe-se firmemente à proposta, e o seu presidente, Max Schrems, chamou-lhe «uma expropriação digital dos europeus». Analisamos o texto do Conselho no nosso artigo sobre o Omnibus Digital e o interesse legítimo para a IA.

O dossiê está longe de estar resolvido. Os embaixadores da UE não conseguiram acordar uma posição negocial do Conselho a 7 de outubro de 2026, sobretudo por causa dos segredos comerciais na parte do Regulamento de Dados do pacote. Segundo a MLex, o ponto foi depois retirado da ordem de trabalhos da reunião de 11 de outubro, sem nova data. O Parlamento Europeu tinha apresentado cerca de 1.840 alterações em agosto. A 12 de outubro de 2026, nada disto é lei, e o RGPD aplica-se por inteiro.

Para além da UE: Japão e Brasil

Japão. O Japão alterou a sua lei de privacidade (APPI) para permitir a utilização de dados sem consentimento, incluindo dados sensíveis publicamente disponíveis, para fins estatísticos, o que pode abranger o desenvolvimento de IA organizado como produção de estatísticas. Um documento de trabalho do secretariado do regulador, publicado a 1 de outubro de 2026, sugere que as empresas que recorram a esta via publiquem os dados exigidos numa única página web legível por rastreadores. É um projeto, não são regras definitivas.

Brasil. A LGPD (Lei 13.709/2018) inclui o interesse legítimo entre as suas bases jurídicas, mas não na lista do artigo 11 para dados sensíveis. Numa intervenção na FGV Direito Rio a 29 de abril de 2026, Iagê Miola, membro do conselho da ANPD, disse que a autoridade ainda não tem uma posição definitiva sobre o interesse legítimo para o treino de IA. Referiu que os participantes na consulta não o viam como inválido, que as opiniões sobre o scraping estavam divididas e que a falta de uma base de interesse legítimo para dados sensíveis era a principal preocupação. Se for usado, exigiria ponderações sólidas e transparência real. As empresas brasileiras que oferecem bens ou serviços a pessoas na UE já estão abrangidas pelo RGPD através do seu artigo 3.º, n.º 2, pelo que as orientações do CEPD se lhes aplicam diretamente.

Para as empresas globais, «scraping lícito» significará coisas diferentes em mercados diferentes. Construir segundo a norma mais rigorosa, a da UE e do Reino Unido, é a opção por defeito mais segura.

Lista prática para empresas que fazem scraping ou compram dados recolhidos

Conclusão

A mensagem de Bruxelas e de Londres é coerente: a web aberta não é terra de ninguém, mas também não é território proibido. Fazer scraping de dados pessoais para treinar IA pode ser lícito quando é direcionado, minimizado, transparente e apoiado em salvaguardas cuja eficácia consiga demonstrar. As empresas que terão dificuldades são as que não conseguem dizer de onde vieram os seus dados, porque precisavam deles ou o que fizeram para proteger as pessoas neles incluídas. As diretrizes do CEPD ainda são um projeto e o Omnibus Digital pode ainda deslocar o debate, mas mapear fontes, filtrar dados, publicar avisos e testar modelos compensará com qualquer versão das regras.

Marque uma consulta gratuita com a GDPRGard → e ajudamo-lo a verificar as suas fontes de dados e os seus avisos de treino.

Fontes

Partilhar este artigo

Leia também:

⚠️ Este artigo destina-se apenas a fins informativos e não constitui aconselhamento jurídico. Para situações de conformidade complexas, consulte um profissional qualificado em proteção de dados. Os requisitos do RGPD e do Regulamento europeu de IA estão sujeitos a orientações regulatórias em constante evolução — verifique as suas obrigações atuais com o seu consultor jurídico.