Entre inovação e risco: o desafio de regular a inteligência artificial

A inteligência artificial colocou a política regulatória diante de um teste que ela vem evitando há décadas: regular sem conhecer plenamente o objeto da regulação. Acompanhar o ritmo tecnológico já não é mais suficiente. Trata-se de reconhecer que os instrumentos tradicionais de regulação foram concebidos para um mundo mais previsível e que esse mundo já não existe.

O debate público, no entanto, insiste em um falso dilema de inspiração shakespeariana: regular ou não regular a IA. Essa formulação é não apenas simplista, mas equivocada. O problema central não é a existência de regulação per se, mas a incerteza regulatória. Em outras palavras, o que mais prejudica a inovação não é a regra ou legislação, mas a dúvida sobre qual será aplicada e quando.

Evidências internacionais apontam nessa direção. Estudos da Brookings Institution indicam que a incerteza regulatória tende a reduzir investimentos, sobretudo em setores intensivos em tecnologia, onde decisões dependem de horizontes de longo prazo. A OCDE, por sua vez, vem destacando que a previsibilidade e a qualidade regulatória são fatores determinantes para o ambiente de negócios e para a difusão de inovação. Não por acaso, países com melhores indicadores de governança regulatória apresentam níveis mais elevados de produtividade e investimento.

Inteligência artificial representa incerteza

O problema é que a inteligência artificial exacerba essa tensão. Diferentemente de setores tradicionais, nos quais riscos são relativamente conhecidos e mensuráveis, a IA opera em um ambiente de incerteza radical. Modelos evoluem continuamente, aplicações são reconfiguradas em tempo real e os impactos (positivos e negativos) frequentemente só se tornam visíveis após a implementação.

Isso coloca em xeque a lógica clássica da análise de impacto regulatório (AIR), que pressupõe a capacidade de estimar custos e benefícios de forma razoavelmente precisa. Na prática, essa precisão é, muitas vezes, ilusória. Reguladores são levados a trabalhar com proxies, cenários incompletos e hipóteses frágeis, o que não é um problema em si, desde que essa limitação seja reconhecida e exposta de forma transparente.

O erro está em simular uma certeza que não existe.

Regulação na União Europeia

A resposta regulatória internacional tem sinalizado uma mudança importante. A União Europeia, por meio do chamado AI Act, estruturou sua abordagem com base em níveis de risco, diferenciando obrigações conforme o potencial de impacto das aplicações. Trata-se de um avanço relevante, mas ainda insuficiente, pois classificar riscos não elimina a incerteza, apenas a organiza para possibilitar seu tratamento.

Fato é que a experiência europeia oferece, contudo, um caso particularmente interessante de tentativa de sistematização desse desafio. Na realidade, o AI Act vai além, não se limitando à classificação de riscos. Ele articula um conjunto de instrumentos que incluem requisitos de transparência, governança de dados, supervisão humana e obrigações específicas para sistemas de alto risco. Mais importante, incorpora mecanismos de monitoramento contínuo e revisão, reconhecendo implicitamente que o conhecimento sobre a tecnologia não é estático, evoluirá ao longo do tempo.

Ainda assim, o modelo europeu não está isento de críticas. Há preocupações quanto ao risco de excesso de complexidade regulatória, à capacidade de implementação uniforme entre os Estados-membros e ao potencial impacto sobre a competitividade de empresas inovadoras, especialmente startups. Esses pontos revelam um aspecto central: mesmo as abordagens mais avançadas permanecem experimentais e sujeitas a ajustes.

Países trabalham com aprendizado e ajuste

O que emerge desse cenário não é um modelo definitivo, mas um novo paradigma regulatório, no qual flexibilidade, proporcionalidade e adaptação contínua substituem a pretensão rígida e completa do modelo de controle ex ante tradicional.

Outras jurisdições têm explorado caminhos complementares. Países como Reino Unido e Canadá vêm apostando em modelos mais principiológicos e experimentais, combinando diretrizes gerais, sandboxes regulatórios e forte ênfase em aprendizado institucional.

Qual a lógica disso? Se não é possível prever com precisão, é necessário criar estruturas que permitam aprender e ajustar.

