Em resumo
A tese do painel é dupla: juridicamente, a obra só tem autor se houver pessoa física por trás do resultado, e isso não está em discussão; estrategicamente, o retorno sobre investimento em IA generativa não vem do modelo mais avançado, mas do ajuste entre tecnologia, caso de uso e governança. As duas advogadas trataram autoria e ROI como faces do mesmo problema: entender, com rigor, o que a máquina de fato fez e por que isso importa.
- A lei brasileira (art. 11, Lei 9.610/1998) exige pessoa física como autora; isso "já foi superado" como debate, segundo o painel.
- O que importa não é usar ou não IA, mas como se desenha e documenta a participação humana no processo.
- Um caso real citado: de 14 casos de uso testados por um CIO, 5 foram descartados por custo de token, até a troca por modelo local 10 mil vezes menor pagar o investimento em sete meses.
- ROI em IA é menos uma questão de infraestrutura e mais de transformação cultural e de processos, segundo o painel.
- A estratégia tem que vir antes da tecnologia: entender o problema do negócio primeiro, escolher o modelo depois.
- 14casos de uso testados por um CIO citado pelo painel
- 10 mil vezes menortamanho do modelo local adotado em vez do modelo em nuvem mais avançado
- 7 mesestempo de retorno dos casos que seriam descartados
- 29%empresas que superaram as expectativas financeiras iniciais com GenAI, segundo Peers/MIT Technology Review Brasil
1. A lei não mudou: autor ainda é pessoa física
O painel abriu pela pergunta mais básica: hoje a lei de direito autoral não reconhece autor que não seja pessoa física. Isso não é um detalhe técnico, é o ponto de partida de toda a discussão sobre obras feitas com IA.
Hoje a lei de direito autoral não se socorre de um autor que deve ser uma pessoa física.
A Fonte 1 (INPI) reforça esse ponto de partida legal: segundo o art. 11 da Lei 9.610/1998, "autor é a pessoa física criadora de obra literária, artística ou científica", e o art. 5º, XXVII da Constituição atribui aos autores o direito exclusivo sobre suas obras. O INPI conclui, a partir da leitura conjunta do Código Civil e das leis autorais, que apenas pessoa física ou jurídica pode ser titular de direitos, e que só a pessoa física pode ser autora. A IA, nessa leitura, é bem jurídico, não sujeito de direito.
O painel não contestou essa base. A pergunta que ficou foi outra: como diferenciar, na prática, uma criação humana auxiliada por IA de um resultado gerado pela própria máquina sem contribuição humana relevante?
2. O critério não é o prompt, é a governança do processo
A resposta do painel não foi sobre o tamanho do prompt ou o nível de interferência técnica, mas sobre como a participação humana é desenhada e registrada ao longo do processo de criação.
O que vai fazer a diferença para a gente entender o que é de quem é a gente perceber como que esse desenho está sendo feito.
O argumento: toda empresa que usa IA generativa deveria conseguir mapear, para cada fluxo, em que medida a inteligência humana entrou, como ela interferiu, como corrigiu, como validou. É esse nível de verificação e correção humana que sustenta (ou não) uma reivindicação de autoria.
Isso conecta com um ponto que a legislação brasileira ainda não resolveu. A Fonte 8 (Migalhas) descreve esse vácuo: a Lei 9.610/1998 "não contempla a possibilidade de autoria não humana" e permanece "ancorada em uma concepção antropocêntrica da criação intelectual". O risco apontado pela fonte é que o Brasil replique sem adaptação o entendimento americano do caso Thaler v. Perlmutter, em que obras sem intervenção humana relevante caem em domínio público, o que pode favorecer concentração de mercado em quem detém poder computacional, sem remunerar os autores cujas obras treinaram os modelos.
3. O caso do CIO: o modelo mais caro não é o mais rentável
A segunda metade do painel girou em torno de uma história concreta contada por um dos participantes: um CIO que havia testado 14 casos de uso de IA, implementado 4, mantinha 5 em avaliação e descartara 5 por não compensar o investimento.
Eu pensei, nesses cinco que você descartou, eles são os que me interessam. Por que você descartou?
A resposta: o custo de tokens processados superava o resultado entregue. O CIO usava, "com certo orgulho", o modelo mais avançado da empresa mais avançada do mercado. O painel perguntou se essa capacidade fazia diferença para o caso de uso (saber reconstruir a história do Império Egípcio, por exemplo) e a resposta foi: nenhuma.
A solução aplicada, segundo o relato, foi desenhar uma infraestrutura com modelo local 10 mil vezes menor, sem custo por token, com investimento em infraestrutura própria. Resultado: os cinco casos que seriam descartados se pagaram em sete meses.
Tabela 1. O caso relatado pelo painel: antes e depois da troca de modelo
| Critério | Modelo em nuvem (descartado) | Modelo local (adotado) |
|---|---|---|
| Tamanho relativo | referência | 10 mil vezes menor |
| Custo por uso | cobrança por token | sem custo por token |
| Casos de uso | 5 descartados por custo | mesmos 5 casos viabilizados |
| Tempo de retorno | não compensava | 7 meses |
Fonte: a palestra
A Fonte 6 (discussão técnica sobre custo de API local vs. nuvem) dá densidade a esse ponto: em um setup real, 95% dos tokens consultados foram absorvidos por cache de prefixo, e o cálculo real de processamento foi muito menor do que o volume total de tokens recebidos. A lição ali é equivalente à do painel: o contador de tokens recebidos não é o contador de computação real, e decisões de custo tomadas sobre a métrica errada levam a descartes precipitados.
4. ROI não é sobre tecnologia, é sobre estratégia de negócio
O painel generalizou o caso do CIO para um princípio: a adoção de IA não depende do tamanho do modelo, depende do alinhamento entre o problema de negócio e a tecnologia escolhida.
