A IA é o maior risco de conformidade do RGPD em 2026

Durante a maior parte da última década, estar em conformidade com o RGPD significava ter os fundamentos bem resolvidos: uma base jurídica documentada, um registo organizado das atividades de tratamento, um banner de cookies que funcionasse mesmo, um procedimento de notificação de violações que ninguém tinha de improvisar sob pressão. As empresas que investiram nesses fundamentos podiam considerar-se, com razão, conformes. Em 2026, isso já não basta. A inteligência artificial tornou-se a maior fonte de risco do RGPD, e os reguladores europeus têm demonstrado — através de orientações, investigações e medidas de aplicação — que os sistemas de IA não têm qualquer isenção face aos princípios que regem a proteção de dados desde 2018. Se algo muda, é que a IA eleva a fasquia, porque estes sistemas conseguem gerar, a partir de dados pessoais, novos resultados prejudiciais de formas que os redatores originais do regulamento nunca tiveram de imaginar.

O RGPD foi redigido para ser tecnologicamente neutro, e em princípio as suas obrigações fundamentais aplicam-se tanto a um modelo de aprendizagem automática como a uma folha de cálculo com dados de clientes. Na prática, a IA complica quase todas essas obrigações. Os dados de treino são frequentemente recolhidos em grande escala, por vezes por scraping de fontes públicas, e raramente reunidos com uma finalidade específica e documentada em mente — o que se concilia mal com a limitação da finalidade e a minimização de dados. Os modelos podem memorizar e depois reproduzir dados pessoais de formas que ninguém consegue prever ou controlar totalmente. E, uma vez implementado, um modelo pode, através dos seus resultados — recomendações, classificações, imagens ou textos gerados —, constituir ele próprio um novo tratamento de dados pessoais, com novos riscos associados. Os reguladores não tratam a IA como uma questão à parte; tratam-na como uma extensão das obrigações do RGPD já existentes, aplicadas com particular rigor. Três requisitos em especial passaram a estar no centro da atividade de fiscalização: as avaliações de interesse legítimo para os dados de treino, as avaliações de impacto obrigatórias para o tratamento biométrico, e a prova de que os dados de treino foram, antes de mais, obtidos licitamente.

O interesse legítimo não é um passe livre

Muitas organizações que constroem ou afinam modelos de IA têm recorrido ao «interesse legítimo» como base jurídica para usar dados pessoais no treino, sobretudo quando obter o consentimento individual de cada titular dos dados seria impraticável. Os reguladores não rejeitaram totalmente esta abordagem — mas deixaram claro que não se trata de uma justificação genérica. Exige uma avaliação documentada e defensável.

Uma avaliação de interesse legítimo adequada para dados de treino de IA tem de estabelecer três coisas: que o interesse prosseguido é genuíno e lícito, que o tratamento é necessário para o alcançar (sem que exista uma alternativa menos intrusiva), e que esse interesse não é superado pelos direitos e liberdades das pessoas cujos dados são usados. No caso da IA, isso significa em concreto conseguir demonstrar porque é que um determinado conjunto de dados era necessário, porque é que a anonimização ou os dados sintéticos não eram alternativas viáveis, e que salvaguardas limitam o impacto sobre as pessoas. As organizações que não conseguem apresentar esta documentação quando lhes é pedida encontram-se cada vez mais do lado errado de uma investigação. Explicámos em detalhe o quão exigente este teste se tornou em o nosso artigo sobre as novas orientações do CEPD relativas ao web scraping — os conjuntos de dados antigos não têm um passe livre só porque as regras não existiam quando foram recolhidos.

O tratamento biométrico e a obrigação de AIPD

Os dados biométricos — reconhecimento facial, impressões de voz, análise da marcha e identificadores semelhantes — pertencem a uma categoria especial de dados pessoais ao abrigo do RGPD, e a IA tornou o tratamento biométrico muito mais comum e muito mais poderoso. Os sistemas de reconhecimento facial, as ferramentas de deteção de emoções e a tecnologia de clonagem de voz dependem todos do tratamento desta categoria de dados em grande escala.

