Um sistema que avalia sinistro de automóvel opera sobre uma cadeia de entradas: fotos do veículo, histórico do segurado, boletim de ocorrência, vistoria prévia, laudos. O modelo processa e devolve uma recomendação — aprovar, negar ou investigar. A discussão sobre auditabilidade, hoje, concentra-se em como o modelo chegou ali: quais variáveis pesaram, se há viés, se a explicação é compreensível. Para isso já existem ferramentas razoavelmente maduras.
A camada anterior recebe muito menos atenção: se as evidências que entraram eram autênticas. E é dela que depende todo o resto, porque uma cadeia de raciocínio auditável que parte de evidências não verificáveis não é, na prática, auditável.
O que este texto não afirma
Não afirmamos que autenticar a evidência cumpre os requisitos do Marco Legal da IA. Ele exige muito mais: avaliação de impacto, explicabilidade, supervisão humana, governança de dados. O argumento é mais estreito — sem autenticidade verificável da entrada, nenhum sistema consegue demonstrar que sua cadeia partiu de dados confiáveis, por mais sofisticado que seja. É essa lacuna, e só ela, que tratamos aqui.
Onde o projeto está hoje
Situação verificada em 3 de outubro de 2026
- Aprovado no Senado em 10 de dezembro de 2024, e desde então em tramitação na Câmara dos Deputados.
- Situação atual: “Aguardando Parecer”, em regime de prioridade (art. 151, II, do Regimento Interno da Câmara).
- Última movimentação registrada: 2 de setembro de 2026.
- Não aprovado. Nada do que o projeto prevê é exigível hoje, e o texto pode mudar até a votação final.
Como reverificar por conta própria
A situação acima envelhece. A fonte é a ficha de tramitação na Câmara, que mostra a última movimentação na data em que for consultada. Antes de usar qualquer afirmação desta página numa decisão, confira ali.
O que ainda pode mudar — inclusive as sanções
Tudo o que descrevemos adiante vem do texto aprovado pelo Senado. A Câmara pode alterá-lo, e dois pontos são especialmente móveis: a delimitação das exceções ao grupo de alto risco, que foi um dos impasses da votação no Senado, e o capítulo de sanções. Números de multa citados fora dessa ressalva viram desinformação assim que o texto muda.
Risco excessivo e alto risco
A espinha dorsal do projeto é classificar sistemas de IA por nível de risco, no mesmo desenho do AI Act europeu. São dois grupos principais:
- Risco excessivo — uso proibido. Sistemas que exploram vulnerabilidades de pessoas, manipulam comportamento de forma subliminar, aplicam pontuação social em contextos governamentais ou operam como armas autônomas.
- Alto risco — governança estrita. Sistemas com impacto direto em direitos fundamentais: saúde, justiça, segurança, crédito, emprego, educação, infraestrutura crítica e identificação biométrica.
Para seguros e serviços financeiros, a leitura do texto é direta: decidir sobre aceitação de apólice, valor de prêmio, aprovação de sinistro ou detecção de fraude é decidir sobre direitos e patrimônio do segurado, o que põe esses sistemas no grupo de alto risco. É leitura do texto, não questão encerrada — a delimitação das exceções desse grupo está entre o que pode mudar na Câmara.
As obrigações para alto risco
| Obrigação | O que exige na prática |
|---|---|
| Avaliação de impacto algorítmico | Documentar formalmente riscos de viés, falhas e danos antes de operar. |
| Transparência e explicabilidade | Explicar ao afetado por que o sistema decidiu daquele modo. |
| Supervisão humana contínua | Revisão humana nas decisões de alto impacto, em especial negações e sanções. |
| Responsabilidade civil objetiva | A empresa responde pelo dano independentemente de culpa, e o ônus da prova se inverte para o operador. |
| Rastreabilidade da decisão | Reconstruir o raciocínio do sistema — incluindo os dados usados como entrada. |
| Auditabilidade pela autoridade | A autoridade poderá requisitar logs, dados, modelos e evidências. |
A quinta linha é a que costuma passar batida. Rastrear a decisão inclui rastrear a entrada, e é aí que a maioria das arquiteturas não tem o que mostrar: o sistema registra qual imagem foi processada, mas não consegue demonstrar que aquela imagem é a que foi capturada, no momento e no lugar declarados.
