Quando a IA Decide Sobre Pessoas: Direito de Contestacao e Revisao Humana no PL 2.338

Um algoritmo negou seu credito. Outro descartou seu curriculo antes que qualquer ser humano o lesse. Um terceiro determinou o valor do seu plano de saude com base em padroes que voce sequer conhece. Em todos esses cenarios, uma inteligencia artificial tomou uma decisao que afeta diretamente a sua vida — e, ate pouco tempo atras, voce provavelmente nao teria como questiona-la.

O PL 2.338/2023, que tramita como o principal marco regulatorio de inteligencia artificial no Brasil, muda esse cenario ao estabelecer o direito explicito de contestacao e revisao humana para decisoes automatizadas. Diferentemente do AI Act europeu, que delega a questao da contestacao ao arcabouco ja existente do GDPR, o projeto brasileiro cria mecanismos proprios e mais detalhados: canal dedicado (nao o SAC generico), prazos de resposta definidos, equipe treinada para explicar decisoes algoritmicas em linguagem acessivel e processo de revisao documentado.

Neste artigo, vamos analisar em profundidade o que significa o direito de contestacao no contexto da IA, como o PL 2.338 se compara a LGPD e ao AI Act europeu, quais sao os requisitos tecnicos que as empresas precisam implementar em seus sistemas e como construir, na pratica, mecanismos de revisao humana que sejam efetivos — nao apenas formais. Se voce desenvolve, contrata ou utiliza sistemas de IA que tomam decisoes sobre pessoas, este conteudo e essencial.

O Problema: Decisoes Algoritmicas Sem Transparencia

Vivemos em uma era em que decisoes que historicamente eram tomadas por seres humanos — com todos os seus vieses, mas tambem com sua capacidade de empatia e julgamento contextual — estao sendo delegadas a sistemas automatizados. Essa delegacao traz ganhos inegaveis de escala e velocidade, mas cria um problema estrutural: a opacidade das decisoes algoritmicas.

Quando um gerente de banco nega seu pedido de emprestimo, voce pode pedir explicacoes, apresentar documentos adicionais, recorrer a instancias superiores. Quando um algoritmo faz o mesmo, frequentemente nao ha canal para contestacao, nao ha explicacao compreensivel sobre os criterios utilizados e nao ha possibilidade de revisao por um ser humano qualificado.

Esse problema se manifesta em praticamente todos os setores:

• Credito e servicos financeiros: Algoritmos de credit scoring determinam quem recebe emprestimos, cartoes de credito e financiamentos. Em caso de negativa, o consumidor tem direito a informacao sobre os criterios utilizados — respeitando o segredo comercial —, mas na pratica raramente recebe explicacoes substantivas.
• Recrutamento e selecao: Sistemas de IA filtram curriculos, analisam entrevistas em video e classificam candidatos antes que qualquer recrutador humano entre em cena. Pesquisas demonstram que esses algoritmos podem reproduzir vieses discriminatorios, pois aprendem a partir de dados historicos que refletem decadas de exclusao.
• Seguros: Precificacao automatizada de seguros com base em dados comportamentais, perfis de risco algoritmicos e ate informacoes de redes sociais.
• Saude: Sistemas que auxiliam no diagnostico, na triagem de pacientes e na definicao de prioridades de atendimento.
• Educacao: Plataformas que avaliam desempenho, recomendam conteudos e ate determinam aprovacao ou reprovacao.
• Plataformas digitais: Algoritmos que decidem sobre moderacao de conteudo, suspensao de contas e distribuicao de visibilidade.

Em todos esses contextos, uma constante se repete: o cidadao afetado pela decisao automatizada frequentemente nao sabe que uma IA decidiu sobre ele, nao compreende os criterios da decisao e nao tem meios efetivos de contesta-la. O PL 2.338 busca mudar essa realidade.

O Que Diz o PL 2.338 Sobre Contestacao e Revisao Humana

O PL 2.338/2023 estabelece que decisoes automatizadas que impactam direitos dos cidadaos podem ser contestadas perante um humano qualificado. Essa e uma das disposicoes mais significativas do projeto, porque vai alem do que a legislacao brasileira ja previa e cria mecanismos especificos para o contexto da inteligencia artificial.

