Política de inteligência artificial como capacidade de Estado
compartilhe
SIGA
Jorge Ulisses Jacoby Fernandes - Advogado e professor de Direito Administrativo
José Osvaldo Fontoura de Carvalho Sobrinho - Advogado e economista
Os sistemas de Inteligência Artificial não podem ser vistos como mais um conjunto de softwares para o setor público, mas tendem a formar uma camada fundamental na mediação entre o Estado e a sociedade. Como resultado, podem acelerar o atendimento, a triagem, a fiscalização, a análise documental e a detecção de irregularidades, mas também podem amplificar erros, opacidade e discriminações, se adotados sem governança.
Portanto, quando se fala em soberania aplicada à Inteligência Artificial, é preciso considerar, primeiramente, a distinção entre duas concepções mais comuns, para entender uma terceira, que afeta mais diretamente as discussões que ora se propõem.
A soberania material é entendida como o controle de infraestrutura, dados, operação, auditoria, contratos, continuidade e poder de intervir em crises, enquanto a soberania semântica é mais afeita ao controle sobre os significados que podem virar decisão, com foco nas categorias, métricas e normas que definem o que o sistema “enxerga”, o que otimiza como “bom” e como trata exceções. Em síntese, sem a base material, princípios viram papel, mas sem a base semântica, pode-se até controlar a máquina, mas ela executa categorias e prioridades importadas.
Nada obstante, material e semântico podem estar dissociados na prática, exigindo um critério operacional, sustentado precisamente no conceito de soberania funcional, que vai mais além da autossuficiência absoluta e do isolamento tecnológico, substituindo o modelo de autarquia pela capacidade de governar dependências. Assim, a soberania funcional caracteriza-se pela capacidade de escolha e de controle sobre a arquitetura, dados, critérios de decisão e mecanismos de responsabilização, passando para a chamada infosfera, onde a vida social e institucional é estruturada por sistemas informacionais, exigindo que ética e governança caminhem junto com engenharia.
No plano internacional, há princípios que reforçam essa convergência, com a robustez, transparência, segurança e accountability como requisitos para IA Soberana e confiável. Em resumo, uma política de IA Soberana que se pretenda pública precisa ser, ao mesmo tempo, eficiente e justificável.
Isso parece ser possível somente se houver um condutor e líder estratégico na coordenação da política de desenvolvimento de capacidades, que poderia ser o MCTI. De fato, uma política nacional de IA Soberana perpassa distintos segmentos governamentais, como a saúde, a educação, a Justiça, a economia, a segurança e a gestão, requerendo coordenação transversal e instrumentos típicos da política científica e tecnológica, como o fomento, a formação, a infraestrutura de pesquisa, os padrões e a cooperação internacional.
Essa é a linha seguida pela Estratégia Brasileira de Inteligência Artificial (EBIA), que funciona como referência e governança, educação, P&D, aplicação setorial e ambiente regulatório. Bem-postas as coisas, é certo que estratégias não entregam resultados por si sós, mas precisam de portfólio, metas, orçamento, governança e indicadores, confirmando que o MCTI poderia ser o locus institucional mais apropriado para organizar essa camada. Teria, assim, a missão de definir as prioridades nacionais, induzir a pesquisa aplicada, formar talentos e estabelecer referenciais técnicos comuns, para reduzir a improvisação entre órgãos.
Por fim, como dimensão normativa inevitável, surge a Lei Geral de Proteção de Dados Pessoais (LGPD), que impõe princípios e obrigações para o tratamento de dados pessoais, com impactos diretos sobre qualquer política de IA baseada em dados. Ademais, o debate legislativo sobre um marco específico de IA poderia reforçar a tendência global de gestão por risco, mas, mesmo antes de uma lei específica e amadurecida, a coordenação liderada pelo MCTI seria adequada para transformar princípios em exigências operacionais a serem cobradas em projetos e contratos.
Entre a política e a realidade prática, é necessário um operador de escala, capaz de suprir a principal fragilidade de muitas iniciativas públicas em IA, caracterizada pela distância entre o piloto e a rotina. O protótipo geralmente funciona em um recorte controlado, mas a operação real exige integração com sistemas legados, segurança, atualização contínua, atendimento a incidentes, auditoria e manutenção de desempenho ao longo do tempo. Isso é especialmente crítico em IA, porque modelos “envelhecem” muito rapidamente, os dados mudam o tempo todo e o risco pode emergir após o uso em escala.
