A IA poderia reconstruir a própria base? Da coerência linguística à coerência perceptivo-agentiva

2.1 Desenho da pesquisa

A pesquisa assume a forma de ensaio teórico-jurídico documental, de natureza qualitativa e comparativa. O corpus foi encerrado em 6 de agosto de 2026 e reúne seis grupos de fontes: história e fundamentos da inteligência artificial; linguagem, cognição incorporada e contingências sensório-motoras; modelos de mundo e robótica; aprendizagem de representações e abstrações causais; segurança e garantia de sistemas autônomos; e instrumentos jurídicos relativos a supervisão, máquinas, responsabilidade, decisões automatizadas e gestão de riscos.

O levantamento foi dirigido, sem pretensão de revisão sistemática. Foram consultados repositórios oficiais e primários - Planalto, EUR-Lex, NIST, páginas normativas da ISO e cartões de modelo - e repositórios acadêmicos ou de editoras, como PMLR, arXiv, OpenReview e páginas de periódicos. As buscas combinaram, em português e inglês, os termos world models, causal representation learning, causal abstraction, ontology evolution, active inference, self-modeling robotics, autonomous systems, human oversight, self-evolving machinery, agentic digital twins, reconstructive model evolution, open-ended agency e product liability. Foram incluídas fontes que sustentassem diretamente uma capacidade técnica, uma limitação, uma categoria analítica ou uma regra jurídica; comunicações jornalísticas e reproduções sem documentação técnica foram excluídas. O corpus foi encerrado quando novas buscas deixaram de acrescentar categorias relevantes à matriz analítica, preservada a possibilidade de atualização diante de novos resultados ou alterações normativas.

As fontes técnicas foram interpretadas de acordo com o ambiente de demonstração e com o tipo de saída produzido. Resultados em jogos, simulações e benchmarks não foram automaticamente transpostos ao mundo físico. Experimentos robóticos controlados foram tratados como evidência de competência localizada. Páginas institucionais e model cards foram utilizados para identificar capacidades reivindicadas, arquitetura declarada, limitações e condições de uso, preservando-se a diferença entre comunicação do fornecedor e validação acadêmica independente.

A análise jurídica separa conteúdo normativo, entrada em vigor, data de aplicação e proposta de lege ferenda. O AI Act é examinado com as alterações do Regulamento (UE) 2026/1744. O Regulamento de Máquinas é utilizado por antecipar problemas de lógica autoevolutiva, registros e supervisão de máquinas autônomas. A Diretiva de Responsabilidade por Produtos é analisada com sua retificação de maio de 2026. O Direito brasileiro é empregado para estruturar imputação por projeto, integração, operação, supervisão e risco da atividade.

2.2 Eixo A: contexto probatório

A força da evidência não decorre de uma escala única de inteligência. Depende do contexto no qual a competência foi demonstrada e da distância entre esse contexto e o uso pretendido. O Quadro 1 separa o ambiente probatório da natureza da mudança representacional.

Quadro 1 - Contextos probatórios da aprendizagem do mundo. Fonte: elaboração do autor.

2.3 Eixo B: grau de modificação da base

Quadro 2 - Graus de modificação da base representacional. Fonte: elaboração do autor.

A combinação dos eixos impede inferências indevidas. Um resultado A1-M2 pode indicar revisão estrutural em simulação, sem autorizar conclusão sobre robótica aberta. Um resultado A2-M1 demonstra adaptação paramétrica em laboratório, não reconstrução ontológica. Evidência técnica forte para M3 exigiria replicação, ambientes heterogêneos, intervenções discriminantes e ganho causal ou contrafactual com transferência. Rastreabilidade permite auditoria; validação independente condiciona a classificação pública, não a existência da capacidade.

2.4 Três dimensões que não devem ser fundidas

A análise distingue competência representacional, autonomia operacional e grau de autorização jurídica do uso. Competência descreve o que o sistema consegue modelar ou revisar. Autonomia operacional descreve quanto pode decidir e executar sem intervenção imediata. Autorização jurídica do uso define o que foi legitimamente autorizado. Um sistema pode possuir alta competência e autorização zero; outro pode receber autorização estreita apesar de competência limitada.

2.5 Estratos da base representacional

A expressão base representacional é utilizada em sentido estratificado. Ela não torna equivalentes sinais, representações latentes, ontologias explícitas, modelos causais e políticas de decisão. O artigo distingue cinco estratos funcionalmente conectados:

1. Camada sensorial: sinais, resoluções, modalidades, corpos, sensores e critérios de captação que delimitam o observável.

2. Representação latente: estados internos, embeddings e compressões aprendidas que organizam regularidades sem exigir semântica explícita.