O direito de contestacao como garantia fundamental

O PL 2.338 nao trata a contestacao como uma formalidade ou um favor prestado ao cidadao. Trata-a como um direito. Quando um sistema de IA toma uma decisao que afeta a vida de uma pessoa — seja negando um credito, descartando uma candidatura de emprego, alterando o valor de um seguro ou qualquer outra decisao com impacto significativo —, essa pessoa tem o direito de:

1. Saber que a decisao foi tomada por uma IA: Transparencia sobre o uso de inteligencia artificial na tomada de decisao e um prerequisito. O cidadao precisa ser informado de que um sistema automatizado participou do processo decisorio.
2. Receber explicacao clara sobre a decisao: Nao basta informar que a IA decidiu. E necessario fornecer uma explicacao compreensivel sobre os criterios e dados utilizados na decisao, em linguagem acessivel.
3. Contestar a decisao: O cidadao tem o direito de questionar formalmente a decisao, apresentando argumentos e evidencias.
4. Ter a decisao revisada por um humano qualificado: A revisao nao pode ser feita por qualquer pessoa. O PL exige que seja realizada por alguem com competencia tecnica para compreender o funcionamento do sistema e autonomia para reverter a decisao algortimica.
5. Recusar decisoes exclusivamente automatizadas: Em determinados contextos, o cidadao pode recusar que a decisao seja tomada exclusivamente por IA e solicitar que um ser humano conduza o processo.

Requisitos tecnicos: o que muda para quem desenvolve sistemas

Para as empresas que desenvolvem ou operam sistemas de IA, o PL 2.338 cria obrigacoes tecnicas especificas que vao muito alem de um simples formulario de contato. Os requisitos incluem:

Canal dedicado de contestacao: O PL 2.338 exige um canal especifico para contestacao de decisoes automatizadas. Isso significa que o SAC generico, o chatbot padrao ou o e-mail de atendimento nao sao suficientes. E necessario um canal dedicado, com equipe treinada especificamente para lidar com contestacoes de decisoes algoritmicas.

SLAs de resposta: A contestacao precisa ter prazos definidos de resposta. O cidadao nao pode ficar indefinidamente aguardando o retorno sobre sua contestacao. Prazos claros e cumpridos sao parte da obrigacao legal.

Equipe treinada: Os profissionais responsaveis pela analise de contestacoes devem ser treinados para compreender o funcionamento dos algoritmos e para explicar as decisoes em linguagem acessivel. Nao basta um atendente seguindo um script — e necessario alguem capaz de reconstruir a logica da decisao e comunica-la de forma compreensivel.

Processo de revisao documentado: Todo o fluxo de contestacao e revisao deve ser documentado. Desde o recebimento da contestacao ate a decisao final (mantendo ou revertendo a decisao original), cada etapa precisa ser registrada.

Logs de reconstrucao da decisao: Para que a revisao humana seja efetiva, o sistema precisa manter logs que permitam reconstruir a decisao algortimica. Isso significa registrar quais dados foram considerados, quais pesos foram aplicados, quais criterios foram determinantes e qual seria o resultado com dados diferentes. Sem esses logs, a revisao humana se torna um exercicio de faz-de-conta.

PL 2.338 vs. LGPD vs. AI Act: Comparativo dos Direitos de Contestacao

Para entender a relevancia do PL 2.338, e importante compara-lo com os outros dois marcos regulatorios mais relevantes: a LGPD (que ja esta em vigor no Brasil) e o AI Act europeu. Embora os tres abordem a questao das decisoes automatizadas, ha diferencas significativas no nivel de detalhamento e nos mecanismos previstos.

LGPD (Art. 20): O ponto de partida

A LGPD ja preve, em seu Artigo 20, o direito de solicitar a revisao de decisoes tomadas unicamente com base em tratamento automatizado de dados pessoais. Isso inclui decisoes que afetem interesses do titular, como perfis pessoais, profissionais, de consumo e de credito.

