Lorusso (2026): a opacidade dos modelos generativos torna o art. 20 da LGPD quase inexequível depois do fato
LORUSSO, Marise Miglioli. IA generativa e LGPD: o desafio da transparência algorítmica. Revista DCS, São José dos Pinhais, v. 23, n. 93, e6340, 2026. DOI: 10.54899/dcs.v23i93.6340.
A pergunta que Lorusso persegue é se o direito à revisão de decisões automatizadas sobrevive quando quem decide é um modelo generativo. O desenho é qualitativo, exploratório e descritivo, por triangulação entre revisão integrativa da literatura, análise documental e estudo de cinco casos: a Meta e o treinamento do Llama 3, o Grok da plataforma X, o Smart Sampa, as ferramentas de IA da administração federal e do Judiciário e a plataformização da educação básica (p. 9-11). Não há dado empírico próprio, e o peso do argumento recai sobre material normativo — o art. 20 da Lei 13.709/2018 e seus parágrafos, o art. 12 quanto à anonimização, as Notas Técnicas nº 12/2025 e nº 1/2026 da ANPD e o PL 2338/2023. A tese central é arquitetural. Nos modelos de linguagem de larga escala e nas redes adversariais generativas, os dados de treinamento não permanecem armazenados em forma bruta: são diluídos e codificados numa matriz multidimensional de parâmetros, de sorte que nem os engenheiros que conceberam a rede conseguem rastrear qual dado determinou certo resultado, ou excluir cirurgicamente a influência de um indivíduo depois de consolidado o treinamento (p. 5-6). Daí a autora extrair que a exigência de critérios claros do § 1º do art. 20 se torna de cumprimento quase inatingível a posteriori (p. 6), e que a saída passa por sandboxes regulatórios, avaliação de impacto algorítmico obrigatória para sistemas de alto risco e Privacy by Design desde a primeira linha de código (p. 14-15). No caso Grok, registra que a Nota Técnica nº 1/2026 da ANPD qualificou o próprio conteúdo sintético que simula pessoa natural como dado pessoal, e como sensível quando envolvida biometria (p. 12).
O que me interessa está no trecho sobre a máquina estatal (p. 13). A autora reúne o Victor no STF, o ChatTCU e o IARA, do CARF, para afirmar que, se uma decisão tributária ou punitiva for inferida por algoritmo opaco, o Estado perde a capacidade de explicar, motivar e fundamentar sua atuação perante o administrado, donde a exigência de arquitetura human-in-the-loop, com a IA atuando como copiloto e nunca sem a curadoria final do agente competente. A observação me parece correta e ainda subestimada na prática do contencioso. O art. 20 da LGPD, na redação dada pela Lei 13.853/2019, assegura ao titular solicitar a revisão de decisões tomadas unicamente com base em tratamento automatizado que afetem seus interesses, mas já não diz que a revisão se faça por pessoa natural — a expressão constava da redação original e foi suprimida, e o § 3º então incluído foi vetado. Isso desloca o eixo da defesa. Quem impugna auto de infração ou decisão de órgão de julgamento administrativo apoiada em triagem algorítmica dispõe, além do § 1º do art. 20, do art. 50, I e II, da Lei 9.784/1999, cujo § 1º exige motivação explícita, clara e congruente. O pedido eficaz raramente é o código-fonte, que o § 2º do art. 20 resguarda como segredo comercial e industrial, ressalvada a auditoria pela autoridade nacional; é demonstrar que a autoridade não sabe dizer por que decidiu. Opacidade do modelo e dever de motivar não convivem, e a incompatibilidade se resolve como vício do ato administrativo, antes de ser tema de proteção de dados.
Nota escrita a partir da leitura integral do trabalho, com assistência de modelo de linguagem na redação e revisão do autor.