FAQ jurídico: quando a IA alucina sobre a sua marca (responsabilidade, LGPD, YMYL e o que registrar como prova)

Um modelo de linguagem afirma, com a maior tranquilidade do mundo, que a sua empresa respondeu a um processo por fraude que nunca existiu. Ou inventa que o seu produto contém uma substância proibida. Ou diz que a companhia fechou as portas. O texto sai bem escrito, parece factual, e cita uma fonte que, quando você abre, não diz nada daquilo. Eu vi versões disso acontecerem com marcas grandes e pequenas em 2026, e o primeiro reflexo do jurídico costuma ser a pergunta errada: "podemos processar a OpenAI?". A pergunta certa é outra, e ela tem várias camadas.

Escrevo este FAQ como CEO da Brasil GEO, não como advogado, e faço questão de abrir com a ressalva que repito ao longo do texto: isto não é parecer jurídico. É um mapa de decisão para o diretor jurídico, o DPO e o time de compliance que precisam agir antes, durante e depois de uma alucinação. A tese contraintuitiva que defendo é simples: na maioria dos casos, o caminho jurídico puro é lento e incerto, enquanto o caminho de engenharia de informação (tornar a entidade da marca consistente e bem-fundada na web pública) reduz o risco de origem. Litígio trata o sintoma. Consistência canônica trata a causa.

Organizei as perguntas em cinco blocos: responsabilidade, LGPD e ANPD, retificação, conteúdo YMYL e prevenção. Use o índice como uma matriz de risco.

A primeira distinção que separa um problema gerenciável de uma exposição séria é esta: a IA que errou estava sob o seu controle ou era de um terceiro? São dois mundos jurídicos diferentes.

Sim, e essa é a hipótese mais perigosa. Quando o chatbot opera no seu site, no seu WhatsApp, no seu app ou em um sistema contratado que fala em nome da empresa, a marca tende a responder pelo conteúdo gerado. No Brasil, a exposição vem do Código de Defesa do Consumidor, da LGPD, do Código Civil, de normas setoriais e das regras de publicidade.

O precedente que todo jurídico deveria conhecer é Moffatt v. Air Canada. O chatbot da companhia informou uma regra incorreta sobre tarifa de luto. A Air Canada argumentou em juízo que o chatbot seria "uma entidade separada", responsável pelas próprias palavras. O Civil Resolution Tribunal da Colúmbia Britânica rejeitou o argumento e condenou a empresa na decisão de 14 de fevereiro de 2024 (Moffatt v. Air Canada, 2024 BCCRT 149). A lição é dura e clara: se o assistente fala pelo seu canal, você responde pela informação dele. Não há firewall de "foi a IA".

Os pontos típicos de exposição que listo para os clientes: chatbot que informa preço errado, que promete benefício inexistente, que nega direito do consumidor, que inventa política de reembolso, que dá conselho médico, financeiro ou jurídico sem base, ou que toma decisão automatizada sem transparência. Para reduzir isso, a IA de marca não pode ter autonomia para fechar contrato, alterar preço ou interpretar cláusula sem regra determinística.

Aqui a notícia é melhor, e mais frustrante. Quando um LLM público inventa algo sobre a sua marca sem nenhuma participação sua, a empresa não costuma ser automaticamente responsável pela fala do terceiro. O risco vira reputacional, concorrencial e econômico, não responsabilidade direta sua. O ponto sensível: a sua exposição aumenta se você republica, endossa, incorpora ou usa a resposta falsa nos seus próprios canais. Print da alucinação no seu LinkedIn como "olha o que a IA disse de bom sobre nós" pode te puxar para dentro do problema.

Quanto a processar o provedor do modelo, sou honesto: a jurisprudência brasileira específica sobre difamação por LLM ainda é rasa em 2026. No exterior já há litígios relevantes por difamação contra fornecedores de IA generativa por conteúdo inventado sobre pessoas e empresas, mas a maioria ainda corre sem precedente consolidado. Tratar litígio contra o provedor como plano A é apostar tempo e dinheiro em terreno incerto. Por isso eu inverto a ordem: primeiro documento e corrijo a fonte de informação, depois, se o dano persistir e for grave, aciono. Detalhei esse método no nosso case sobre como zeramos crises de marca em LLMs com monitoramento 24 horas por dia.

O jurídico costuma tratar alucinação como tema de reputação. Mas no instante em que a informação falsa é sobre uma pessoa identificada ou identificável (um executivo, um cliente, um sócio), você entra no território da Lei nº 13.709/2018, a LGPD. E "foi só uma alucinação" não é defesa.

Pode ser, sim. A LGPD se aplica sempre que há tratamento de dados pessoais, e isso inclui prompts, logs, bases de treinamento, embeddings e sistemas RAG. Se a IA inventa uma informação incorreta sobre uma pessoa identificável, isso colide diretamente com o princípio de qualidade dos dados do artigo 6º (dados exatos, claros, relevantes e atualizados) e com a transparência. Um dado falso não deixa de ser regulado só porque é falso.

