Viés algorítmico na análise de documentos: riscos e como mitigar

Viés algorítmico na análise de documentos é o erro que a IA comete de forma desigual entre grupos de pessoas, por exemplo ao ler pior certos nomes, rejeitar mais fotos de pele escura ou aprender padrões discriminatórios do histórico. A LGPD proíbe tratamento para fins discriminatórios ilícitos ou abusivos e garante revisão de decisões automatizadas. A mitigação combina dados representativos, métricas separadas por grupo, revisão humana e monitoramento contínuo.

Pontos-chave

• O NIST, na publicação SP 1270 de 2022, divide o viés em IA em três categorias: sistêmico, estatístico e computacional, e humano.
• No teste FRVT do NIST de 2019, com 189 algoritmos de 99 desenvolvedores, a taxa de falso positivo em comparação 1:1 foi de 10 a 100 vezes maior para rostos asiáticos e afro-americanos do que para rostos caucasianos, conforme o algoritmo.
• O estudo Gender Shades (2018) mediu erro de até 34,7% para mulheres de pele mais escura e de no máximo 0,8% para homens de pele mais clara em 3 sistemas comerciais.
• Em ferramentas de mascaramento de dados pessoais, nomes de pessoas negras deixaram de ser detectados em 56,3% dos casos em um dos sistemas, contra 29,2% para nomes de pessoas brancas (Mansfield, Paullada e Howell, 2022).
• A LGPD (Lei nº 13.709/2018) tem a não discriminação como princípio no art. 6º, IX, e o art. 20 garante revisão de decisões tomadas unicamente por tratamento automatizado.
• O Senado aprovou o PL 2.338/2023 em 10 de dezembro de 2024, com direito à correção de vieses discriminatórios e recrutamento e biometria entre os usos de alto risco.

O que é viés algorítmico na análise de documentos?

Viés algorítmico na análise de documentos é a tendência de um sistema automatizado de leitura, extração, classificação ou validação de documentos errar mais, ou decidir de forma diferente, para determinados grupos de pessoas. O problema é o erro concentrado: quando a taxa de falha muda conforme a cor da pele na foto do RG, a origem do sobrenome, o gênero do titular ou a região de emissão do documento.

Quais são os tipos de viés segundo o NIST?

O NIST (National Institute of Standards and Technology, agência de padrões dos Estados Unidos) publicou em março de 2022 a SP 1270, “Towards a Standard for Identifying and Managing Bias in Artificial Intelligence”. O documento separa o viés em IA em três categorias, úteis para qualquer operação documental:

O viés sistêmico vem de procedimentos e práticas de instituições, que favorecem alguns grupos e desfavorecem outros, muitas vezes sem preconceito consciente. O viés estatístico e computacional nasce quando a amostra de dados não representa a população, gerando erro sistemático e não aleatório. O viés humano reflete erros sistemáticos do pensamento de quem projeta, opera ou revisa o sistema.

O NIST afirma que fatores humanos, sistêmicos e institucionais são fontes significativas de viés e que hoje são negligenciados. A SP 1270 também registra que não é possível atingir risco zero de viés em um sistema de IA, o que muda a pergunta de “o sistema tem viés?” para “o viés está medido, limitado e sob controle?”.

Onde o viés aparece no fluxo documental?

O viés algorítmico pode surgir em quatro camadas do fluxo documental. Na captura, quando a qualidade da imagem afeta grupos de forma desigual. Na leitura, quando o OCR ou o modelo de linguagem erra mais em certos nomes, idiomas ou alfabetos. Na conferência, quando a comparação facial ou a checagem de dados falha mais para certos perfis. Na decisão, quando regras ou modelos aprovam, reprovam ou mandam para revisão manual em proporções diferentes por grupo.

Por que o viés algorítmico importa para quem analisa documentos?

O viés algorítmico importa porque transforma um erro técnico em exclusão de pessoas reais, com risco jurídico e de reputação para a empresa. Se a IA rejeita mais documentos legítimos de um grupo, esse grupo recebe atendimento pior, espera mais e desiste mais.

O caso mais citado de decisão automatizada enviesada envolve documentos: currículos. Segundo reportagem da Reuters publicada em 10 de outubro de 2018, a Amazon criou em 2014 uma ferramenta de IA que dava notas de 1 a 5 estrelas a candidatos, treinada com currículos recebidos ao longo de 10 anos, majoritariamente de homens. O sistema penalizava currículos com a palavra “women’s” e rebaixava formadas em duas faculdades exclusivas para mulheres.

