Explicabilidade da IA: como justificar uma reprovação documental ao cliente ou auditor

Explicabilidade da IA na validação documental é a capacidade de mostrar, para cada documento reprovado, qual regra falhou, qual evidência sustentou a decisão e quem a revisou. A LGPD (art. 20) obriga o controlador a informar critérios e procedimentos da decisão automatizada quando solicitado, e a justificativa certa tem duas camadas: uma mensagem clara para o cliente e um dossiê rastreável para o auditor.

Pontos-chave

• O art. 20 da LGPD dá ao titular o direito de pedir revisão de decisões tomadas unicamente por tratamento automatizado, inclusive as que definem perfil de consumo e de crédito.
• O § 1º do art. 20 exige “informações claras e adequadas a respeito dos critérios e dos procedimentos”, ressalvados os segredos comercial e industrial.
• O NIST publicou em 2021 quatro princípios de IA explicável: explicação, significado, precisão da explicação e limites de conhecimento.
• O Tribunal de Justiça da União Europeia decidiu em 27 de fevereiro de 2025 que entregar o algoritmo não basta como explicação.
• A ANPD recebeu 99 contribuições na Tomada de Subsídios sobre IA e revisão de decisões automatizadas, encerrada em 24 de janeiro de 2025.
• O IBGE mediu que 41,9% das empresas industriais com 100 ou mais pessoas ocupadas usavam IA em 2024, contra 16,9% em 2022.
• A multa da LGPD chega a 2% do faturamento, limitada a R$ 50 milhões por infração.

O que é explicabilidade da IA em uma reprovação documental?

Explicabilidade da IA é a propriedade de um sistema que permite reconstruir, em linguagem compreensível, por que ele chegou a um resultado específico. Na validação documental, o resultado mais sensível é a reprovação: o comprovante de renda recusado, o contrato social devolvido, o atestado médico negado, a CNH marcada como divergente. Uma reprovação explicável responde três perguntas: o que foi verificado, o que não bateu e com base em qual evidência.

Reprovação documental é a decisão de não aceitar um documento porque ele não atende a um critério de autenticidade, legibilidade, validade, completude ou consistência. Em operações automatizadas, um modelo de IA lê o arquivo, extrai os campos e aplica regras de negócio.

Explicação, interpretabilidade e transparência são a mesma coisa?

Não. Transparência é informar que existe tratamento automatizado e como ele funciona em termos gerais, e a LGPD a define no art. 6º, VI, como a garantia de “informações claras, precisas e facilmente acessíveis” sobre o tratamento. Interpretabilidade é uma característica técnica do modelo: um conjunto de regras é interpretável por natureza, uma rede neural profunda não é. Explicação é o artefato entregue a uma pessoa sobre uma decisão concreta.

Para a reprovação documental, o que importa ao cliente e ao auditor é a explicação, e ela depende mais de evidências registradas do que do tipo de modelo.

Quais são os quatro princípios de IA explicável do NIST?

O NIST (National Institute of Standards and Technology), agência de padrões dos Estados Unidos, publicou em 29 de setembro de 2021 o relatório NISTIR 8312, “Four Principles of Explainable Artificial Intelligence”, assinado por P. Jonathon Phillips e outros seis pesquisadores. Os princípios são explicação (o sistema entrega razões para cada saída), significado (a explicação é compreensível ao destinatário), precisão da explicação (reflete a razão real) e limites de conhecimento (o sistema só decide nas condições de projeto e com confiança suficiente).

O quarto princípio é o mais negligenciado na validação documental. Um documento ilegível, de um layout que o modelo nunca viu, não deveria ser reprovado automaticamente: deveria ser encaminhado a um analista, porque a IA está fora dos seus limites de conhecimento.

Por que justificar uma reprovação documental virou obrigação?

Justificar uma reprovação documental virou obrigação porque a IA saiu do laboratório e passou a decidir em escala, enquanto a lei brasileira e a europeia já preveem direito de revisão e de explicação para decisões automatizadas. Segundo a PINTEC Semestral do IBGE, divulgada em 24 de setembro de 2025, o percentual de empresas industriais que usam IA subiu de 16,9% em 2022 para 41,9% em 2024, e a área administrativa lidera o uso, com 87,9%.

