A desculpa "era público" acabou: o RGPD agora cobre formalmente os dados de treino da IA

Durante anos, o setor da IA operou com base num pressuposto cómodo: se um dado está disponível na web aberta, é legítimo recolhê-lo e incluí-lo num conjunto de treino. Sem necessidade de consentimento, sem aviso — é «publicamente disponível», por isso está tudo bem.

A 8 de julho de 2026, o Comité Europeu para a Proteção de Dados (CEPD) fechou essa lacuna de forma definitiva. Juntamente com novas orientações sobre anonimização e blockchain, adotou as suas Orientações sobre Web Scraping no Contexto da IA Generativa — e a mensagem é inequívoca: o RGPD sempre se aplicou aos dados pessoais recolhidos por scraping na web e usados para treinar IA, e os reguladores estão agora a especificar exatamente o que a conformidade exige.

O que realmente mudou

As orientações estão em consulta pública até 30 de outubro de 2026, mas o rumo já está claro, e espera-se que as autoridades de proteção de dados da UE atuem em conformidade. Destacam-se três requisitos.

O interesse legítimo não pode ser presumido — tem de ser avaliado, sempre. Os programadores já não podem tratar «o dado era público» como uma base jurídica por si só. Cada operação de scraping precisa de uma avaliação genuína e casuística do interesse legítimo, que pondere o interesse do programador no dado face aos direitos e expectativas razoáveis das pessoas que ele descreve.

A minimização de dados tem de acontecer antes de o scraping começar, não depois. Filtrar dados irrelevantes ou excessivos depois de já terem sido absorvidos para um conjunto de treino não é suficiente. As orientações esperam que a minimização esteja integrada no próprio processo de recolha — fazer scraping apenas a partir de fontes fiáveis e identificáveis, atribuir carimbo temporal ao que é recolhido, e excluir desde o início dados de categorias especiais (saúde, opiniões políticas, orientação sexual e semelhantes), em vez de os depurar mais tarde.

Os conjuntos de dados antigos não têm um passe livre. Este é o pormenor que mais apanha as pessoas de surpresa. As empresas não podem apontar para dados recolhidos há anos e argumentar que as regras ainda não existiam. O teste de ponderação tem de refletir as circunstâncias no momento da recolha — o que significa que os programadores sem documentação sólida sobre como e porquê recolheram conjuntos de dados mais antigos enfrentam agora uma lacuna de conformidade que não podem colmatar facilmente com efeitos retroativos.

A armadilha da anonimização

Alguns programadores têm argumentado que, uma vez incorporados num modelo treinado, os dados pessoais se tornam efetivamente anónimos e o RGPD deixa de se aplicar. As orientações complementares do CEPD sobre anonimização também fecham essa porta, ao estabelecer um teste rigoroso de três partes: os dados só são considerados anónimos se nenhum indivíduo puder ser isolado, se nenhum dado puder ser associado a outra informação sobre essa pessoa, e se nenhum indivíduo puder ser identificado por inferência.

Trata-se de um patamar elevado — possivelmente demasiado elevado para a forma como os grandes modelos de linguagem realmente funcionam. Os investigadores demonstraram repetidamente que os modelos conseguem «regurgitar» excertos literais dos seus dados de treino, incluindo informação pessoal, com o tipo certo de instrução. As notícias sobre as orientações têm sido diretas quanto à consequência: poucos sistemas de IA, se algum, conseguem atualmente cumprir este padrão de anonimização. Na prática, isso significa que grande parte dos dados dentro dos grandes modelos atuais provavelmente continua a contar como dado pessoal ao abrigo do RGPD — com todas as obrigações que isso implica.

Quem é afetado

Todos os que constroem ou afinam modelos com dados públicos da web. Isto inclui os maiores laboratórios — a OpenAI, a Meta e a Google são explicitamente citadas na cobertura das orientações —, mas as obrigações não diminuem para os intervenientes mais pequenos. Uma startup que afina um modelo open source com publicações de fóruns obtidas por scraping, ou uma equipa de investigação que constrói um modelo mais pequeno e específico de um domínio, enfrenta os mesmos requisitos de interesse legítimo, minimização e documentação que um laboratório de topo. Se algo distingue as organizações mais pequenas, é que estão mais expostas, uma vez que tipicamente têm menos recursos para construir os processos de documentação e avaliação de impacto que os reguladores esperarão ver.

Porque é que isto importa mesmo que não treine modelos

A maioria das pequenas e médias empresas não constrói modelos de fundação — mas muitas afinam-nos, implementam ferramentas de IA de terceiros, ou integram funcionalidades de IA de fornecedores nos seus próprios produtos. Isso não as coloca fora do raio de ação. Se o modelo de um fornecedor foi treinado com dados recolhidos indevidamente, o risco de conformidade não fica contido no fornecedor. Espera-se cada vez mais que as empresas que implementam ferramentas de IA façam uma diligência básica sobre como essas ferramentas foram construídas — que dados as treinaram, se existe uma base jurídica documentada, e se o fornecedor consegue responder a perguntas simples sobre a proveniência dos dados.

Essa é uma pergunta muito diferente de «esta ferramenta de IA funciona bem», e vale a pena fazê-la antes de assinar um contrato, não depois de um regulador a fazer por si.

O que fazer na prática agora

Três coisas que valem a pena fazer agora, quer treine modelos quer compre ferramentas que foram treinadas:

1. Pergunte diretamente aos fornecedores de IA que base jurídica foi usada para os seus dados de treino, e se conseguem documentá-la.
2. Seja cético em relação a afirmações de que os dados de treino estão «anonimizados» — o patamar do CEPD é elevado, e uma garantia vaga não substitui uma resposta real.
3. Não trate «treinado antes de as orientações existirem» como uma defesa, porque os reguladores também não o farão.

O regulamento da IA recebe mais atenção por ser novo. Mas o RGPD já estava plenamente em vigor, e o CEPD acabou de confirmar, em detalhe, que sempre cobriu a forma como a IA é construída — não apenas a forma como é utilizada.

É também por isso que a GDPRGard construiu o GDPRChat desta forma: treinado com o conteúdo da sua própria empresa — as suas perguntas frequentes, políticas e informações de produto — em vez de dados de terceiros obtidos por scraping e de origem incerta. Se está a escolher uma ferramenta de IA para o seu negócio, «de onde vieram os dados de treino, e consegue prová-lo?» é agora uma pergunta justa a fazer a qualquer fornecedor.

Marque uma consulta gratuita com a GDPRGard →

Fontes

• Tech Times — O RGPD aplica-se aos dados de treino da IA: a UE acaba com o passe livre do web scraping para todos os laboratórios
• CEPD — O CEPD esclarece a anonimização e o web scraping para IA generativa

Leia também:

• Esqueça o regulamento da IA — o RGPD já está a multar empresas por erros de IA
• O regulamento da IA já se aplica aos sistemas de alto risco — agora tem dois reguladores
• A IA é o maior risco de conformidade do RGPD em 2026