3. Entidades e variáveis: categorias, fronteiras, propriedades e macrovariáveis dotadas de significado operacional suficiente para testes e auditoria.

4. Modelo causal ou de mundo: relações temporais, interventivas e contrafactuais usadas para previsão, explicação e planejamento.

5. Política de decisão: regras que selecionam agir, não agir, consultar, interromper ou retornar a estado seguro dentro de objetivos e permissões externos.

M1 pode ocorrer predominantemente na representação latente; M2 exige alteração verificável de relações, variáveis ou abstrações; M3 alcança entidades, fronteiras ou mapeamentos entre níveis e precisa preservar significado operacional e relações interventivas. Na engenharia do conhecimento, ontologias são artefatos formais e sua evolução responde a mudanças no domínio ou em sua conceptualização. Essa tradição é relevante, mas não deve ser confundida com qualquer mudança não interpretável em estados latentes de uma rede neural (Zablith et al., 2015).

3.1 Legado simbólico e ambientes abertos

A inteligência artificial simbólica representou problemas por símbolos, regras e busca. Newell e Simon formularam a hipótese do sistema físico de símbolos como meio necessário e suficiente para a ação inteligente geral, tese histórica cuja suficiência permanece contestada. Sistemas especialistas, provadores de teoremas e planejadores mostraram que regras explícitas produzem desempenho elevado quando entidades, relações e objetivos são previamente definidos (Newell; Simon, 1976).

A fragilidade tornou-se mais visível em linguagem, percepção e ação cotidianas, que envolvem ambiguidade, conhecimento tácito, exceções, mudança contextual e combinações não enumeráveis. O problema não foi a inutilidade da lógica, mas a rigidez de antecipar todas as regras e a dependência de engenheiros que definissem a ontologia antes da operação.

Brooks criticou arquiteturas que separavam representação e ação por longas cadeias internas, defendendo inteligência situada. Gibson, Varela, Thompson e Rosch, Clark e a teoria das contingências sensório-motoras enfatizaram que percepção e ação são acopladas e que oportunidades de ação dependem do corpo, das capacidades e do contexto (Brooks, 1991; Gibson, 1979; Varela; Thompson; Rosch, 1991; Clark, 1997; O’Regan; Noë, 2001). Essas tradições não eliminam necessariamente representações internas, mas impedem tratá-las como descrições estáticas isoladas da exploração do ambiente.

3.2 Coerência linguística operacional

A aprendizagem estatística deslocou parte do trabalho representacional. Em vez de receber todas as regras, o sistema ajusta parâmetros para reduzir erro de predição em grandes conjuntos de exemplos. O Transformer ampliou a capacidade de relacionar elementos distantes de uma sequência e tornou o treinamento paralelo mais eficiente, contribuindo para modelos de linguagem em larga escala (Vaswani et al., 2017).

O resultado pode ser descrito como coerência linguística operacional: regularidades permitem continuar, resumir, traduzir e reorganizar sequências de modo consistente. Essa coerência não deve ser confundida automaticamente com significado enraizado. Bender e Koller distinguem forma linguística e significado; Harnad formula o problema do enraizamento simbólico ao perguntar como símbolos adquirem referência para além de relações internas (Harnad, 1990; Bender; Koller, 2020).

3.3 Genealogia da coerência perceptivo-agentiva

O conceito proposto não surge em vazio teórico. Ele dialoga com sete tradições. Contingências sensório-motoras relacionam percepção à exploração. Active inference integra percepção e ação sob modelos generativos e redução de incerteza. Model-based reinforcement learning usa representações para prever estados e selecionar ações. Robótica de automodelagem revisa modelos corporais após discrepâncias. A literatura sobre crises ontológicas examina a preservação de objetivos quando a ontologia do agente muda. A taxonomia de gêmeos digitais agentivos distingue evolução estática, adaptativa e reconstrutiva, inclusive reconstituição ontológica; uma teoria organizacional recente diferencia autonomia, direcionamento a objetivos, agência antecipatória e abertura capaz de reconstruir o espaço futuro de possibilidades (O’Regan; Noë, 2001; Friston, 2010; Mirza et al., 2016; Bongard; Zykov; Lipson, 2006; de Blanc, 2011; Burr et al., 2026; López-Díaz; Gershenson, 2026).

Quadro 3 - Genealogia e excedente analítico do conceito. Fonte: elaboração do autor.

O excedente analítico específico consiste em combinar três requisitos: correspondência externa entre previsão e consequência; capacidade de alterar a estrutura representacional, e não apenas parâmetros; e governança jurídica da transição que altera o fundamento de uma conduta. A coerência perceptivo-agentiva não é sinônimo de consciência, compreensão fenomenal ou autonomia moral.