O setor financeiro, onde a reprovação documental decide crédito e abertura de conta, vai na mesma direção. A Pesquisa Febraban de Tecnologia Bancária 2025, conduzida pela Deloitte, aponta que mais de 82% dos bancos no Brasil já incorporam IA generativa e que o orçamento de tecnologia do setor chega a R$ 47,8 bilhões em 2025.

Fonte: IBGE (2025), Febraban e Deloitte via InfoMoney (2025), ANPD (2025) e Lei nº 13.709/2018.

Qual é o risco de não conseguir explicar?

O risco é jurídico, regulatório e comercial ao mesmo tempo. No plano jurídico, o titular pode pedir revisão e critérios com base no art. 20 da LGPD, e uma resposta vazia abre espaço para reclamação na ANPD e ação judicial. No plano regulatório, o § 2º do art. 20 autoriza a ANPD a realizar auditoria para verificar aspectos discriminatórios quando o controlador se recusa a informar critérios alegando segredo comercial.

No plano comercial, a reprovação sem motivo gera reenvio do mesmo documento, abandono do cadastro e chamado no atendimento.

Segundo Cláudio Roberto Santos, advogado e sócio fundador do DMS Advogados, em artigo publicado na TI Inside em julho de 2026, “a opacidade do critério algorítmico não é uma defesa jurídica válida”. O autor lembra que o STJ já tratava da transparência no credit scoring em decisão de 12 de novembro de 2014.

O que a LGPD, o CDC e as normas de crédito exigem da justificativa?

A LGPD, o CDC, a Lei do Cadastro Positivo e a Resolução CMN nº 4.949/2021 formam o núcleo das exigências brasileiras para justificar uma decisão automatizada que afete cliente. Nenhuma delas obriga a revelar o código-fonte do modelo, mas todas exigem informação clara, critérios compreensíveis e um caminho de revisão.

O art. 20 da LGPD é o centro. O caput garante a revisão de “decisões tomadas unicamente com base em tratamento automatizado de dados pessoais que afetem seus interesses”, e o § 1º obriga o controlador a fornecer, sempre que solicitadas, “informações claras e adequadas a respeito dos critérios e dos procedimentos utilizados para a decisão automatizada, observados os segredos comercial e industrial”.

Para crédito, a Lei nº 12.414/2011 é mais específica. O art. 5º, IV, garante ao cadastrado “conhecer os principais elementos e critérios considerados para a análise de risco, resguardado o segredo empresarial”, e o inciso VI permite “solicitar ao consulente a revisão de decisão realizada exclusivamente por meios automatizados”. A Súmula 550 do STJ, de 2015, confirma que o consumidor pode pedir esclarecimentos sobre as fontes e os dados pessoais usados no escore de crédito.

Fonte: elaboração própria com base nos textos oficiais das normas e na Súmula 550 do STJ.

O segredo comercial permite negar a explicação?

Não por completo, porque o § 2º do art. 20 da LGPD transfere à ANPD o poder de auditar quando o controlador se recusa a informar. O Tribunal de Justiça da União Europeia, no processo C-203/22 (Dun & Bradstreet Austria), julgado em 27 de fevereiro de 2025, foi além: informação protegida deve ser entregue à autoridade ou ao tribunal, que pondera os interesses, e não cabe negativa automática.

No caso, um contrato de telefonia de 10 euros por mês foi recusado por avaliação automatizada de crédito, e o tribunal registrou que “the mere communication of an algorithm does not constitute a sufficiently concise and intelligible explanation”, ou seja, entregar o algoritmo não é explicar.

Como a justificativa de reprovação é feita hoje e onde ela falha?

A justificativa de reprovação documental, na maior parte das operações, é feita por mensagem padrão no sistema de cadastro (“documento inválido”, “documento não aceito”) e, quando o cliente reclama, por um analista que reabre o arquivo e tenta adivinhar o motivo.