No entanto, a LGPD tem limitacoes significativas nesse aspecto:

• Nao especifica se a revisao deve ser feita por um humano (originalmente previa, mas o veto presidencial removeu essa exigencia)
• Nao detalha como o canal de contestacao deve funcionar
• Nao estabelece prazos especificos para a revisao
• Nao exige logs de reconstrucao da decisao
• O escopo se restringe a decisoes baseadas em dados pessoais (nem toda decisao de IA envolve dados pessoais)

AI Act europeu: A delegacao ao GDPR

O AI Act, aprovado pela Uniao Europeia, adota uma abordagem diferente. Em vez de criar mecanismos proprios de contestacao, ele delega a questao ao arcabouco ja existente do GDPR (o equivalente europeu da LGPD). O GDPR, em seu Artigo 22, preve o direito de nao ser submetido a decisoes exclusivamente automatizadas com efeitos juridicos significativos, mas a estruturacao dos mecanismos de contestacao fica a cargo de cada Estado-membro.

Essa abordagem tem vantagens (evita duplicidade normativa) e desvantagens (falta de detalhamento especifico para o contexto da IA). Na pratica, a protecao do cidadao europeu depende fortemente de como cada pais implementa o GDPR.

Tabela comparativa: mecanismos de contestacao

Como a tabela evidencia, o PL 2.338 oferece o arcabouco mais detalhado e explicito para a contestacao de decisoes automatizadas. Enquanto a LGPD cria o direito mas nao detalha o mecanismo, e o AI Act delega ao GDPR, o projeto brasileiro especifica como a contestacao deve funcionar na pratica.

Os Vieses Algoritmicos e a Necessidade de Revisao Humana

Um dos motivos mais fortes para que o direito de contestacao e revisao humana exista e a questao dos vieses algoritmicos. Sistemas de IA nao sao neutros — eles aprendem a partir de dados historicos, e esses dados frequentemente carregam os vieses e desigualdades estruturais da sociedade que os produziu.

O caso do recrutamento algoritmico

O recrutamento algoritmico e um dos exemplos mais documentados de como a IA pode reproduzir e ate amplificar vieses discriminatorios. Quando um sistema de selecao e treinado com dados historicos de contratacoes, ele aprende os padroes do passado — e o passado reflete decadas de exclusao.

Se uma empresa historicamente contratou predominantemente homens para cargos de tecnologia, o algoritmo aprendera que “homem” e um preditor positivo para contratacao nessa area. Nao porque seja verdade, mas porque os dados historicos refletem um vies que existia nas decisoes humanas anteriores. O algoritmo nao reproduz a realidade — reproduz os vieses dos dados com os quais foi treinado.

Esse problema nao se limita a genero. Algoritmos de recrutamento ja demonstraram vieses relacionados a:

• Raca e etnia: Sistemas que penalizam nomes associados a determinados grupos etnicos
• Idade: Algoritmos que favorecem candidatos mais jovens com base em padroes historicos
• Origem geografica: Sistemas que associam determinados CEPs ou regioes a menor probabilidade de sucesso
• Deficiencia: Algoritmos de analise de video que penalizam padroes de fala ou expressoes faciais atipicas
• Classe social: Modelos que utilizam indicadores indiretos de renda como preditores de desempenho

A revisao humana, nesse contexto, nao e apenas uma formalidade — e uma garantia de que essas distorcoes podem ser identificadas e corrigidas. Um revisor humano qualificado pode perceber que a negativa de um candidato esta baseada em correlacoes espurias ou discriminatorias que o algoritmo nao tem capacidade de questionar.

Credit scoring e a armadilha dos dados historicos

No setor financeiro, os algoritmos de credit scoring tambem carregam vieses significativos. Populacoes historicamente excluidas do sistema financeiro formal tendem a ter menos dados disponiveis, o que os algoritmos frequentemente interpretam como “maior risco” — criando um ciclo vicioso de exclusao.

Quando o consumidor tem seu credito negado por uma decisao automatizada, o PL 2.338 garante que ele possa contestar essa decisao e ter acesso a uma explicacao sobre os criterios utilizados. Isso e especialmente importante no contexto brasileiro, onde a negativa de credito pode ter impactos profundos na vida das pessoas — desde a impossibilidade de financiar uma moradia ate a exclusao de servicos basicos.