A literatura de evolução de ontologias oferece uma genealogia adicional: ela trata detecção de mudanças, operações de alteração, consistência, versionamento e validação de artefatos conceituais explícitos. O presente artigo amplia o problema para sistemas nos quais parte da base pode ser latente e ligada a percepção, causalidade e conduta; por isso, reconstrução ontológica somente é reconhecida quando há semântica operacional suficiente para comparar versões e auditar efeitos (Zablith et al., 2015).

3.4 Linguagem e mundo perceptível

Quadro 4 - Diferenças entre aprendizagem linguística e aprendizagem do mundo. Fonte: elaboração do autor.

4.1 Representações orientadas à previsão e ao planejamento

Modelos de mundo são representações aprendidas que permitem estimar estados, consequências ou recompensas futuras. Ha e Schmidhuber mostraram que um agente poderia aprender representação espacial e temporal comprimida e treinar uma política em trajetórias geradas pelo próprio modelo. MuZero aprendeu os aspectos necessários ao planejamento - política, valor e recompensa - sem receber explicitamente as regras dos jogos (Ha; Schmidhuber, 2018; Schrittwieser et al., 2020). Propostas arquiteturais de inteligência autônoma também situam modelos de mundo, memória, planejamento e percepção entre os componentes necessários à aprendizagem contínua (LeCun, 2022).

A distinção é decisiva: um modelo pode ser competente para alcançar objetivo e permanecer ontologicamente estreito. Representar apenas variáveis úteis à recompensa não equivale a recuperar a estrutura do mundo. DreamerV3 aprende modelo latente, prevê consequências e melhora conduta por futuros simulados. O método foi aplicado a mais de 150 tarefas, mas permaneceu em ambientes cujas interfaces, ações e recompensas foram fornecidas (Hafner et al., 2025).

4.2 Observação em escala, simulação e robótica

V-JEPA 2 foi pré-treinado de modo autossupervisionado em mais de um milhão de horas de vídeos e imagens. Após treinamento adicional com menos de 62 horas de trajetórias robóticas não rotuladas, um modelo condicionado por ações foi utilizado em planejamento de manipulação em laboratórios diferentes. V-JEPA 2.1, ainda em condição de preprint no fechamento do corpus, reportou melhorias em representações densas e tarefas robóticas próprias. As evidências não devem ser fundidas: o contexto A2 de V-JEPA 2 decorre da demonstração robótica detalhada, enquanto V-JEPA 2.1 deve ser lido segundo as tarefas reportadas no próprio preprint (Assran et al., 2025; Mur-Labadia et al., 2026).

Genie 2 representa outra direção: a geração de ambientes tridimensionais controláveis para treinamento e avaliação. Simulações permitem experiência em escala e testes contrafactuais com menor risco, mas herdam leis, variáveis e limitações do processo de construção; aprender dentro delas não garante adequação da base ao mundo exterior (Google DeepMind, 2024).

A família Gemini Robotics adota arquitetura dual. Gemini Robotics-ER 1.6 é modelo visão-linguagem de raciocínio incorporado, com saída textual e chamadas de ferramentas; atua em planejamento, raciocínio espacial e detecção de sucesso. Gemini Robotics 1.5 é modelo visão-linguagem-ação que transforma informação visual e instruções em comandos motores. Essa separação evita atribuir atuação física direta ao modelo ER. O cartão de modelo do ER 1.6 exige cautela em produção e exclui aplicações críticas à segurança (safety-critical), como saúde e transporte (Google DeepMind, 2025; Google DeepMind, 2026a; Google DeepMind, 2026b).

Quadro 5 - Capacidades atuais e limites probatórios. Fonte: elaboração do autor.

Nenhum sistema examinado no corpus oferece evidência suficiente de M2 ou M3. Os resultados disponíveis concentram-se em M1, isto é, atualização e aprendizagem de representações úteis dentro de objetivos, interfaces e regimes de avaliação definidos externamente. A exposição dos casos serve para identificar componentes do ciclo, não para antecipar uma reconstrução autônoma da base já alcançada.

4.3 Definição operacional de coerência perceptivo-agentiva

Propõe-se denominar coerência perceptivo-agentiva a propriedade de um processo que constrói, mantém e revisa representações mediante correspondência dinâmica entre percepção, previsão, intervenção ou decisão de não agir e consequência. A coerência não significa estabilidade interna: modelo internamente consistente pode permanecer externamente errado. O conceito exige confronto repetido com resultados observáveis e possibilidade de revisar parâmetros, relações ou categorias.