A Nota Técnica nº 12/2025 da ANPD, publicada em 15 de maio de 2025 com os resultados da tomada de subsídios, registrou convergência dos participantes sobre a “promoção da explicabilidade por meios acessíveis ao titular”, e uma mensagem genérica não atende a esse padrão.

Os gargalos mais comuns no processo atual de justificativa são estes:

• A mensagem ao cliente usa um motivo genérico, e o cliente reenvia o mesmo documento sem saber o que corrigir.
• O motivo da reprovação não fica gravado de forma estruturada, então o analista que atende a reclamação refaz a análise do zero.
• A versão do modelo, da regra e do checklist usada na data da decisão não é registrada, e o auditor não consegue reproduzir o resultado.
• A reprovação automática acontece mesmo com baixa confiança da leitura, em vez de seguir para revisão humana.
• O mesmo texto vai para o cliente e para o auditor, e acaba ou técnico demais para um, ou raso demais para o outro.
• Em casos de suspeita de fraude, a equipe explica demais e ensina o fraudador a ajustar o próximo documento.

A saída para o último ponto é separar camadas: o cliente recebe o motivo verificável, o auditor recebe a trilha completa.

Como justificar uma reprovação documental passo a passo?

Justificar uma reprovação documental exige preparar a decisão antes de ela acontecer. O roteiro abaixo segue os quatro princípios do NIST e o art. 20 da LGPD.

1. Monte um catálogo fechado de motivos de reprovação. Cada motivo recebe um código, uma descrição técnica e um texto para o cliente, por exemplo “nome do titular divergente do cadastro”. Motivo livre digitado pelo analista não pode ser contado nem auditado.
2. Vincule cada reprovação a uma evidência localizada. A evidência é o campo extraído, o valor lido, o valor esperado e a região do documento onde a leitura ocorreu. Sem evidência, ninguém verifica se o motivo é o real.
3. Defina limiares de confiança e o que acontece abaixo deles. Leitura com confiança baixa, layout desconhecido ou imagem ilegível segue para um analista, e não para reprovação automática. Esse desenho cumpre o princípio de limites de conhecimento e reduz decisões tomadas “unicamente” por meio automatizado.
4. Registre a versão de tudo que decidiu. Grave a versão do modelo, do checklist e da regra de negócio, a data, o hash do arquivo e o usuário que revisou, se houve revisão.
5. Escreva a mensagem ao cliente em linguagem simples e acionável. A mensagem diz o que não foi aceito, por qual critério e o que fazer agora, como reenviar o comprovante mais recente ou o documento completo. Para suspeita de fraude, informe que o documento não passou na verificação de autenticidade e ofereça canal de revisão, sem detalhar o teste aplicado.
6. Abra um canal de revisão com prazo e responsável. O pedido de revisão do art. 20 da LGPD entra em fila própria, é analisado por pessoa diferente de quem decidiu e recebe resposta registrada.
7. Gere o dossiê do auditor sob demanda. O dossiê reúne o documento, a extração, os motivos codificados, as evidências, as versões, a confiança, a revisão humana e a resposta ao titular.
8. Meça a qualidade das explicações. Acompanhe a taxa de reenvio após reprovação, a taxa de reversão em revisão e os motivos mais frequentes.

Como escolher o formato da justificativa para cada público?

O formato da justificativa depende de quem lê: o cliente precisa saber o que corrigir, o auditor precisa reproduzir a decisão e o regulador precisa verificar critérios e ausência de discriminação. O princípio do significado, do NIST, diz exatamente isso: a explicação deve ser compreensível para o destinatário pretendido.

Fonte: elaboração própria com base no NISTIR 8312 (NIST, 2021) e em Santos (TI Inside, 2026).

Cláudio Roberto Santos descreve duas abordagens técnicas: explicabilidade por design, com modelos interpretáveis, e explicação post-hoc, com ferramentas como LIME e SHAP aplicadas a modelos complexos. Na validação documental, reprovações por regra verificável (data, nome, CNPJ, assinatura) se explicam melhor por evidência localizada.

Quanto detalhe dar ao cliente sem expor a operação antifraude?