Segundo John Jersin, vice-presidente do LinkedIn Talent Solutions, em entrevista à Reuters na mesma reportagem, ele “certamente não confiaria em nenhum sistema de IA hoje para tomar uma decisão de contratação sozinho” (tradução livre).

Fonte: elaboração própria com base em NIST (2019), Buolamwini e Gebru (2018), BBC (2020), Mansfield, Paullada e Howell (2022) e Koenecke et al. (2020).

O teste da BBC com o verificador de fotos do Home Office britânico é o mais próximo do dia a dia documental. A BBC submeteu 1.130 fotos de políticos ao sistema. Documentos obtidos por pedido de acesso à informação de 2019 mostraram que o Home Office sabia do problema antes do lançamento. Segundo Inioluwa Deborah Raji, pesquisadora da Algorithmic Justice League e Mozilla Fellow, saber dos problemas “é evidência suficiente de responsabilidade” (tradução livre).

O que a LGPD e as regras de IA exigem sobre viés?

A LGPD (Lei nº 13.709/2018) não usa a expressão “viés algorítmico”, mas três princípios do art. 6º atingem o tema diretamente. O inciso V exige qualidade dos dados, com “exatidão, clareza, relevância e atualização dos dados”. O inciso IX define não discriminação como “impossibilidade de realização do tratamento para fins discriminatórios ilícitos ou abusivos”. O inciso X exige responsabilização e prestação de contas, com demonstração da eficácia das medidas adotadas.

O art. 20 da LGPD é o ponto central para quem automatiza análise de documentos. O titular tem direito a solicitar a revisão de decisões tomadas unicamente com base em tratamento automatizado que afetem seus interesses, incluindo perfil de crédito e profissional. O §1º obriga o controlador a informar critérios e procedimentos da decisão. O §2º autoriza a ANPD a realizar auditoria “para verificação de aspectos discriminatórios em tratamento automatizado de dados pessoais”.

Fonte: Lei nº 13.709/2018; Mattos Filho (2024) sobre o PL 2.338/2023; Comissão Europeia, AI Act Service Desk.

O PL 2.338/2023, aprovado no Senado em 10 de dezembro de 2024, ainda depende da Câmara dos Deputados. Segundo análise do escritório Mattos Filho, o texto classifica como alto risco o recrutamento e a triagem de candidatos, a saúde e a identificação e autenticação biométrica, e garante às pessoas afetadas a “correção de vieses discriminatórios diretos ou indiretos”.

Onde o viés entra nos processos documentais de hoje?

O viés algorítmico entra nos processos documentais pelas escolhas feitas antes do modelo, durante o treino e depois da implantação. Muitas operações automatizam a análise de documentos medindo uma única acurácia geral, que esconde diferenças entre grupos.

A leitura de nomes é um ponto cego frequente. O estudo de Courtney Mansfield, Amandalynne Paullada e Kristen Howell, de 2022, testou três sistemas de mascaramento de dados pessoais (AWS Comprehend, Google Cloud DLP e Microsoft Presidio) com mais de 4.000 nomes. Na base de Los Angeles, o Google Cloud DLP deixou de detectar 51,2% dos nomes de origem asiática e das ilhas do Pacífico, contra 18,6% dos nomes de pessoas brancas.

O OCR também varia conforme o alfabeto e o idioma. Nevidu Jayatilleke e Nisansa de Silva compararam motores de OCR em cingalês e tâmil em 2025: o Tesseract 5.5.0 teve taxa de erro de caractere de 7,02% em cingalês e 7,80% em tâmil, enquanto os melhores motores ficaram abaixo de 0,8%.

Os gargalos que mais abrem espaço para viés nas operações atuais são estes:

• Acurácia medida só na média: a operação aprova o modelo pela taxa geral de acerto e nunca separa o desempenho por tipo de documento, região emissora, faixa etária ou qualidade de imagem.
• Base de teste montada com os documentos mais fáceis: o piloto usa documentos novos e bem fotografados, e os documentos antigos, desgastados ou manuscritos só aparecem em produção.
• Histórico de decisões usado como verdade: o modelo aprende com aprovações e reprovações passadas, que carregam os critérios e os vieses dos analistas que decidiram antes.
• Revisão humana sem registro: o analista corrige o erro da IA, mas a correção não volta como dado de monitoramento, e o padrão de falha por grupo nunca aparece.
• Fila de exceção sem métrica de equidade: documentos enviados para revisão manual demoram mais, e ninguém mede se um grupo cai na fila com mais frequência.
• Regra fixa herdada de outro contexto: limiares de similaridade facial ou de confiança do OCR copiados do fornecedor sem calibração para a população real de clientes.