Devido ao risco acrescido, uma Avaliação de Impacto sobre a Proteção de Dados (AIPD) não é opcional para estes sistemas — é obrigatória antes de o tratamento começar. Uma AIPD tem de descrever as operações de tratamento e as suas finalidades, avaliar se o tratamento é necessário e proporcionado, identificar os riscos para as pessoas, e definir as medidas adotadas para os enfrentar. No caso da IA biométrica, essa avaliação tem de encarar honestamente perguntas fáceis de saltar na pressa de lançar um produto: Qual é a precisão do sistema em diferentes grupos demográficos? O que acontece se identificar erradamente alguém? As pessoas podem optar por não participar, e que alternativa lhes é oferecida se o fizerem? Os reguladores pedem cada vez mais estas avaliações como primeiro passo em qualquer investigação sobre uma implementação de IA biométrica — e a sua ausência é tratada como uma falha de conformidade significativa por si só, independentemente do que o sistema subjacente realmente faça.

Proveniência lícita dos dados de treino

O terceiro pilar do risco do RGPD específico da IA é mais básico, mas provavelmente mais difícil de corrigir a posteriori: os dados de treino foram, antes de mais, obtidos licitamente? Os grandes modelos de linguagem e os geradores de imagens são frequentemente treinados com dados recolhidos por scraping da web aberta, conjuntos de dados licenciados, ou registos históricos de empresas recolhidos para finalidades completamente diferentes. Cada fonte traz as suas próprias questões de conformidade. Os dados recolhidos por scraping podem ter sido reunidos sem qualquer base jurídica para o próprio scraping, quanto mais para a sua reutilização no treino de IA. Os conjuntos de dados licenciados podem não ter sido recolhidos com um consentimento suficientemente informado para sustentar um uso posterior em IA. E os registos internos reunidos há anos para uma finalidade comercial específica podem hoje não ter uma base válida para serem reutilizados como um conjunto de treino.

Este é um problema difícil de corrigir retroativamente — a um modelo já treinado com dados obtidos de forma ilícita não se podem simplesmente «remover» esses dados como se apagaria um registo de uma base de dados. É precisamente por isso que os reguladores estão a pressionar as organizações a documentar a proveniência dos dados antes de o treino começar, não depois de chegar uma queixa: um registo claro que mostre de onde veio cada conjunto de dados, que base jurídica se aplicou à sua recolha, e se essa base abrange também a sua utilização no treino de IA.

Quando os próprios resultados da IA passam a ser a infração

Talvez a mudança mais significativa na fiscalização de 2026 seja o reconhecimento de que as infrações ao RGPD podem surgir não só da forma como os dados pessoais são recolhidos ou usados para treinar um modelo, mas também daquilo que um modelo já implementado produz. Isto não é hipotético. A 17 de fevereiro de 2026, a Comissão de Proteção de Dados da Irlanda — que lidera a fiscalização do RGPD junto da X, dada a sede europeia da empresa em Dublin — abriu uma investigação estatutária formal ao chatbot Grok da plataforma, na sequência de relatos de que utilizadores lhe pediam para gerar imagens deepfake sexualizadas e não consentidas de pessoas reais, incluindo, segundo alguns relatos, de menores.

A investigação analisa se a X tratou licitamente os dados de utilizadores da UE e do EEE ao implementar as ferramentas de geração de imagens do Grok, se existiam salvaguardas adequadas, e se os riscos de utilização indevida foram devidamente avaliados antes do lançamento. A teoria jurídica subjacente é significativa: usar a fotografia de uma pessoa real como base para gerar uma imagem sintética sexualizada ou de outra forma prejudicial pode, por si só, constituir um tratamento ilícito dos dados pessoais dessa pessoa — independentemente de quaisquer infrações penais ou das regras da plataforma que possam também existir em separado. Por outras palavras, o dano não ocorre apenas a montante, na forma como os dados de treino foram recolhidos. Pode também ocorrer a jusante, no momento da geração, naquilo que o sistema implementado faz com a imagem de alguém. A X restringiu a geração de imagens do Grok a assinantes pagantes depois de os relatos terem surgido, mas a investigação — que pode acarretar coimas até 4% do volume de negócios anual mundial da X — prossegue de qualquer forma.