Ter o SERPRO como braço empresarial da implementação de uma política ampla de IA não significa necessariamente a privatização ou substituição do mercado. Trata-se tão somente de reconhecer sua vocação de engenharia e operação continuada, com capacidade de transformar diretrizes em plataformas reutilizáveis e serviços sustentáveis. Nesse contexto “empresarial” significa disciplina de produto, escala, SLAs, segurança, governança de mudança e capacidade de contratação e formação de parcerias estratégicas. Em termos mais simples, importa sair do artesanato tecnológico para entrar na indústria da entrega pública digital.
O argumento político-institucional reside em que Estado não pode (não deve) simplesmente terceirizar sua política de IA Soberana se não a dominar minimamente, incluindo a infraestrutura e os mecanismos de governança, bem como as escolhas relevantes sobre transparência, explicabilidade, segurança e até sobre a finalidade prática do sistema. O motivo básico não é novo, mas revive a convicção de que a arquitetura técnica molda as possibilidades, de maneira que o Estado precisa ser capaz de projetar e operar arquiteturas que implementem direitos e controles, e não apenas comprar resultados opacos.
O conceito de IA soberana exige um desenho de governança que evite tanto a fragmentação quanto a centralização indevida. Portanto, a separação de papéis é o que dá legitimidade ao arranjo, em que o MCTI coordena a estratégia, as prioridades e os padrões, enquanto os ministérios e órgãos setoriais definem objetivos de política pública e requisitos, para implementação e operação pelo SERPRO. O sistema se completa com as instâncias de controle, conformidade, fiscalização e orientação, incluindo a ANPD quando houver tratamento de dados pessoais.
Na prática, isso significa criar um “padrão mínimo” de IA pública, com documentação técnica e de finalidade, base legal de dados (LGPD), avaliação de risco, requisitos de segurança, trilhas de auditoria, métricas de desempenho e mecanismos de supervisão humana quando o impacto for elevado. É aqui que recomendações internacionais deixam de ser “cartas de boas intenções” e viram rotina de engenharia.
Enfim, há um motivo social para isso, uma vez que a legitimidade pública depende de confiança, e esta depende de explicações, controles e responsabilização. A crítica à economia de vigilância, marcada por assimetrias de informação e exploração de dados, serve como alerta de que os sistemas informacionais podem ampliar poder de forma silenciosa, e governos precisam de salvaguardas ainda mais fortes porque exercem autoridade sobre cidadãos. Conclusivamente, uma IA pública sem governança é, inevitavelmente, uma IA politicamente frágil.
Para ser pragmático, é preciso sair do “dever ser” e entrar no “como fazer”, em que a execução pode ser organizada em ciclos.
No primeiro ciclo, de fundação, o foco é governança e padrão, com um portfólio nacional de casos de uso priorizados por impacto e risco, diretrizes mínimas exigíveis (LGPD, segurança, auditoria, métricas) e um núcleo de MLOps governamental no SERPRO para padronizar ciclo de vida de modelos. Essa etapa reduz o risco de cada órgão “descobrir” sozinho como contratar, documentar e operar Inteligência Artificial, o que pode facilmente levar a um caos tecnológico.
No segundo ciclo entram as plataformas e os pilotos escaláveis, aptos à experimentação da governança de dados (catálogo, qualidade, acesso), bem como de componentes reutilizáveis e projetos-vitrine com risco controlável e alto valor público, como apoio à gestão documental e triagem de serviços com supervisão. O objetivo é testar e aprender sem improvisar, já desenhando para escala.
Por fim, esses ciclos podem ser complementados com auditoria contínua, expansão para múltiplos órgãos, monitoramento de desempenho e vieses, relatórios agregados de transparência e parcerias com universidades para avaliação independente e formação. Essa triangulação envolve necessariamente o Estado operador (SERPRO), a academia avaliadora e o ecossistema de inovação que cria capacidades de longo prazo.
Com essas premissas, o que distingue um modelo fragmentado de um coordenado é a conjugação de uma coordenação estratégica central com um operador de escala, evitando que cada órgão implemente IA por conta própria. Com isso, ganha-se em contenção de custos, inconsistências e vulnerabilidades, além de ser possível padronizar controles, reutilizar componentes, auditar continuamente e reduzir assimetrias técnicas entre órgãos. Não é mera mudança cosmética, mas uma abordagem que afeta diretamente a segurança, os direitos, a interoperabilidade e a qualidade do gasto público.
Siga nosso canal no WhatsApp e receba notícias relevantes para o seu dia
Enfim, é uma estratégia estrutural extremamente importante para uma sociedade em rede, em que a capacidade de ação depende de nós sólidos e bem conectados. Assim, o adequado posicionamento do SERPRO como plataforma habilitadora e operadora pode funcionar como esse nó estatal, conectando as demandas setoriais a padrões nacionais, dados governados e operação segura.