O detalhe certo é o suficiente para o cliente honesto corrigir o envio, sem entregar ao fraudador o mapa do teste. Divergência de dado cadastral, documento vencido ou página faltando devem ser explicados por inteiro. Suspeita de montagem ou adulteração deve ser comunicada como falha de verificação de autenticidade, com canal de revisão humana, e os sinais técnicos ficam no dossiê. Os sinais mais comuns estão descritos no conteúdo sobre controle de qualidade e o que acontece quando a IA erra.

Quais erros tornam uma reprovação impossível de defender?

Uma reprovação documental fica impossível de defender quando falta um dos elos entre a regra, a evidência e a pessoa responsável. Segundo Martha Leal, advogada e presidente da Comissão de Comunicação Institucional do Instituto Nacional de Proteção de Dados (INPD), em artigo na ConJur, “O princípio da transparência está intimamente ligado ao direito à explicação das decisões automatizadas”.

Os erros mais frequentes, e suas consequências, são estes:

• Reprovar automaticamente documentos com leitura de baixa confiança, o que transforma erro de OCR em negativa ao cliente e enfraquece a defesa perante a ANPD.
• Responder ao pedido de revisão com o mesmo texto genérico da reprovação, o que descumpre o § 1º do art. 20 da LGPD e alimenta reclamações.
• Não versionar regras e modelos, o que impede o auditor de reproduzir a decisão e transforma cada auditoria em reconstrução manual.
• Usar revisão humana apenas para carimbar a decisão da IA, o que esvazia a revisão e mantém a decisão, na prática, unicamente automatizada.
• Usar critério sem relação com o objetivo da análise, o que esbarra no art. 7º-A da Lei do Cadastro Positivo, que veda informações de origem social e étnica, saúde, sexo e convicções na nota de crédito.
• Explicar detalhes do detector antifraude ao cliente, o que ensina o fraudador a contornar a verificação no próximo envio.

Guardar evidência em e-mail e planilha soltos também quebra a cadeia de custódia de documentos: sem registro íntegro de quem recebeu, leu e decidiu, a evidência perde valor diante do auditor.

Como a Dynadok torna cada reprovação documental explicável?

A Dynadok identifica, extrai e valida documentos em vários formatos e layouts, de imagens a PDFs, com checklists por tipo de documento e cruzamento entre documentos, e “reduz até 95% do tempo gasto com validação manual”, segundo a Dynadok. Cada verificação do checklist vira um critério nomeado, com o valor extraído e o resultado, o que alimenta tanto a mensagem ao cliente quanto o dossiê do auditor.

A plataforma combina automação com revisão de analistas nos casos de exceção, modelo descrito no conteúdo sobre human-in-the-loop na validação documental. Esse desenho atende ao princípio de limites de conhecimento do NIST: o que a IA resolve com segurança segue automático, o que exige julgamento vai para uma pessoa.

Segundo Chrystiano Mincoff, Diretor Executivo de Experiência e Retenção, em depoimento no site da Dynadok, “Chegamos a uma assertividade de 90%”, com 9 de cada 10 cadastros validados sem intervenção humana. Karla Lemos, Gerente de CSC, relata no mesmo site que a equipe de análise de documentos do Prouni passou de até 25 pessoas para 10.

Leia também no blog da Dynadok:

• LGPD e segurança da informação na validação documental com IA: guia completo
• Conferência manual x automatizada de documentos: comparativo honesto
• Como a Inteligência Artificial (IA) transforma a auditoria documental? Veja detalhes
• Segurança no setor financeiro: o que a Resolução BCB exige da automação documental
• Extração x conferência x decisão: as três camadas da automação documental

Perguntas frequentes sobre explicabilidade da IA na reprovação documental

A empresa é obrigada a explicar por que reprovou um documento?

Sim, quando a reprovação é decisão unicamente automatizada que afeta interesses do titular. O art. 20 da LGPD garante a revisão e obriga o controlador a fornecer, sempre que solicitadas, informações claras e adequadas sobre critérios e procedimentos da decisão, ressalvados os segredos comercial e industrial.

Explicar a reprovação significa entregar o algoritmo ao cliente?