Na protecao ao consumidor, a legislacao brasileira ja caminha nesse sentido. A Camara dos Deputados aprovou, em nivel de comissao, medidas de protecao ao consumidor em produtos e servicos de IA, reforando que a transparencia sobre o uso de inteligencia artificial e a explicacao clara de decisoes automatizadas sao direitos do consumidor.

Implementacao Tecnica: Como Construir Mecanismos de Contestacao

Saber que a lei exige mecanismos de contestacao e um primeiro passo. O desafio real e implementa-los de forma efetiva nos sistemas de IA. Aqui vamos detalhar os componentes tecnicos necessarios para que a contestacao funcione na pratica — nao apenas no papel.

1. Logs de decisao com rastreabilidade completa

O requisito mais fundamental e tambem o mais desafiador tecnicamente. Para que uma decisao algortimica possa ser revisada por um humano, e necessario que o sistema registre:

• Dados de entrada: Quais dados foram considerados na decisao (e quais foram ignorados)
• Versao do modelo: Qual versao do algoritmo foi utilizada naquela decisao especifica
• Pesos e criterios: Quais fatores tiveram maior peso na decisao
• Decisao intermediaria: Se o processo envolve multiplos modelos ou etapas, registrar cada decisao parcial
• Decisao final: O resultado produzido pelo sistema
• Confianca do modelo: O grau de certeza do sistema sobre a decisao (score de confianca)
• Alternativas consideradas: Se aplicavel, quais eram as opcoes e por que a escolhida prevaleceu
• Timestamp e contexto: Quando a decisao foi tomada e em qual contexto operacional

Esses logs nao sao apenas uma boa pratica de engenharia — sao um requisito legal no contexto do PL 2.338. Sem eles, a revisao humana se torna impossivel na pratica, pois o revisor nao tera como reconstruir a logica da decisao.

2. Camada de explicabilidade (XAI)

Explicabilidade — ou XAI (Explainable AI) — e a capacidade de um sistema de IA fornecer explicacoes compreensiveis sobre suas decisoes. Implementar XAI nao e trivial, especialmente em modelos complexos como redes neurais profundas, mas e essencial para cumprir o PL 2.338.

Na pratica, isso pode envolver:

• Feature importance: Identificar quais variaveis mais influenciaram a decisao
• Counterfactual explanations: Mostrar o que precisaria mudar para que a decisao fosse diferente (“se sua renda fosse X, o resultado seria Y”)
• LIME/SHAP values: Tecnicas que explicam decisoes de modelos complexos de forma local
• Decision trees simplificadas: Criar versoes simplificadas do modelo que sejam interpretaveis por humanos
• Narrativas em linguagem natural: Gerar explicacoes textuais da decisao, em linguagem acessivel ao cidadao leigo

A escolha da tecnica depende do tipo de modelo, do contexto de uso e do publico-alvo da explicacao. Um revisor tecnico pode se beneficiar de SHAP values, enquanto o cidadao afetado pela decisao precisa de uma explicacao em linguagem natural.

3. Canal de contestacao integrado ao sistema

O canal de contestacao nao pode ser uma solucao “colada” no sistema depois de pronto. Ele precisa ser parte integrante da arquitetura, com:

• Interface acessivel: Formulario ou fluxo especifico para contestacao, integrado a jornada do usuario
• Identificacao automatica da decisao: Quando o usuario inicia uma contestacao, o sistema deve automaticamente vincular ao registro da decisao contestada, com todos os logs relevantes
• Fila de revisao: Sistema de gerenciamento de casos para a equipe de revisao, com priorizacao, prazos e escalacao
• Dashboard de acompanhamento: Para que o cidadao acompanhe o status da sua contestacao
• Integracao com a camada de explicabilidade: O revisor humano deve ter acesso direto aos logs e explicacoes do modelo

4. Workflow de revisao humana

A revisao humana precisa ser estruturada como um processo, nao como uma acao isolada:

1. Recebimento e triagem: A contestacao e recebida, classificada por urgencia e tipo, e encaminhada ao revisor adequado
2. Reconstrucao da decisao: O revisor acessa os logs e a explicacao do modelo para entender como a decisao foi tomada
3. Analise de pertinencia: O revisor avalia se a decisao foi tecnicamente correta, se os dados utilizados estavam corretos e atualizados, e se ha indicios de vieses ou erros
4. Decisao da revisao: O revisor pode manter a decisao original (com justificativa), reverter a decisao, ou solicitar informacoes adicionais ao cidadao
5. Comunicacao ao cidadao: O resultado da revisao e comunicado em linguagem acessivel, com explicacao dos fundamentos
6. Feedback ao sistema: Se a decisao foi revertida, o caso alimenta o ciclo de melhoria do modelo

O Ecossistema Regulatorio Brasileiro: ANPD, Protecao ao Consumidor e o Guia do Usuario

O PL 2.338 nao existe isoladamente. Ele faz parte de um ecossistema regulatorio em construcao que envolve multiplos atores e instrumentos.

ANPD e a prioridade para IA em 2026-2027

A Autoridade Nacional de Protecao de Dados (ANPD) definiu a inteligencia artificial como prioridade para sua agenda regulatoria e de fiscalizacao no bienio 2026-2027. Isso significa que, mesmo antes da aprovacao final do PL 2.338, a ANPD ja pode atuar na fiscalizacao de decisoes automatizadas que envolvam dados pessoais, utilizando o arcabouco da LGPD.

Para as empresas, isso tem uma implicacao pratica imediata: nao e necessario esperar a aprovacao do PL 2.338 para comecar a implementar mecanismos de contestacao e revisao humana. A LGPD ja fornece base legal para fiscalizacao, e a ANPD sinalizou que IA sera foco de atencao.

Protecao ao consumidor e IA

Em paralelo ao PL 2.338, a Camara dos Deputados aprovou medidas de protecao ao consumidor no contexto de produtos e servicos de IA. Essas medidas reforcam principios como:

• Transparencia sobre o uso de IA nos servicos prestados ao consumidor
• Explicacao clara de decisoes automatizadas, incluindo criterios e dados utilizados
• Direito de recusar decisoes exclusivamente automatizadas e solicitar revisao humana
• Em caso de negativa de credito, direito a informacao sobre criterios utilizados (respeitando segredo comercial)

A convergencia entre regulacao de IA e protecao ao consumidor cria uma rede de protecao mais robusta para o cidadao brasileiro.

Guia do Usuario Brasileiro de IA

Em marco de 2026, o InternetLab publicou o “Guia do Usuario Brasileiro de IA”, um documento que busca traduzir os direitos do cidadao em relacao a inteligencia artificial em linguagem acessivel. O guia aborda desde como identificar quando uma IA esta tomando decisoes sobre voce ate como exercer seus direitos de contestacao.

A publicacao desse guia reflete uma preocupacao crescente com a literacia algortimica — a capacidade dos cidadaos de compreender como a IA afeta suas vidas e de exercer seus direitos de forma efetiva. De nada adianta garantir o direito de contestacao se o cidadao nao sabe que pode contesta-lo, nao entende como faze-lo ou nao tem acesso a um canal adequado.

O dado de que 79,1% dos profissionais ja utilizam IA diariamente torna ainda mais urgente a construcao de mecanismos efetivos de contestacao. A IA nao e mais uma tecnologia do futuro — e uma realidade do presente, e os direitos dos cidadaos precisam acompanhar essa realidade.

Como a Mind Group Implementa Contestacao e Revisao Humana nos Sistemas que Constroi

A Mind Group, como software house especializada em desenvolvimento sob medida com integracao de IA, lida diretamente com o desafio de implementar mecanismos de contestacao e revisao humana nos sistemas que constroi para seus clientes. A abordagem da empresa e tratar a contestacao como uma feature do sistema, nao como um add-on posterior.

LawrAI: supervisao humana obrigatoria como principio de design

O LawrAI, sistema de IA juridica desenvolvido pela Mind Group, e um exemplo concreto de como a supervisao humana pode ser implementada como principio fundamental de design, e nao como uma funcionalidade adicional.