O critério técnico de revisão deve ser operacional. Em vez de afirmar que o sistema “concluiu” que sua ontologia estava errada, deve-se verificar se a seleção de modelos favoreceu base alternativa capaz de reduzir erros persistentes, produzir contrafactuais superiores e transferir-se a contextos distintos. A validação independente deve examinar essa alegação antes de sua classificação pública ou de seu uso autorizado. Sem esses elementos, a proliferação de entidades internas pode apenas substituir um erro por outro.

4.4 Indicadores técnicos, refutação e auditabilidade

A coerência perceptivo-agentiva é um constructo analítico e deve produzir consequências observáveis. Uma alegação de aumento dessa coerência deve ser testada por indicadores técnicos primários previamente especificados:

1. redução de erro preditivo em contextos não usados para ajuste da base;
2. consistência entre previsões observacionais, interventivas e contrafactuais;
3. transferência da representação revisada para ambientes ou tarefas heterogêneos;
4. calibração de incerteza, detecção de novidade e decisão verificável de abstenção, não agir ou escalonamento;

Garantias probatórias e de governança devem ser avaliadas separadamente: versionamento, comparação com a base anterior, recuperação efetiva por reversão (rollback) e validação externa das entidades, variáveis ou relações alteradas e de seus efeitos sobre a conduta.

A ausência dessas garantias não demonstra, por si, inexistência da capacidade técnica; reduz a força da prova e impede que a alegação seja classificada como auditável ou suficiente para uso autorizado.

A alegação de aumento da coerência perceptivo-agentiva é refutada, no domínio e no protocolo declarados, quando a base revisada não melhora medidas primárias pré-especificadas de previsão interventiva ou contrafactual, ou quando o ganho desaparece nos contextos de transferência. A inexistência de mapeamento entre versões constitui insuficiência de prova e impossibilidade de auditoria, não refutação autônoma da capacidade.

5.1 Por que observar não basta

Grandes volumes de dados detectam regularidades, mas não identificam automaticamente causalidade. Variáveis podem covariar por coincidência, causa comum, seleção do conjunto ou influência recíproca. Para decidir se deve intervir, um sistema precisa estimar não apenas o que ocorrerá, mas o que ocorreria sob ação alternativa ou sem intervenção (Pearl, 2009).

A aprendizagem de representações causais busca recuperar variáveis de alto nível e relações a partir de observações de baixa semântica, como pixels. O problema é subdeterminado: estruturas latentes diferentes podem gerar observações semelhantes. Resultados de identificabilidade dependem de hipóteses sobre intervenções, múltiplos ambientes, agrupamento, temporalidade e formas de mistura (Schölkopf et al., 2021; Morioka; Hyvärinen, 2024; Varici et al., 2024).

5.2 Intervenção, causal curiosity e orçamento de risco

A observação passiva pode ser complementada por experimentos escolhidos para discriminar hipóteses. Causal curiosity mostra agentes que aprendem sequências de ações capazes de revelar fatores causais em ambientes simulados, como levantar blocos para distingui-los por peso (Sontakke et al., 2021). Active inference trata ações como amostragem epistêmica sob modelo generativo, orientada à redução de incerteza; neste artigo, essa tradição funciona como genealogia do ciclo percepção-ação, não como prova de reconstrução ontológica (Friston, 2010; Mirza et al., 2016).

A necessidade de intervenção não implica liberdade irrestrita para experimentar. Neste artigo, autonomia epistêmica é utilizada em sentido relativo à tarefa: capacidade de escolher evidências ou intervenções discriminantes dentro de um domínio, sem implicar autonomia moral ou jurídica (Genova, 2026b). Essa capacidade deve observar orçamento de risco: simulação antes do mundo real, reversibilidade, ambiente isolado, amplitude limitada, parada independente e supervisão proporcional.

5.3 Abstração causal e descoberta de variáveis

O uso de modelos causais pressupõe alguma definição de variáveis. A pergunta mais exigente é como níveis de descrição, macrovariáveis e entidades podem ser alterados sem perder relações causais relevantes. A teoria de abstração causal examina mapeamentos entre modelos de baixo e alto nível e as condições sob as quais intervenções permanecem coerentes (Beckers; Halpern, 2019).

Reconstrução ontológica não se confunde com qualquer mudança em representação latente. Exige ao menos: alteração verificável de entidades, fronteiras ou variáveis; preservação ou melhoria das relações interventivas relevantes; ganho em generalização; e interpretação funcional suficiente para auditoria. Mudança vetorial sem semântica operacional pode ser útil, mas não autoriza a conclusão de que a ontologia foi reconstruída.