Não. A explicação exigida é sobre critérios e procedimentos, e não sobre código-fonte. O Tribunal de Justiça da União Europeia decidiu em 27 de fevereiro de 2025, no processo C-203/22, que entregar o algoritmo não constitui explicação suficientemente concisa e inteligível da decisão.

Qual é a diferença entre transparência e explicabilidade?

Transparência é informar que existe tratamento automatizado e como ele funciona em termos gerais, conforme o art. 6º, VI, da LGPD. Explicabilidade é a capacidade de justificar uma decisão concreta, como a reprovação de um documento específico, com critério, evidência e responsável identificados.

O que é uma decisão unicamente automatizada?

Decisão unicamente automatizada é a tomada sem participação humana com poder real de alterar o resultado. Se a IA reprova o documento e ninguém revisa, a decisão é unicamente automatizada. Se um analista revisa apenas para confirmar, sem analisar evidências, a decisão continua, na prática, automatizada.

A revisão humana é obrigatória em toda reprovação documental?

Não em toda reprovação. A LGPD garante a revisão quando o titular solicita. A Nota Técnica nº 12/2025 da ANPD registrou divergência entre participantes: parte defende revisão humana obrigatória em casos complexos, parte defende escalonamento para revisão humana quando há contestação.

Quanto tempo a empresa tem para responder um pedido de revisão?

O art. 20 da LGPD não fixa prazo específico para a revisão de decisão automatizada. A Resolução CMN nº 4.949/2021 exige das instituições financeiras tempestividade no atendimento de demandas. A boa prática é definir prazo interno, fila própria e responsável nomeado para cada pedido.

O segredo comercial permite recusar a explicação?

Parcialmente. A LGPD ressalva os segredos comercial e industrial, mas o § 2º do art. 20 autoriza a ANPD a realizar auditoria quando o controlador se recusa a informar critérios por esse motivo. A empresa protege o detalhe técnico, mas não fica livre de demonstrar que a decisão não foi discriminatória.

Como explicar uma reprovação por suspeita de fraude sem ajudar o fraudador?

Comunique ao cliente que o documento não passou na verificação de autenticidade e ofereça canal de revisão humana. Os sinais técnicos detectados, como inconsistências de fonte ou metadados, ficam no dossiê do auditor. A LGPD ressalva o segredo comercial e industrial justamente para proteger esse tipo de detalhe.

O que deve constar no dossiê de auditoria de uma reprovação?

O dossiê de auditoria deve conter o documento recebido, os dados extraídos, o motivo codificado, a evidência localizada, a versão do modelo e da regra, o nível de confiança, a identificação do revisor humano e a resposta dada ao titular. Com esses itens, o auditor reproduz a decisão.

Quais são os princípios do NIST para IA explicável?

O NISTIR 8312, publicado pelo NIST em 2021, define quatro princípios: explicação (o sistema entrega razões), significado (a explicação é compreensível ao destinatário), precisão da explicação (reflete a razão real) e limites de conhecimento (o sistema só decide dentro das condições de projeto e com confiança suficiente).

A Lei do Cadastro Positivo trata de decisão automatizada?

Sim. A Lei nº 12.414/2011, art. 5º, VI, garante ao cadastrado o direito de solicitar ao consulente a revisão de decisão realizada exclusivamente por meios automatizados. O inciso IV garante conhecer os principais elementos e critérios considerados na análise de risco, resguardado o segredo empresarial.

O que o CDC diz sobre informações usadas para recusar um cliente?

O CDC, no art. 43, garante ao consumidor acesso às informações existentes em cadastros, fichas, registros e dados pessoais e de consumo arquivados sobre ele, bem como às suas fontes. O art. 6º, III, garante informação adequada e clara. Ambos sustentam o pedido de explicação de uma reprovação.

A Súmula 550 do STJ se aplica à validação de documentos?

A Súmula 550 do STJ trata do escore de crédito: o uso dispensa consentimento, mas o consumidor pode pedir esclarecimentos sobre fontes e dados pessoais considerados. Quando a validação documental alimenta análise de crédito, a súmula reforça o dever de informar quais dados do documento pesaram na decisão.

O que a GDPR exige em decisões automatizadas?