Para qualquer organização que construa ou implemente IA generativa, esta é uma distinção crucial. As salvaguardas não podem parar no pipeline de treino; têm também de abranger aquilo que o modelo é capaz de produzir no momento da inferência, e o que acontece quando um utilizador tenta deliberadamente usá-lo de forma indevida.

Seis boas práticas para se antecipar ao risco

Entre orientações regulatórias, medidas de aplicação e análises do setor, seis práticas separam de forma consistente as organizações que gerem bem o risco do RGPD relacionado com a IA das que ficam expostas.

1. Incorporar a privacidade desde o início, não a posteriori. A privacidade desde a conceção é uma obrigação do RGPD, não uma sugestão — para a IA, isso significa revisões de privacidade já na fase de seleção do conjunto de dados e da arquitetura do modelo, não apenas antes do lançamento.
2. Mapear como os dados pessoais realmente fluem pelo sistema. Desde a recolha, passando pelo treino ou afinação, até à inferência e ao resultado. Sem este mapa, a maioria das organizações não consegue responder à pergunta básica de um regulador: onde estiveram os dados desta pessoa, e o que lhes foi feito?
3. Documentar uma finalidade específica para cada atividade de tratamento. «Melhorar os nossos modelos de IA» não é suficientemente específico. Os reguladores esperam uma finalidade declarada para um determinado conjunto de dados, com a sua utilização limitada a essa finalidade.
4. Tratar as AIPD como um filtro, não uma formalidade. Especialmente para sistemas biométricos, definição de perfis em grande escala e decisões automatizadas com efeitos jurídicos ou significativos semelhantes — concluir a avaliação antes de as decisões de implementação ficarem fechadas, não depois.
5. Ser capaz de explicar a decisão, não apenas que uma foi tomada. O RGPD confere às pessoas direitos reais em relação à tomada de decisões automatizada. As organizações precisam cada vez mais de conseguir explicar, em linguagem simples, como é que um sistema chegou a uma decisão que afeta alguém.
6. Monitorizar de forma contínua, não anual. Os sistemas de IA desviam-se, são usados indevidamente de formas que os seus criadores não anteciparam, ou produzem resultados prejudiciais que só se tornam visíveis depois de implementados em grande escala — como ilustra a investigação sobre o Grok. Uma revisão de conformidade anual é demasiado pouco frequente para detetar isso antes de se tornar um incidente regulatório.

A IA não se vai tornar menos central na forma como as organizações tratam dados pessoais, e os reguladores não se vão tornar menos atentos à forma como é utilizada. As organizações que gerem bem este cenário são as que tratam a conformidade com o RGPD como uma disciplina contínua de engenharia e governação, integrada nos sistemas de IA desde o início — e não como uma lista de verificação jurídica aplicada a posteriori. Os reguladores já demonstraram que vão agir não só contra a forma como os dados são recolhidos para treino, mas também contra aquilo que os sistemas implementados realmente geram. Esta mudança de mentalidade já não é opcional.

Marque uma consulta gratuita com a GDPRGard →

Fontes

• The Irish Times — A DPC investiga a X por possíveis infrações relacionadas com a «nudificação» de imagens através do Grok
• JURIST — Irlanda abre investigação sobre as imagens do Grok na X

Leia também:

• A desculpa «era público» acabou: o RGPD agora cobre formalmente os dados de treino da IA
• Esqueça o regulamento da IA — o RGPD já está a multar empresas por erros de IA
• Porque toda a empresa SaaS precisa de uma AIPD antes de lançar funcionalidades de IA