Essa mudança, no entanto, não é apenas técnica. Ela é profundamente institucional.

Regular em ambiente de incerteza exige capacidades que vão além da produção normativa. Exige dados, monitoramento, coordenação interinstitucional e, sobretudo, uma cultura decisória que aceite o erro como parte do processo de aprendizagem. Isso contrasta com a tradição burocrática de buscar decisões “definitivas”, muitas vezes ancoradas em diagnósticos incompletos.

Desafios para a regulação no Brasil

No Brasil, o desafio é ainda mais complexo. Avanços recentes, como a institucionalização da análise de impacto regulatório pelo Decreto nº 10.411/2020, representam passos importantes na direção de uma regulação baseada em evidências. No entanto, a aplicação prática desses instrumentos ainda enfrenta limitações relevantes, seja pela escassez de dados, seja pela capacidade analítica desigual entre órgãos.

A regulação da inteligência artificial tende a amplificar essas fragilidades.

Transpor experiências internacionais para o contexto brasileiro exige cautela. A simples importação de modelos regulatórios, sem a devida adaptação institucional, tende a produzir mais custos do que benefícios. O país apresenta assimetrias relevantes de capacidade estatal, além de desafios históricos na implementação consistente de instrumentos de melhoria regulatória.

Nesse sentido, a construção de uma agenda regulatória para IA deveria priorizar alguns eixos estratégicos. O primeiro é o fortalecimento da AIR por meio de revisão do modelo atual, garantindo maior ênfase no tratamento explícito da incerteza, incorporando análises de sensibilidade, cenários e revisões periódicas. O segundo é o desenvolvimento de mecanismos de experimentação regulatória, como sandboxes, que permitam testar soluções em ambiente controlado.

Um terceiro eixo, frequentemente negligenciado, é o de governança e coordenação institucional. A natureza transversal da inteligência artificial exige articulação entre diferentes órgãos e níveis de governo, evitando sobreposições, lacunas e sinais contraditórios ao mercado. Sem essa coordenação, o risco não é apenas de ineficiência, mas de ampliação da própria incerteza regulatória. Nesse particular, o papel desempenhado pelo governo federal, na qualidade de gestor nacional da política regulatória, é de fundamental importância.

Capacidade estatal para a regulação

Por fim, é fundamental reconhecer que a qualidade da regulação depende da capacidade estatal de implementá-la. Isso envolve recursos humanos, infraestrutura analítica e governança decisória. Em um ambiente de rápida transformação tecnológica, a capacidade de aprender e ajustar políticas ao longo do tempo pode ser mais relevante do que a precisão inicial das regras.

A inteligência artificial não exige menos regulação. Exige melhor regulação, a partir de:

Previsibilidade, para reduzir a incerteza e orientar decisões de investimento;
Adaptabilidade, para ajustar normas à medida que o conhecimento evolui; e
Capacidade institucional, para transformar regras em prática regulatória efetiva.

Se esses elementos não estiverem presentes, o debate continuará girando em torno de um falso dilema, enquanto o verdadeiro problema, a incapacidade de regular em ambiente de incerteza, permanece sem solução.

A inteligência artificial, nesse sentido, não é apenas mais um objeto de regulação, é o teste definitivo da maturidade da política regulatória brasileira.

E, como todo teste, não deve se restringir apenas à avaliação do conhecimento acumulado (dimensão estática), mas também, e principalmente, da capacidade de adaptação (dimensão dinâmica).

__________________________

Referências

BROOKINGS INSTITUTION. Regulatory uncertainty is what actually holds back innovation. Washington, DC: Brookings Institution, 2026. Disponível aqui.

DOBKIN, Christopher. Managing uncertainty in benefit-cost analysis. The Regulatory Review, 2026. Disponível aqui.

ORGANIZAÇÃO PARA A COOPERAÇÃO E DESENVOLVIMENTO ECONÔMICO (OCDE). OECD Regulatory Policy Outlook 2025. Paris: OECD Publishing, 2025. Disponível aqui.

UNIÃO EUROPEIA. Artificial Intelligence Act. Bruxelas: Parlamento Europeu e Conselho da União Europeia, 2024. Disponível aqui.