A GDPR, no art. 22, garante o direito de não se sujeitar a decisão baseada exclusivamente em tratamento automatizado com efeitos significativos. Nas exceções, o controlador deve garantir intervenção humana, manifestação do titular e contestação. O considerando 71 menciona o direito de obter explicação da decisão.

O AI Act europeu cria um direito à explicação?

Sim. O art. 86 do AI Act (Regulamento UE 2024/1689) garante às pessoas afetadas por decisões baseadas em sistemas de IA de alto risco o direito de obter explicações claras e significativas sobre o papel da IA no procedimento de decisão e sobre os principais elementos da decisão tomada.

Qual é a multa por descumprir a LGPD em decisões automatizadas?

A LGPD prevê, no art. 52, II, multa simples de até 2% do faturamento da pessoa jurídica de direito privado, limitada a R$ 50 milhões por infração. A ANPD também pode aplicar advertência e bloqueio dos dados.

LIME e SHAP resolvem a explicação de uma reprovação documental?

Não sozinhos. LIME e SHAP são técnicas de explicação post-hoc que mostram o peso de variáveis em modelos complexos, úteis para validar o modelo. Para o cliente e o auditor, a reprovação documental se explica melhor por regra verificável e evidência localizada no documento.

Uma IA generativa pode justificar a reprovação em texto livre?

Pode redigir a mensagem, mas a justificativa precisa estar ancorada em motivo codificado e evidência registrada. Texto livre gerado sem vínculo com a evidência viola o princípio de precisão da explicação do NIST, porque pode descrever um motivo diferente do que realmente causou a reprovação.

Como medir se as explicações de reprovação estão funcionando?

Acompanhe três indicadores: a taxa de reenvio correto após reprovação, a taxa de reversão em revisão humana e a distribuição de motivos. Reversão alta indica regra mal calibrada ou explicação imprecisa.

O PL 2.338/2023 já está em vigor?

Não. O PL 2.338/2023, marco legal da IA, foi aprovado pelo Senado em 10 de dezembro de 2024 e segue para a Câmara dos Deputados, segundo o escritório Mattos Filho. O texto prevê explicações claras e acessíveis e revisão humana de decisões automatizadas. Até a sanção, valem a LGPD, o CDC e as normas setoriais.

Conclusão

Justificar uma reprovação documental é um requisito de projeto, e não uma resposta improvisada ao chamado do cliente. Com 41,9% das indústrias usando IA em 2024, segundo o IBGE, e com o art. 20 da LGPD garantindo revisão e critérios claros, a operação defensável é a que grava motivo, evidência, versão e revisor em cada decisão, e entrega duas camadas: a mensagem acionável para o cliente e o dossiê reproduzível para o auditor. Para ver como a validação documental com checklists, evidências e revisão humana funciona na sua operação, solicite uma demonstração da Dynadok.

Como citar este artigo

ABNT: DYNADOK. Explicabilidade da IA: como justificar uma reprovação documental ao cliente ou auditor. Blog Dynadok, 16 out. 2026. Disponível em: https://blog.dynadok.com/ia/explicabilidade-da-ia-reprovacao-documental/. Acesso em: 16 out. 2026.

APA: Dynadok. (2026, 16 de outubro). Explicabilidade da IA: como justificar uma reprovação documental ao cliente ou auditor. Blog Dynadok. https://blog.dynadok.com/ia/explicabilidade-da-ia-reprovacao-documental/

Referências

AUTORIDADE NACIONAL DE PROTEÇÃO DE DADOS (ANPD). Tomada de Subsídios: Inteligência Artificial e Revisão de Decisões Automatizadas. Participa + Brasil, 2024. Disponível em: https://www.gov.br/participamaisbrasil/tomada-de-subsidios-inteligencia-artificial-e-revisao-de-decisoes-automatizadas. Acesso em: 16 out. 2026.

BRASIL. Lei nº 8.078, de 11 de setembro de 1990. Código de Defesa do Consumidor. Brasília: Presidência da República, 1990. Disponível em: https://www.planalto.gov.br/ccivil_03/leis/l8078compilado.htm. Acesso em: 16 out. 2026.