Como mitigar o viés algorítmico na análise de documentos, passo a passo?

Mitigar o viés algorítmico na análise de documentos exige tratar equidade como métrica de qualidade, com dono, meta e revisão periódica. O roteiro abaixo segue a lógica de teste, avaliação, validação e verificação (TEVV) recomendada pelo NIST na SP 1270 e as exigências de qualidade de dados do art. 6º, V, da LGPD.

1. Mapeie as decisões que afetam pessoas. Liste cada ponto do fluxo em que a IA aprova, reprova, pontua ou envia um documento para revisão.
2. Defina os grupos de comparação. Escolha os recortes relevantes para a operação: tipo de documento, unidade da federação emissora, faixa etária, gênero, qualidade de imagem, documento manuscrito ou impresso. Quando o recorte envolver dado sensível, como origem racial, registre a base legal e a finalidade antes de coletar.
3. Monte uma base de teste representativa. Inclua documentos antigos, desgastados, fotografados com celular, com nomes compostos, acentos, partículas e grafias pouco comuns. O AI Act, no art. 10(3), usa exatamente esse critério: dados suficientemente representativos e, na medida do possível, completos.
4. Meça o erro por grupo, e não só na média. Calcule precisão, recall, taxa de falso positivo e taxa de falso negativo para cada recorte definido no passo 2. Defina uma diferença máxima aceitável entre grupos e trate a violação desse limite como defeito.
5. Calibre limiares e filas de exceção. Ajuste os limiares de confiança do OCR e de similaridade facial para a população real de clientes. O NIST FRVT mostrou que algoritmos desenvolvidos na Ásia não tinham a mesma diferença entre rostos asiáticos e caucasianos, sinal de que dados e calibração mudam o resultado.
6. Garanta revisão humana com registro. Envie para um analista os casos de baixa confiança e todas as reprovações que afetam o titular. Registre cada correção do analista como dado de monitoramento, para que o padrão de erro por grupo apareça nos relatórios.
7. Documente critérios e responda pedidos de revisão. Mantenha descrição clara dos critérios e procedimentos da decisão automatizada, como exige o §1º do art. 20 da LGPD.
8. Monitore em produção e reavalie a cada mudança. Repita a medição por grupo a cada nova versão do modelo, novo layout de documento ou mudança no perfil de clientes. O NIST afirma que não existe risco zero de viés, então a meta é detectar a deriva cedo.

A participação humana é parte do controle, mas não substitui a medição. O texto sobre human-in-the-loop na validação documental detalha como dividir o trabalho entre IA e analista. Para escolher as métricas certas por grupo, vale entender a diferença entre acurácia, precisão e recall na análise de documentos, porque um falso negativo e um falso positivo têm custos diferentes para o titular.

Como avaliar um fornecedor de IA documental quanto a viés?

Avaliar um fornecedor de IA documental quanto a viés significa pedir evidência de medição por grupo, e não apenas uma taxa de acurácia comercial. As abordagens de análise documental variam muito no grau de controle sobre viés, e a comparação abaixo ajuda a enxergar onde cada uma falha.

Fonte: elaboração própria com base em NIST SP 1270 (2022), LGPD art. 6º e art. 20 e AI Act art. 10.

Na contratação, peça ao fornecedor resultados de teste separados por tipo de documento e por qualidade de imagem, a composição da base de teste e a forma de registrar correções.

Quais erros aumentam o risco de viés na análise de documentos?

