O direito ao esquecimento esbarra em um modelo que não consegue te desaprender

As 30 autoridades de proteção de dados da Europa definiram o direito à exclusão como prioridade de fiscalização coordenada para 2026. É uma escalada significativa, porque o direito em si — o Artigo 17 do GDPR — existe desde 2018. O que mudou é o alvo: os reguladores não estão mais pedindo que empresas apaguem uma linha de um banco de dados de clientes. Eles querem saber se uma solicitação de exclusão consegue, de fato, alcançar dados que já foram absorvidos nos pesos de um modelo treinado.

O European Data Protection Board decidiu que desenvolvedores de IA podem ser considerados data controllers sob o GDPR, o que resolve a questão legal sobre quem é o responsável. Mas não resolveu a técnica. Se os dados de uma pessoa influenciaram um modelo durante o treinamento, o EDPB reconheceu que atender plenamente a um pedido de exclusão vai além de deletar o conjunto original de treinamento — mas parou antes de conceder aos desenvolvedores de IA uma isenção genérica para as partes que, nas palavras do próprio conselho, são “tecnicamente complexas”.

Por que isso não é o mesmo problema que apagar uma linha

Um pedido tradicional de exclusão mira um dado específico e endereçável: deletar a conta deste usuário, eliminar este registro do backup. Um modelo treinado não armazena dados dessa forma. As informações pessoais de alguém, uma vez usadas em uma execução de treinamento, são distribuídas entre milhões de ajustes de pesos junto com as de todo mundo — não existe um parâmetro único com o nome da pessoa para zerar. O cumprimento pleno, interpretado ao pé da letra, exigiria retreinar o modelo a partir de um dataset que exclua os dados daquela pessoa, algo proibitivamente caro para fazer por solicitação em qualquer escala relevante.

Essa é a lacuna que a indústria vinha explorando silenciosamente desde que o direito à exclusão do GDPR foi escrito para um mundo pré-LLM. As empresas podiam argumentar, de forma plausível, que os meios técnicos para cumprir realmente não existiam. A prioridade de fiscalização de 2026 sinaliza que os reguladores consideram esse argumento esgotado — não porque o problema técnico esteja resolvido, mas porque cinco anos sem mecanismos reais de conformidade não são mais tratados como um período de transição aceitável.

Como a fiscalização realmente funciona

A multa de 15 milhões de euros da autoridade italiana de proteção de dados contra a OpenAI estabeleceu o modelo: as violações citadas incluíram falta de base legal para processar dados pessoais usados no treinamento, falhas de transparência sobre quais dados foram coletados e como, e avaliação de risco inadequada antes da implantação. Nenhuma dessas conclusões exigiu provar que o modelo conseguia “desaprender” algo — elas miravam as decisões upstream sobre o que coletar e divulgar em primeiro lugar, que é um caso muito mais fácil de construir e aplicar.

É provavelmente aí que o esforço coordenado de fiscalização de 2026 vai se concentrar: não em forçar empresas a resolver o machine unlearning como pré-requisito para conformidade, mas em penalizar a ausência de consentimento, transparência e práticas de minimização de dados que teriam evitado que o problema da exclusão surgisse nessa escala. É um alvo de fiscalização mais viável e não depende de um avanço em pesquisa.

Onde a pesquisa técnica realmente está

Machine unlearning — técnicas criadas para remover a influência de um ponto de dados específico de um modelo treinado sem retreinamento completo — é uma área de pesquisa ativa, não uma solução pronta para produção. As abordagens incluem estimativa de influence-function (aproximando quais pesos um dado ponto de dados afetou) e métodos de retreinamento em subconjuntos para modelos menores. Nenhuma escala atualmente para modelos de fronteira com o custo ou a velocidade que uma solicitação de exclusão em tempo real exigiria. Qualquer empresa de IA que afirme hoje que consegue “desaprender” completamente a contribuição de uma pessoa em um modelo treinado por solicitação está descrevendo aspiração, não uma capacidade implementada.

O que isso significa para empresas que constroem sobre modelos de terceiros

Se o seu produto é construído sobre um foundation model que você não controla, a exposição à conformidade não desaparece só porque você não fez o treinamento. Os reguladores tratam toda a cadeia — da coleta de dados ao fine-tuning e à implantação — como dentro do escopo. Isso significa que a due diligence sobre as práticas de dados de treinamento do seu provedor de modelo agora é um item de risco legal genuíno, não algo bom de ter em um questionário de fornecedor.

Conclusões acionáveis

Empresas que implantam produtos de IA devem auditar duas coisas agora, antes que uma ação de fiscalização force a questão. Primeiro, se o seu pipeline de dados de treinamento tem uma base legal documentada e um rastro real de consentimento para cada categoria de dados pessoais envolvida — é isso que os reguladores estão realmente testando, não os detalhes internos do modelo. Segundo, se você consegue responder a um pedido de exclusão de um titular de dados com algo mais específico do que “o modelo já foi treinado” — mesmo uma política documentada sobre cadência de retreinamento e exclusão de dados para futuras execuções de treinamento é uma posição significativamente mais forte do que o silêncio. A correção técnica para o unlearning completo por solicitação não chega este ano. A barra de conformidade para demonstrar que você tentou evitar precisar dela está chegando agora.