BRASIL. Lei nº 12.414, de 9 de junho de 2011. Cadastro Positivo. Brasília: Presidência da República, 2011. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2011-2014/2011/lei/l12414.htm. Acesso em: 16 out. 2026.

BRASIL. Lei nº 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais (LGPD). Brasília: Presidência da República, 2018. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/l13709.htm. Acesso em: 16 out. 2026.

BRASIL. Superior Tribunal de Justiça. Súmula 550. Julgada em 14 out. 2015. Disponível em: https://juris.damasio.com.br/sumulas/stj/550. Acesso em: 16 out. 2026.

CONSELHO MONETÁRIO NACIONAL (CMN). Resolução CMN nº 4.949, de 30 de setembro de 2021. LegisMap, 2021. Disponível em: https://legismap.com.br/leis-e-normas/resolucao-cmn-n-4-949-de-30-09-2021. Acesso em: 16 out. 2026.

DYNADOK. Validação de documentos com IA. Dynadok, 2026. Disponível em: https://dynadok.com. Acesso em: 16 out. 2026.

IBGE. De 2022 a 2024, percentual de empresas industriais utilizando inteligência artificial subiu de 16,9% para 41,9%. Agência de Notícias IBGE, 24 set. 2025. Disponível em: https://agenciadenoticias.ibge.gov.br/agencia-noticias/2012-agencia-noticias/noticias/44551-de-2022-a-2024-percentual-de-empresas-industriais-utilizando-inteligencia-artificial-subiu-de-16-9-para-41-9. Acesso em: 16 out. 2026.

INFOMONEY. Oito em cada dez bancos no Brasil já usam a inteligência artificial generativa. InfoMoney, 2025. Disponível em: https://www.infomoney.com.br/?p=3073490. Acesso em: 16 out. 2026.

LEAL, Martha. Decisões automatizadas e o direito à explicação. Consultor Jurídico, 27 abr. 2022. Disponível em: https://www.conjur.com.br/2022-abr-27/martha-leal-decisoes-automatizadas-direito-explicacao//?print=1. Acesso em: 16 out. 2026.

LEFOSSE ADVOGADOS. Inteligência artificial: ANPD publica nota técnica sobre decisões automatizadas. Lefosse, 2025. Disponível em: https://lefosse.com/noticias/inteligencia-artificial-anpd-publica-nota-tecnica-sobre-decisoes-automatizadas/. Acesso em: 16 out. 2026.

MATTOS FILHO. Senado Federal aprova marco regulatório da inteligência artificial no Brasil. Mattos Filho, 11 dez. 2024. Disponível em: https://www.mattosfilho.com.br/unico/senado-aprova-marco-ia/. Acesso em: 16 out. 2026.

NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY (NIST). Four Principles of Explainable Artificial Intelligence (NISTIR 8312). Gaithersburg: NIST, 2021. Disponível em: https://www.nist.gov/publications/four-principles-explainable-artificial-intelligence. Acesso em: 16 out. 2026.

SANTOS, Cláudio Roberto. Explicabilidade como requisito jurídico: quando a IA precisa justificar suas decisões. TI Inside, 10 jul. 2026. Disponível em: https://tiinside.com.br/10/07/2026/explicabilidade-como-requisito-juridico-quando-a-ia-precisa-justificar-suas-decisoes/. Acesso em: 16 out. 2026.

TRIBUNAL DE JUSTIÇA DA UNIÃO EUROPEIA. Processo C-203/22, Dun & Bradstreet Austria. Acórdão de 27 fev. 2025. Disponível em: https://curia.europa.eu/jcms/jcms/p1_4811088/en. Acesso em: 16 out. 2026.

UNIÃO EUROPEIA. Regulamento (UE) 2016/679 (GDPR), art. 22. GDPR-Text, 2016. Disponível em: https://gdpr-text.com/en/read/article-22/. Acesso em: 16 out. 2026.

UNIÃO EUROPEIA. Regulamento (UE) 2024/1689 (AI Act), art. 86. AI Act Service Desk, 2024. Disponível em: https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-86. Acesso em: 16 out. 2026.