No LawrAI, a supervisao humana e obrigatoria antes que qualquer documento juridico seja finalizado. O sistema gera sugestoes, analises e minutas, mas nenhum documento e produzido como versao final sem a revisao e aprovacao de um profissional humano qualificado. Essa decisao de design nao foi tomada apenas por questoes eticas — e uma exigencia funcional do sistema.

Alem disso, o LawrAI implementa explicabilidade nativa: para cada resposta ou sugestao gerada, o sistema mostra quais fontes (legislacao, jurisprudencia, doutrina) embasam aquela saida. O usuario nao precisa confiar cegamente na IA — pode verificar as fontes, avaliar a pertinencia e contestar a sugestao com base em informacoes concretas.

Esse modelo de “IA assistida por humano” (e nao “IA que substitui o humano”) esta alinhado com o espirito do PL 2.338 e serve como referencia para a implementacao em outros setores.

Fisk: resposta a incidentes e conformidade com LGPD

No projeto desenvolvido para a Fisk, a Mind Group implementou um plano de resposta a incidentes alinhado com o Art. 48 da LGPD, que exige comunicacao a ANPD e aos titulares de dados em caso de incidentes de seguranca que possam acarretar risco ou dano relevante. Esse tipo de mecanismo de conformidade e parte do que o PL 2.338 ampliara para o contexto especifico de decisoes automatizadas por IA.

Contestacao como feature: a abordagem da Mind Group

A filosofia da Mind Group para seus projetos com IA e clara: o mecanismo de contestacao e revisao humana e desenhado junto com o sistema, nao depois dele. Isso significa que, desde a fase de arquitetura, os seguintes componentes sao planejados:

• Estrutura de logs que permita reconstrucao completa de qualquer decisao automatizada
• Camada de explicabilidade adequada ao tipo de modelo e ao publico-alvo
• Canal de contestacao integrado a interface do usuario
• Workflow de revisao humana com SLAs, escalacao e documentacao
• Mecanismo de feedback: decisoes revertidas alimentam o ciclo de melhoria do modelo
• Auditoria periodica para identificacao de vieses e distorcoes

“Construir um sistema de IA que toma decisoes sobre pessoas sem prever como essas decisoes serao contestadas e como sair pela metade do trabalho. Na Mind Group, a contestacao e a revisao humana sao features do sistema desde o primeiro sprint — nao sao debitos tecnicos que resolvemos depois.”

Jose Goncalves, CEO da Mind Group

Guia Pratico: 8 Passos Para Adequar Seus Sistemas de IA ao PL 2.338

Para empresas que ja utilizam ou planejam utilizar sistemas de IA com decisoes automatizadas, preparar-se para o PL 2.338 nao e opcional — e estrategico. Aqui esta um roteiro pratico:

Passo 1: Mapeie todas as decisoes automatizadas

Identifique todos os pontos do seu sistema onde uma IA toma ou influencia decisoes sobre pessoas. Isso inclui nao apenas decisoes finais, mas tambem filtragens, rankings e recomendacoes que influenciam decisoes humanas subsequentes.

Passo 2: Classifique por nivel de impacto

Nem toda decisao automatizada tem o mesmo impacto. Priorize as que afetam direitos fundamentais: credito, emprego, saude, educacao, acesso a servicos essenciais. Essas serao o foco principal da fiscalizacao.

Passo 3: Implemente logs de rastreabilidade

Para cada decisao automatizada de alto impacto, garanta que o sistema registra dados de entrada, versao do modelo, criterios aplicados, decisao final e score de confianca. Esses logs sao a base para qualquer revisao humana efetiva.

Passo 4: Construa a camada de explicabilidade

Implemente mecanismos que permitam explicar cada decisao em pelo menos dois niveis: tecnico (para o revisor) e acessivel (para o cidadao). Use tecnicas de XAI adequadas ao tipo de modelo utilizado.

Passo 5: Crie o canal dedicado de contestacao

Desenvolva um canal especifico para contestacao de decisoes automatizadas, integrado ao sistema. Nao redirecione para o SAC generico. O canal deve permitir identificar automaticamente a decisao contestada e seus logs.