Os erros que aumentam o risco de viés algorítmico na análise de documentos são, na maioria, erros de gestão e não de código. Cada um tem uma consequência concreta para o titular e para a empresa:

• Tratar o histórico de aprovações como gabarito: o modelo reproduz critérios antigos, como no caso da ferramenta de currículos da Amazon, que aprendeu a penalizar a palavra “women’s”.
• Aprovar o modelo pela acurácia média: a empresa não percebe que um grupo minoritário de clientes tem taxa de rejeição muito maior, e descobre o problema por reclamação ou por fiscalização.
• Lançar sabendo do problema: o Home Office lançou o verificador de fotos mesmo com documentos internos apontando a falha, e o caso virou exemplo público de responsabilidade.
• Deixar a revisão humana sem registro: o analista corrige o erro, mas a correção não vira dado, e a mesma falha volta a cada novo lote.
• Usar o mesmo limiar para todos os documentos: um limiar de confiança calibrado para documentos novos rejeita em excesso documentos antigos, desgastados ou de emissores com layout diferente.
• Ignorar pedidos de revisão: o titular que não recebe resposta pode levar o caso à ANPD, que tem poder de auditoria sobre aspectos discriminatórios pelo art. 20, §2º, da LGPD.
• Coletar dado sensível sem base legal para medir viés: a tentativa de medir equidade por origem racial sem finalidade e base legal registradas cria um novo problema de proteção de dados.

Como a Dynadok trata o risco de viés na validação documental?

A Dynadok é uma plataforma de validação documental com IA que identifica, extrai e valida documentos em vários formatos e layouts, de imagens a PDFs. A plataforma trabalha com RG, CNH, passaporte, certidões, comprovantes de residência, documentos trabalhistas, de segurança do trabalho e de educação, como ProUni e FIES.

Três características da Dynadok reduzem a dependência de um único modelo e, por consequência, o espaço para viés. A primeira é o checklist personalizado por tipo de documento, que torna explícitos os critérios de validação e facilita explicar a decisão ao titular. A segunda é o cruzamento entre documentos, que confere a mesma informação em fontes diferentes em vez de confiar em uma única leitura. A terceira é a consulta direta: segundo a Dynadok, 27 documentos podem ser emitidos ou consultados direto em fontes oficiais, o que substitui a interpretação da imagem por dado de origem.

Em ganho operacional, a Dynadok reduz até 95% do tempo gasto com validação manual, segundo a Dynadok. No site da empresa, Karla Lemos, gerente de CSC, relata que a equipe de análise de documentos do ProUni passou de até 25 pessoas para 10.

Para o lado jurídico, o guia sobre LGPD e segurança da informação na validação documental com IA mostra como tratar bases legais, retenção e direitos do titular no mesmo projeto.

Leia também no blog da Dynadok:

• O que é dado pessoal sensível e onde ele aparece nos documentos da sua operação
• Erro humano na conferência manual de documentos: o que dizem os estudos
• E se a IA errar? Como funciona o controle de qualidade da validação da Dynadok
• Papelada zero (paperless): o que é o conceito e como aplicá-lo de verdade
• Recrutamento em volume: como validar documentos de candidatos antes da contratação

Perguntas frequentes sobre viés algorítmico na análise de documentos

Viés algorítmico é o mesmo que erro da IA?

Não. Todo sistema de IA erra, e erro distribuído de forma uniforme é problema de qualidade. Viés algorítmico é o erro concentrado em um grupo de pessoas, por exemplo quando o OCR falha mais em certos nomes ou a comparação facial rejeita mais fotos de pele escura do que de pele clara.

A IA de análise de documentos pode ser discriminatória sem intenção?

Sim. O NIST, na SP 1270, afirma que vieses podem causar dano mesmo sem intenção, porque surgem de dados pouco representativos, de práticas institucionais e de heurísticas humanas. A ferramenta de currículos da Amazon não foi programada para discriminar, mas aprendeu o padrão com 10 anos de currículos majoritariamente masculinos.

A LGPD proíbe o viés algorítmico?

A LGPD não cita viés algorítmico pelo nome, mas o art. 6º, IX, define o princípio da não discriminação como impossibilidade de tratamento para fins discriminatórios ilícitos ou abusivos. O art. 20, §2º, permite que a ANPD audite aspectos discriminatórios em tratamento automatizado de dados pessoais.

O titular pode pedir revisão de uma reprovação feita pela IA?

Sim. O art. 20 da LGPD garante ao titular o direito de solicitar revisão de decisões tomadas unicamente com base em tratamento automatizado que afetem seus interesses. O controlador também deve fornecer, quando solicitado, informações claras sobre os critérios e procedimentos usados na decisão automatizada.

A revisão do art. 20 precisa ser feita por um humano?

O texto atual do art. 20 da LGPD não exige expressamente revisão humana. A ANPD tratou do tema na Tomada de Subsídios aberta em 6 de novembro de 2024 e encerrada com 99 contribuições, que perguntou quando a revisão humana pode ser necessária. Na prática, revisão humana registrada é a forma mais segura de demonstrar responsabilização.