Isso funciona igual a qualquer tecnologia. Se você usa uma tecnologia certa, com o potencial que ela tem, investindo tudo que você pode, você tem um problema que não é tão grande.
O ponto seguinte foi sobre maturidade de mercado: muitas empresas já passaram pela fase de experimentação desenfreada e perceberam que a pergunta não é mais "quanto consigo fazer com IA", mas "isso resolve o problema que eu tenho hoje, dentro do meu modelo de negócio". A ordem correta, segundo o painel, é estratégia primeiro, tecnologia depois.
A Fonte 11 (Peers/MIT Technology Review Brasil) traz números que confirmam esse diagnóstico em escala: apenas 29% das empresas superaram as expectativas financeiras iniciais com GenAI, 54% possuem metodologia formal de ROI aplicada e 18,8% reconhecem não ter metodologia clara para medir retorno. A fonte também cita estimativa da Gartner de que 72% dos CIOs afirmam que suas organizações empataram ou perderam dinheiro com investimentos em IA, e que erros de estimativa de custo em escala podem variar de 500% a 1.000%.
Tabela 2. O que os estudos de mercado dizem sobre ROI de IA generativa
| Indicador | Valor | Fonte |
|---|---|---|
| Empresas que superaram expectativa financeira com GenAI | 29% | Peers/MIT Technology Review Brasil, set/2026 |
| Empresas com metodologia formal de ROI aplicada | 54% | Peers/MIT Technology Review Brasil, set/2026 |
| Empresas sem metodologia clara de ROI | 18,8% | Peers/MIT Technology Review Brasil, set/2026 |
| CIOs que relatam empate ou perda financeira com IA | 72% | Gartner, citada pela Peers |
Fonte: Peers, "ROI de IA: como medir o retorno da inteligência artificial", set/2026
5. O treinamento de modelos com obras protegidas é outro fio da mesma meada
Ainda que o painel não tenha se aprofundado em litígios específicos sobre treinamento de modelos com obras protegidas, essa é a outra ponta do problema de autoria levantado na abertura: se a IA aprende sobre repertório humano protegido, quem tem direito sobre o que ela produz depois?
A Fonte 4 (análise sobre IA e copyright) resume o estado da jurisprudência americana em casos concretos: em Bartz v. Anthropic, o tribunal entendeu que treinar com livros adquiridos legalmente pode ser fair use, mas treinar com cópias pirateadas não é justificável. Em Thomson Reuters v. Ross Intelligence, a defesa de fair use foi rejeitada porque o uso não era transformativo e substituía diretamente o mercado original. A fonte resume os fatores que os tribunais consideram: caráter transformativo do uso, origem lícita dos dados e impacto no mercado da obra original.
A Fonte 3 (ITS Rio) traz a dimensão brasileira desse risco: o caso Anthropic envolveu digitalização de livros que incluía obras de editoras brasileiras, e a legislação brasileira não autoriza reprodução para treinamento de IA. Se a prática for validada nos Estados Unidos, o Brasil pode enfrentar uma "vulnerabilidade regulatória" sem nunca ter decidido a questão localmente.
Onde as fontes discordam
O painel tratou a exigência de autoria humana como um ponto pacífico e já superado. As fontes lidas mostram que, internacionalmente, essa é apenas a ponta visível de um debate bem mais aberto:
- A Fonte 9 (OMPI, sobre o US Copyright Office) sustenta a mesma linha do painel: "não se pode atribuir direito de autor a uma obra gerada inteiramente por IA, mas é possível proteger uma seleção e disposição suficientemente originais ou uma modificação da produção por IA". Ou seja, contribuição humana parcial pode bastar.
- A Fonte 8 (Migalhas) relativiza essa mesma conclusão como um risco, não uma solução: jogar obras geradas por IA em domínio público "pode ter efeitos deletérios no ecossistema criativo", porque ignora que essas obras derivam de treinamento sobre obras humanas protegidas, sem compensação aos autores originais.
- Sobre o caso do CIO, o painel não informou qual modelo específico foi comparado, qual setor da empresa, nem o valor absoluto investido. A palestra não mostra os números completos por trás do "sete meses" de retorno, o que limita a generalização do caso.
- As fontes de mercado (Peers, Gartner) contradizem implicitamente a confiança do painel em uma solução simples (modelo local menor): elas mostram que a maioria das empresas ainda não tem metodologia clara para medir esse retorno, o que sugere que replicar o case do CIO sem medição rigorosa própria é arriscado.
O que fazer agora
- Documente a cadeia de autoria em todo fluxo que combina humano e IA: se o time não consegue explicar quem decidiu, corrigiu e validou cada etapa, a reivindicação de autoria não resiste a um questionamento jurídico.
- Antes de contratar o modelo mais avançado disponível, defina o caso de uso e meça o ganho real contra ele: se a tarefa não exige o raciocínio mais sofisticado do mercado, um modelo menor, local ou mais barato tende a pagar o investimento mais rápido.
- Trate a métrica de tokens recebidos com desconfiança: se a cobrança é por token, verifique a taxa de acerto de cache antes de descartar um caso de uso por custo aparente.
- Antes de treinar ou usar modelos com dados próprios ou de terceiros, verifique a origem: se os dados não são licenciados ou de domínio público confirmado, o risco jurídico sobe, inclusive para empresas brasileiras expostas a decisões estrangeiras sobre bases de treinamento.
- Adote metodologia formal de ROI antes de escalar qualquer piloto: se a empresa não sabe medir o retorno de um projeto pequeno, não há garantia de que saberá medir (ou conter) o custo quando ele crescer em escala.