Passo 6: Estruture o workflow de revisao humana

Defina o processo de revisao com papeis, SLAs, criterios de escalacao e documentacao obrigatoria. Treine a equipe para compreender o funcionamento dos algoritmos e para comunicar as decisoes em linguagem acessivel.

Passo 7: Implemente o ciclo de feedback

Decisoes revertidas na revisao humana devem alimentar o ciclo de melhoria do modelo. Se um determinado tipo de decisao e frequentemente revertido, isso indica um problema no modelo que precisa ser corrigido.

Passo 8: Audite periodicamente

Estabeleca auditorias periodicas para identificar vieses, avaliar a efetividade do processo de contestacao e verificar se os SLAs estao sendo cumpridos. A conformidade nao e um estado — e um processo continuo.

O Que Esta em Jogo: Por Que o Direito de Contestacao Importa

O direito de contestacao de decisoes automatizadas nao e um tema abstrato ou uma preocupacao futurista. E uma questao que afeta pessoas reais, agora.

Considere o candidato a emprego cujo curriculo foi descartado por um algoritmo que associou sua universidade de origem a menor probabilidade de sucesso. Ou o microempreendedor que teve seu pedido de credito negado por um modelo que nao sabe lidar com renda variavel. Ou o paciente cuja triagem foi determinada por um sistema que nao foi treinado com dados representativos da populacao brasileira.

Em todos esses casos, a revisao humana nao e um luxo — e uma necessidade. E o mecanismo de contestacao e o que garante que essa revisao aconteca.

O PL 2.338 reconhece essa necessidade e cria um arcabouco para atende-la. Mas a lei, sozinha, nao e suficiente. E necessario que os sistemas sejam projetados e construidos com a contestacao como parte fundamental da sua arquitetura.

Para as empresas, a mensagem e clara: comecar a implementar mecanismos de contestacao e revisao humana agora nao e apenas uma questao de conformidade regulatoria — e uma questao de responsabilidade e de confianca. Sistemas de IA que oferecem transparencia e possibilidade de contestacao geram mais confianca, enfrentam menos riscos juridicos e estao melhor preparados para o ambiente regulatorio que se consolida.

Conclusao: Construir para Contestar

O PL 2.338 estabelece que o direito de contestacao e revisao humana de decisoes automatizadas nao e um detalhe — e uma garantia fundamental. E faz isso com um nivel de detalhamento que supera tanto a LGPD quanto o AI Act europeu, exigindo canal dedicado, equipe treinada, SLAs de resposta e logs de reconstrucao da decisao.

Para quem desenvolve sistemas de IA, a implicacao e direta: a contestacao precisa ser pensada como feature, nao como afterthought. Os logs de rastreabilidade, a camada de explicabilidade, o canal dedicado e o workflow de revisao humana precisam estar na arquitetura do sistema desde o primeiro dia.

A Mind Group leva essa abordagem a serio em todos os projetos que constroi para seus clientes. Do LawrAI — onde a supervisao humana e obrigatoria e a explicabilidade mostra as fontes de cada resposta — aos projetos de conformidade como o da Fisk, a filosofia e sempre a mesma: sistemas de IA que decidem sobre pessoas precisam ser projetados para que essas pessoas possam contestar.

Se a sua empresa utiliza ou planeja utilizar inteligencia artificial em processos que afetam a vida das pessoas, o momento de comecar a construir mecanismos de contestacao e agora — nao quando a lei for aprovada.

Precisa Implementar Mecanismos de Contestacao e Revisao Humana no Seu Sistema de IA?

A Mind Group e uma software house brasileira especializada em desenvolvimento sob medida com integracao de inteligencia artificial. Construimos sistemas que nao apenas utilizam IA de forma eficiente, mas que tambem implementam os mecanismos de contestacao, explicabilidade e revisao humana exigidos pela legislacao brasileira. Do design da arquitetura ate a auditoria periodica, ajudamos nossos clientes a estarem preparados para o PL 2.338 e a LGPD.

Perguntas Frequentes (FAQ)

O que e o direito de contestacao de decisoes de IA no PL 2.338?