Responsabilidade objetiva: o que muda na defesa
O regime de responsabilidade objetiva inverte quem precisa provar: é a empresa que demonstra que seu sistema funcionou corretamente, não o consumidor que demonstra ter sido prejudicado. Para seguradoras isso tem dois lados.
| Cenário | Sem registro de origem | Com registro de origem na captura |
|---|---|---|
| Sinistro legítimo negado indevidamente | A empresa não consegue mostrar que a decisão partiu da evidência correta. | Mostra que a evidência era autêntica — o problema fica no modelo, que é corrigível. |
| Sinistro fraudulento aprovado | A empresa não consegue mostrar que a evidência foi adulterada antes de entrar. | Mostra que a alteração ocorreu depois da captura, e a responsabilidade se desloca para quem fraudou. |
| Auditoria da autoridade reguladora | Logs do modelo disponíveis, autenticidade da evidência não verificável. | Cadeia completa: da captura ao registro, e do registro à decisão. |
| Processo movido pelo segurado | A empresa não tem como mostrar que a imagem que o modelo viu é a que o segurado enviou. | Apresenta o registro de origem da imagem, que qualquer perito pode reconferir. |
Onde a autenticação de evidência se encaixa
Ela não substitui explicabilidade, logs de decisão nem análise de viés. Fecha a lacuna que essas ferramentas deixam em aberto, que é a camada de baixo:
| Camada | O que se audita | Com o quê |
|---|---|---|
| Evidência (entrada) | Origem e integridade da imagem ou documento que alimentou o modelo | Captura autenticada, no padrão C2PA — a camada ausente na maioria dos sistemas |
| Modelo | Pesos, parâmetros, viés, explicabilidade | XAI, SHAP, LIME, auditoria de modelo |
| Decisão (saída) | Log da decisão, justificativa ao afetado, histórico de revisão | Sistemas de log, fluxo de revisão, CRM de sinistros |
LGPD: qualidade dos dados, e as duas pontas
Por que “princípio da Exatidão” é o nome errado
O art. 6º, V, da Lei 13.709/2018 estabelece o princípio da qualidade dos dados: garantia, aos titulares, de exatidão, clareza, relevância e atualização, conforme a necessidade e a finalidade do tratamento. “Exatidão” é um dos atributos exigidos dentro desse princípio, não o nome dele. A diferença importa porque quem cita o nome errado numa peça técnica entrega ao outro lado um argumento barato.
Um sistema de alto risco que decide sobre sinistro, crédito ou apólice a partir de imagens não autenticadas opera sobre dados cuja exatidão não pode ser verificada. Nossa leitura — e é leitura nossa, não posição da autoridade — é que isso abre discussão simultânea sob a LGPD e sob o Marco Legal da IA, quando este for aprovado.
A outra ponta: a LGPD se aplica também ao registro
O registro de origem carrega dados pessoais — localização, identificação do aparelho, horário. A base legal e a minimização valem para ele como para qualquer outro tratamento: o registro guarda o necessário para provar origem, e nada além disso.
As sanções, e do que elas dependem
O texto aprovado pelo Senado prevê, para sistemas de alto risco, multas de até R$ 50 milhões ou 2% do faturamento do grupo econômico, além de advertência, suspensão e proibição de uso. Esses números são do texto do Senado e dependem da versão final. O capítulo sancionatório está entre o que a Câmara pode alterar, e citar o valor sem essa ressalva é afirmar como vigente o que ainda está em discussão.
O precedente europeu
O AI Act europeu — Regulamento (UE) 2024/1689 — está em vigor desde agosto de 2024 e adota o mesmo desenho por nível de risco, com obrigações de rastreabilidade de dados para sistemas de alto risco. É o precedente a que o projeto brasileiro se alinha, e a razão para tratar a camada de evidência como requisito, e não como refinamento.
Fontes
- Câmara dos Deputados — ficha de tramitação do PL 2338/2023, consultada em 3 de outubro de 2026.
- Senado Federal — matéria PL 2338/2023, com o texto aprovado em 10 de dezembro de 2024.
- Lei 13.709/2018 (LGPD), art. 6º, V.
- Regulamento (UE) 2024/1689 (AI Act).
Leve o diagnóstico ao seu comitê
Se a sua operação decide sinistro, crédito ou apólice com apoio de IA, podemos mostrar como fica o registro de origem de cada evidência que entra no sistema.
Falar com a Provvi →Leia também: as sete modalidades de fraude por imagem em seguros · perguntas frequentes.