Os artigos que eu sublinho para o time, todos no texto oficial da Lei nº 13.709/2018 no portal do Planalto: artigo 6º (princípios, com qualidade dos dados), artigo 7º e 11 (bases legais e dados sensíveis), artigo 18 (direitos do titular, incluindo correção e eliminação), artigo 20 (revisão de decisões automatizadas), artigo 42 (responsabilidade por dano patrimonial e moral), artigo 46 (segurança) e artigo 48 (comunicação de incidente).

Quando há tratamento de dados pessoais com risco ou dano relevante aos titulares. A ANPD regulou o procedimento de comunicação de incidente de segurança na Resolução CD/ANPD nº 15, de 24 de abril de 2024, e a dosimetria de sanções na Resolução CD/ANPD nº 4, de 24 de fevereiro de 2023 (ambas no portal oficial da ANPD). As sanções da LGPD vão de advertência a multa simples de até 2% do faturamento da empresa no Brasil, limitada a R$ 50 milhões por infração, além de publicização e bloqueio de dados.

Minha leitura prática: nem toda alucinação é incidente de segurança no sentido técnico (vazamento), mas alucinação que expõe dado pessoal incorreto sobre um titular deve ser tratada pelo DPO como evento de risco, com avaliação documentada de impacto e decisão registrada sobre comunicar ou não. A decisão de não comunicar é tão importante de documentar quanto a de comunicar.

São, em duas frentes. Na frente de entrada, os seus colaboradores colando dados pessoais ou confidenciais em ferramentas públicas de IA criam tratamento sem base legal clara e, muitas vezes, com transferência internacional. Na frente de fornecedor, é preciso saber se os dados que você manda para a API são usados para treinar o modelo. Por isso eu exijo cláusula contratual com o fornecedor de IA: proibição de uso dos dados para treinamento sem autorização, logs auditáveis, notificação de incidente, suporte ao exercício de direitos dos titulares e SLA de correção. Sem isso no contrato, o DPO está assinando um cheque em branco.

Esta é a parte em que o instinto jurídico e a realidade técnica mais se chocam. Você não "edita" o que o ChatGPT pensa da sua marca como quem corrige um cadastro. Mas há caminhos reais, e eles funcionam melhor do que a maioria dos advogados imagina.

Existe direito de correção de dados pessoais (artigo 18 da LGPD) quando o tratamento é de um operador identificável. O problema é que o modelo não guarda um "registro" da sua marca que você pode corrigir, ele gera texto a cada resposta a partir de padrões e de fontes que ele recupera. Então a retificação eficaz acontece em duas frentes: o canal formal do provedor e, sobretudo, a correção da fonte de informação que o modelo lê.

A frente que mais entrega resultado é a segunda. Modelos generativos refletem o que está disponível e bem estruturado na web pública. Se a informação correta sobre a sua empresa está fragmentada, desatualizada ou inconsistente entre LinkedIn, Wikipedia, imprensa e site oficial, a IA preenche o vácuo com invenção. Tornar a entidade canônica (uma fonte única de verdade, com dados estruturados) é o que reduz a alucinação na origem. Foi exatamente isso que sustentou o nosso resultado de redução de 85% nas alucinações de IA para uma marca monitorada.

O fluxo que recomendo, na ordem:

1. Capture a prova antes de qualquer coisa (detalho no bloco de provas abaixo).
2. Publique a correção em fonte oficial: atualize a página "Sobre", a sala de imprensa, o FAQ e os dados estruturados Schema.org com a informação correta e datada.
3. Fortaleça os sinais públicos: perfis institucionais, artigos assinados, bases de imprensa, consistência de nomenclatura. A IA precisa encontrar a verdade com mais autoridade do que o erro.
4. Envie pedido formal ao provedor pelo canal de feedback ou privacidade, anexando a prova e a fonte oficial corrigida.
5. Monitore a reincidência: refaça as mesmas perguntas em ChatGPT, Gemini, Claude e Perplexity periodicamente e registre se o erro persiste.

Esse processo de auditoria contínua da entidade é o que chamamos de método de auditoria de marcas em inteligência artificial. Sem o passo 2 e 3, o passo 4 quase nunca resolve sozinho.

YMYL ("Your Money or Your Life") é a categoria de conteúdo que pode afetar saúde, estabilidade financeira, segurança ou decisões legais de uma pessoa. Para o jurídico, YMYL é onde o risco de uma alucinação deixa de ser embaraço e vira dano concreto, com potencial regulatório.

Nas diretrizes do Google para avaliadores de qualidade, YMYL cobre temas de alto impacto na vida da pessoa. O conceito nasceu no SEO, mas a lógica é universal e jurídica: quanto maior o impacto potencial de uma resposta, maior tem que ser o controle humano, documental e técnico sobre ela. Se a IA da sua empresa dá uma orientação errada sobre dosagem, sobre um investimento, sobre um direito trabalhista ou sobre segurança, você não está diante de um erro de marketing, está diante de potencial dano e de violação de normas setoriais (Anvisa, Banco Central, CVM, ANS, entre outros).