Foto de documento é dado sensível pela LGPD?

A foto em si é dado pessoal, e passa a ser dado biométrico quando usada em comparação facial. O art. 5º, II, da LGPD classifica dado biométrico vinculado a uma pessoa natural como dado pessoal sensível, com regras próprias de tratamento no art. 11.

Posso usar biometria facial sem consentimento para evitar fraude?

Sim, em hipótese específica. O art. 11, II, g, da LGPD permite tratar dado sensível sem consentimento para prevenção à fraude e segurança do titular em processos de identificação e autenticação, exceto quando prevalecerem direitos e liberdades fundamentais do titular.

O que o NIST descobriu sobre viés em reconhecimento facial?

O teste FRVT de 2019 avaliou 189 algoritmos de 99 desenvolvedores com 18,27 milhões de imagens de 8,49 milhões de pessoas. Em comparação 1:1, a taxa de falso positivo para rostos asiáticos e afro-americanos foi de 10 a 100 vezes maior que para rostos caucasianos, conforme o algoritmo.

Dados de treino mais diversos reduzem o viés?

Sim, há evidência nessa direção. O NIST observou que algoritmos desenvolvidos na Ásia não mostraram a mesma diferença entre rostos asiáticos e caucasianos. Patrick Grother, cientista da computação do NIST, afirmou que dados de treino mais diversos podem produzir resultados mais equitativos.

OCR também pode ter viés?

Sim. O desempenho do OCR muda conforme alfabeto, idioma e grafia. Em estudo de 2025, o motor Surya teve taxa de erro de caractere de 0,76% em cingalês e 13,92% em tâmil. Em documentos brasileiros, a atenção recai sobre nomes com acentos, partículas, grafias raras e documentos manuscritos.

Mascaramento de dados pessoais pode falhar mais para alguns grupos?

Sim. O estudo de Mansfield, Paullada e Howell, de 2022, testou mais de 4.000 nomes em três sistemas. Na base de Nova York, o Google Cloud DLP deixou de detectar 56,3% dos nomes de pessoas negras, contra 29,2% dos nomes de pessoas brancas, o que expõe mais dados de um grupo.

Qual métrica usar para medir viés na análise de documentos?

A métrica básica é a diferença entre grupos nas taxas de falso positivo e falso negativo, calculadas separadamente. Recall por grupo mostra quem tem documentos legítimos rejeitados; precisão por grupo mostra onde a IA aprova errado. A acurácia média sozinha esconde essas diferenças.

Quais grupos devo comparar na minha operação?

Comece pelos recortes que a operação já tem: tipo de documento, unidade da federação emissora, faixa etária, qualidade de imagem e documento manuscrito ou impresso. Recortes por origem racial exigem base legal e finalidade registradas, porque envolvem dado sensível pela LGPD.

Com que frequência devo medir o viés da IA documental?

Meça o viés antes de entrar em produção e de novo a cada nova versão do modelo, novo layout de documento ou mudança no perfil de clientes. O NIST afirma que não é possível atingir risco zero de viés, então o monitoramento contínuo é parte do controle.

Revisão humana elimina o viés algorítmico?

Não. O NIST, na SP 1270, afirma que nenhuma prática isolada, incluindo participação humana, é panaceia contra o viés. O analista também tem vieses próprios. A revisão humana funciona melhor quando cada correção é registrada e analisada por grupo.

O que é avaliação de impacto algorítmico?

Avaliação de impacto algorítmico é o documento que analisa riscos de um sistema de IA para direitos das pessoas, incluindo discriminação. O PL 2.338/2023, aprovado no Senado em dezembro de 2024, prevê essa avaliação, com supervisão humana e transparência, para sistemas de alto risco.

Recrutamento com IA é considerado alto risco?

Sim, no texto do PL 2.338/2023 aprovado pelo Senado em 10 de dezembro de 2024, o recrutamento e a triagem de candidatos estão entre os usos de alto risco, segundo análise do Mattos Filho. O projeto ainda depende da Câmara dos Deputados e de sanção presidencial.

O AI Act europeu se aplica a empresas brasileiras?

O AI Act se aplica a quem oferece sistemas de IA no mercado da União Europeia ou cujo resultado é usado lá. Mesmo sem obrigação direta, o art. 10 serve de referência prática: exame de vieses, medidas para detectá-los e mitigá-los e dados de teste representativos.