O PL 2.338/2023 estabelece que qualquer cidadao afetado por uma decisao automatizada que impacte seus direitos pode contestar essa decisao perante um humano qualificado. Isso inclui o direito de saber que uma IA participou da decisao, receber explicacao clara sobre os criterios utilizados, questionar formalmente a decisao e ter a revisao conduzida por um profissional com competencia tecnica e autonomia para reverter o resultado algoritmico. O PL exige canal dedicado (nao o SAC generico), SLAs de resposta e processo de revisao documentado.

Qual a diferenca entre o PL 2.338 e a LGPD no que diz respeito a contestacao de decisoes automatizadas?

A LGPD, em seu Art. 20, ja preve o direito de solicitar revisao de decisoes baseadas exclusivamente em tratamento automatizado de dados pessoais. No entanto, a LGPD nao especifica se a revisao deve ser feita por humano (o veto presidencial removeu essa exigencia), nao detalha como o canal de contestacao deve funcionar, nao estabelece prazos especificos e nao exige logs de reconstrucao da decisao. O PL 2.338 preenche essas lacunas com requisitos mais detalhados: canal dedicado, equipe treinada para explicar decisoes algoritmicas, SLAs de resposta e logs obrigatorios de rastreabilidade.

Quais setores sao mais afetados pelas exigencias de contestacao do PL 2.338?

Os setores mais impactados sao aqueles onde decisoes automatizadas afetam diretamente direitos fundamentais: credito e servicos financeiros (scoring de credito, concessao de emprestimos), recrutamento e selecao (triagem de curriculos, avaliacao de candidatos), seguros (precificacao, analise de sinistros), saude (diagnostico assistido, triagem), educacao (avaliacao automatizada, recomendacao) e plataformas digitais (moderacao de conteudo, suspensao de contas). A protecao ao consumidor tambem preve transparencia sobre o uso de IA e explicacao clara de decisoes automatizadas em produtos e servicos.

Como uma empresa pode comecar a se preparar para as exigencias de contestacao do PL 2.338?

O primeiro passo e mapear todos os pontos do sistema onde IA toma ou influencia decisoes sobre pessoas, classificando-os por nivel de impacto. Em seguida, implementar logs de rastreabilidade que permitam reconstruir qualquer decisao automatizada, incluindo dados de entrada, versao do modelo, criterios aplicados e score de confianca. Depois, construir a camada de explicabilidade (XAI) adequada ao tipo de modelo, criar canal dedicado de contestacao integrado ao sistema, estruturar o workflow de revisao humana com SLAs e escalacao, e implementar ciclo de feedback onde decisoes revertidas alimentam a melhoria do modelo. A ANPD ja definiu IA como prioridade para 2026-2027, entao comecar agora e estrategico.

Fontes e Referencias

• PL 2.338/2023 — Projeto de Lei que dispoe sobre o uso de inteligencia artificial no Brasil. Senado Federal.
• Lei Geral de Protecao de Dados (LGPD) — Lei n. 13.709/2018, Art. 20: Direito de solicitar revisao de decisoes automatizadas.
• Regulamento (UE) 2024/1689 — AI Act (Artificial Intelligence Act). Parlamento Europeu e Conselho da Uniao Europeia.
• GDPR — General Data Protection Regulation, Art. 22: Decisoes individuais automatizadas, incluindo definicao de perfis.
• ANPD — Agenda Regulatoria e de Fiscalizacao 2026-2027: Inteligencia artificial como prioridade.
• InternetLab — “Guia do Usuario Brasileiro de IA”, publicado em marco de 2026.
• Camara dos Deputados — Aprovacao de protecao ao consumidor em produtos e servicos de IA (nivel de comissao).
• LGPD Art. 48 — Comunicacao de incidentes de seguranca a ANPD e aos titulares de dados.
• Pesquisa sobre uso profissional de IA: 79,1% dos profissionais utilizam IA diariamente (2026).

Escrito por José Gonçalves

CEO e fundador da Mind Group (fundada em 2016), software house brasileira sediada em Sorocaba/SP. Lidera o desenvolvimento de sistemas, aplicativos, IA e automações para clientes como Itaipu Binacional, Fisk, Lojas Torra, Febracis e Vertuz. Especialista em arquitetura de software, squads ágeis e integração de Inteligência Artificial em operações B2B.

LinkedIn →