O caso Mata v. Avianca ilustra o risco YMYL fora do varejo: advogados apresentaram ao tribunal precedentes jurídicos inteiramente inventados pelo ChatGPT, e foram sancionados na ordem de 22 de junho de 2023, no Distrito Sul de Nova York. A lição que levo para todo cliente de área regulada: em tema YMYL, nenhuma citação gerada por IA entra em uso sem verificação na fonte primária.

E-E-A-T (Experience, Expertise, Authoritativeness, Trust) não é obrigação legal, e eu sou o primeiro a dizer isso para não vender hype. É uma referência de qualidade do ecossistema de busca. Mas os critérios de E-E-A-T, por coincidência feliz, são quase um checklist de redução de risco jurídico: autoria identificada, revisor qualificado, fonte primária, data de atualização, transparência e correção. Uma página YMYL anônima, sem autor, sem data e sem fonte é simultaneamente fraca para a IA e frágil para o jurídico. Construir E-E-A-T verdadeiro defende a marca nas duas frentes ao mesmo tempo.

Para conteúdo da marca em temas sensíveis, a regra que aplico é não publicar resposta conclusiva de IA sem revisão humana qualificada. E quando o tema exige profissional habilitado, a IA encaminha em vez de opinar.

A diferença entre uma reclamação que vira processo vencível e uma que evapora costuma ser a prova. E a prova de uma alucinação é frágil por natureza: a resposta de um LLM muda a cada execução, e o erro pode "sumir" amanhã. Por isso o registro é a primeira ação, não a última.

Capture um pacote completo, porque um print solto vale pouco. O que eu mando registrar:

• O prompt exato usado, palavra por palavra.
• A resposta completa, em print e em texto copiado.
• Data, hora e fuso da consulta.
• O modelo e a versão (por exemplo, qual ChatGPT, qual Gemini).
• A URL de origem citada pela IA, quando houver, e o conteúdo real dela (que muitas vezes não diz o que a IA afirmou).
• O impacto observado: quem viu, em que contexto, qual o dano potencial.

Para alucinações sobre dados pessoais, some a isso os logs internos: versão do prompt, sessão pseudonimizada, fonte consultada pelo sistema, política aplicada e fallback acionado, com prazo de retenção compatível com a LGPD. Sem esses registros, a marca perde a capacidade de provar o que aconteceu, e o risco probatório vira risco jurídico.

Minha régua, sempre lembrando que não é parecer jurídico e cada caso pede análise própria: notifique o provedor cedo, é barato e cria trilha. Acione a via judicial quando o dano for grave e persistente, quando houver prejuízo econômico mensurável e quando a correção da fonte já tiver sido feita e o erro continuar se reproduzindo de forma demonstrável. Litígio prematuro, sem prova robusta e sem ter corrigido a origem, costuma gastar capital jurídico para tratar um sintoma que a engenharia de informação resolveria mais barato.

O caso DPD mostra a velocidade do risco reputacional: em janeiro de 2024, a empresa desativou parte do chatbot depois que ele passou a criticar a própria companhia após manipulação de usuário (reportado pela BBC News, em 20 de janeiro de 2024). Às vezes a melhor resposta jurídica imediata é operacional: desligar, conter, documentar, e só depois decidir o passo legal.

A prevenção que recomendo combina jurídico, técnico e de informação:

• Fonte canônica de verdade: páginas oficiais com dados corretos, datados e estruturados em Schema.org. É o que mais reduz alucinação na origem.
• Consistência da entidade entre todos os perfis públicos, para a IA não confundir nem inventar.
• RAG com base aprovada nos chatbots de marca: quando não há fonte, o sistema diz que não sabe e encaminha ao humano.
• Bloqueio de autonomia comercial: a IA não fecha contrato, não muda preço, não promete reembolso sem regra determinística.
• Red teaming: testar prompt injection, jailbreak e temas sensíveis, documentando falhas e correções.
• Cláusulas contratuais com fornecedores e monitoramento contínuo das respostas sobre a marca nos principais modelos.

Esse desenho conversa com a questão dos direitos autorais em IA, porque consistência de entidade e governança de conteúdo são a mesma infraestrutura vista por ângulos diferentes. Trate a IA generativa como risco jurídico, reputacional e informacional ao mesmo tempo, e a maioria dos incidentes deixa de virar crise.

Repito de propósito: este texto é um mapa de decisão, não um parecer jurídico. A jurisprudência brasileira sobre alucinação de LLMs ainda está se formando, e a análise de um caso concreto precisa considerar setor, canal, público afetado, contrato com o fornecedor, dados tratados, dano potencial e provas disponíveis. Não venda ao seu board a ideia de que existe uma blindagem jurídica simples contra a IA. Não existe.

O que existe é disciplina. Documente antes, corrija a fonte sempre, litigue por último e com prova. E construa a entidade da sua marca de forma tão consistente e bem fundamentada que a IA tenha pouco espaço para inventar. O próximo passo concreto para o jurídico e o DPO é montar, esta semana, o pacote mínimo de prova (prompt, resposta, data, modelo, fonte) e rodar uma auditoria das respostas que os principais modelos dão hoje sobre a sua marca. O que a máquina diz de você quando você não está olhando é, cada vez mais, um problema do jurídico.