O que perguntar a um fornecedor de IA documental sobre viés?

Peça resultados de teste separados por tipo de documento e qualidade de imagem, composição da base de teste, processo de revisão humana, forma de registro das correções e procedimento para responder pedidos de revisão do art. 20 da LGPD. Acurácia média sem recorte não basta.

Consultar fontes oficiais reduz o viés na validação?

Reduz a dependência da leitura da imagem. Quando o dado vem direto da fonte oficial, o resultado deixa de depender da qualidade da foto ou do desempenho do OCR em certas grafias. Segundo a Dynadok, a plataforma emite ou consulta 27 documentos direto em fontes oficiais.

Conclusão

Viés algorítmico na análise de documentos é um risco mensurável, e os números provam que ele existe: erro de até 34,7% contra 0,8% no Gender Shades, falsos positivos de 10 a 100 vezes maiores no FRVT do NIST, nomes de pessoas negras deixados sem detecção em 56,3% dos casos em um sistema de mascaramento. A LGPD já exige não discriminação, qualidade dos dados e revisão de decisões automatizadas. A mitigação passa por medir o erro por grupo, calibrar limiares, registrar a revisão humana e monitorar cada nova versão.

Para validar documentos com critérios explícitos, cruzamento entre documentos e consulta a fontes oficiais, solicite uma demonstração da Dynadok.

Como citar este artigo

ABNT: DYNADOK. Viés algorítmico na análise de documentos: riscos e como mitigar. Blog Dynadok, 16 out. 2026. Disponível em: https://blog.dynadok.com/ia/vies-algoritmico-analise-de-documentos/. Acesso em: 16 out. 2026.

APA: Dynadok. (2026, 16 de outubro). Viés algorítmico na análise de documentos: riscos e como mitigar. Blog Dynadok. https://blog.dynadok.com/ia/vies-algoritmico-analise-de-documentos/

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.

BBC. Passport photo checker shows bias against dark-skinned women. AI Incident Database, Report 1387, 2020. Disponível em: https://incidentdatabase.ai/reports/1387. 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://planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/l13709compilado.htm. Acesso em: 16 out. 2026.

BUOLAMWINI, Joy; GEBRU, Timnit. Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification. Proceedings of Machine Learning Research, v. 81, p. 77-91, 2018. Disponível em: https://proceedings.mlr.press/v81/buolamwini18a.html. Acesso em: 16 out. 2026.

COMISSÃO EUROPEIA. AI Act, Article 10: Data and Data Governance. AI Act Service Desk, 2024. Disponível em: https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-10. Acesso em: 16 out. 2026.

DASTIN, Jeffrey. Amazon scraps secret AI recruiting tool that showed bias against women. Reuters, publicado por CNBC, 10 out. 2018. Disponível em: https://www.cnbc.com/2018/10/10/amazon-scraps-a-secret-ai-recruiting-tool-that-showed-bias-against-women.html. Acesso em: 16 out. 2026.

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

JAYATILLEKE, Nevidu; DE SILVA, Nisansa. Zero-shot OCR Accuracy of Low-Resourced Languages: A Comparative Analysis on Sinhala and Tamil. arXiv, 2025. Disponível em: https://arxiv.org/pdf/2507.18264. Acesso em: 16 out. 2026.

KOENECKE, Allison et al. Racial disparities in automated speech recognition. Proceedings of the National Academy of Sciences, v. 117, n. 14, p. 7684-7689, 2020. Disponível em: https://ideas.repec.org/a/nas/journl/v117y2020p7684-7689.html. Acesso em: 16 out. 2026.

MANSFIELD, Courtney; PAULLADA, Amandalynne; HOWELL, Kristen. Behind the Mask: Demographic bias in name detection for PII masking. arXiv, 2022. Disponível em: https://ar5iv.arxiv.org/html/2205.04505. 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). NIST Study Evaluates Effects of Race, Age, Sex on Face Recognition Software. NIST, 19 dez. 2019. Disponível em: https://www.nist.gov/node/1603646. Acesso em: 16 out. 2026.

SCHWARTZ, Reva et al. Towards a Standard for Identifying and Managing Bias in Artificial Intelligence. NIST Special Publication 1270. Gaithersburg: NIST, 2022. Disponível em: https://nvlpubs.nist.gov/nistpubs/SpecialPublications/NIST.Sp.1270.pdf. Acesso em: 16 out. 2026.