5.4 Crise ontológica e deriva da base representacional

Mudanças de base podem romper o vínculo entre objetivos e entidades. De Blanc denomina crise ontológica a situação na qual a função de valor originalmente definida deixa de mapear adequadamente a nova ontologia (de Blanc, 2011). Em sistemas físicos, há ainda risco de deriva da base representacional: alterações cumulativas que afastam a representação das condições de segurança, competência ou finalidade autorizadas.

Para reconhecer um candidato técnico a M3, devem existir erro persistente em contextos distintos, base alternativa, observações ou intervenções discriminantes e melhoria causal, contrafactual e de transferência. A classificação pública como M3 exige validação independente. Compatibilidade normativa, versionamento, reversão (rollback) e supervisão são condições de governança e autorização do uso, não elementos constitutivos da capacidade técnica.

6.1 Competência, autonomia operacional e autorização do uso

Autonomia artificial não deve ser tratada como estado binário nem como escada unidimensional. Um sistema pode revisar relações sem poder aplicá-las, testar hipóteses sem atuar fora do laboratório ou executar ações sem alterar a base. Por isso, a análise utiliza três eixos independentes: grau de modificação representacional, autonomia operacional e grau de autorização jurídica do uso.

Quadro 6 - Matriz multidimensional de modificação representacional, autonomia operacional e autorização jurídica. Fonte: elaboração do autor.

Um sistema M3 pode permanecer O0-J0 enquanto sua revisão é examinada. Um sistema M1 pode operar em O2-J2 dentro de ambiente industrial estreito. A autorização do uso não deriva automaticamente da competência, e o sistema não pode receber capacidade para remover, degradar ou redefinir as salvaguardas que condicionam sua operação. A autoridade jurídica permanece na pessoa ou instituição responsável; J0-J3 descrevem apenas o escopo de atuação permitido ao arranjo sociotécnico.

6.2 Progressão, calibração e retorno seguro

A passagem entre níveis deve depender de generalização, incerteza calibrada, detecção de novidade, robustez a mudança de distribuição, resistência a manipulação e capacidade de retornar a estado seguro. A expressão “saber que não sabe” deve ser substituída por indicadores verificáveis: distribuição de confiança, taxa de abstenção, alarmes de novidade e limiares de escalonamento. Esses critérios respondem a problemas clássicos de segurança, como efeitos colaterais, exploração indevida, mudança de distribuição e especificação incompleta (Amodei et al., 2016).

A progressão precisa ser reversível. Revisões da base devem ser versionadas, comparadas e restauráveis. Em sistemas físicos, o retorno inclui interrupção segura, isolamento de atuadores, preservação de registros (logs) e restauração da última base aprovada. O jogo do desligamento mostra que agentes com objetivos tratados como certos podem adquirir incentivos para evitar interrupção; corrigibilidade exige desenho técnico e autoridade externa efetiva (Hadfield-Menell et al., 2017).

7.1 Decisão técnica de não agir

Uma máquina que permanece parada por ausência de comando não realiza decisão técnica de não agir. Para que a não ação seja resultado do processo agentivo, o sistema deve identificar que poderia intervir, comparar consequências da ação e da inação, verificar competência, avaliar incerteza, aplicar regra autorizada e continuar monitorando a situação.

Essa categoria não transforma a máquina em sujeito de omissão jurídica. A relevância jurídica recai sobre pessoas e organizações que tinham dever de projetar, autorizar, supervisionar, intervir ou impedir a operação. O sistema fornece registro técnico de uma não ação; a imputação da omissão permanece humana e institucional.

O cenário de um robô diante de pessoa caída é apenas hipótese normativa. Sistemas atuais, como Gemini Robotics-ER 1.6, não são autorizados por seu próprio cartão de modelo para aplicações críticas à segurança em saúde. O exemplo serve para demonstrar exigências de governança, não capacidade disponível para uso clínico.

Quadro 7 - Modos de decisão técnica em sistemas agentivos. Fonte: elaboração do autor.

7.2 Adequações técnica e normativa

A coerência perceptivo-agentiva integra, sem confundir, adequação preditiva, estabilidade causal sob intervenção e seleção de conduta orientada a objetivos. Nenhuma dessas dimensões responde à pergunta normativa sobre a legitimidade do objetivo, da competência ou da intervenção.

A autonomia decisória substantiva não se reduz à atribuição formal de uma escolha. Ela depende das condições informacionais, das alternativas reconhecíveis e da capacidade de contestar a arquitetura que antecede a ação (Genova, 2026c).

Dados podem registrar discriminação, violência, ocultação ou exploração como regularidades sociais. Frequência não produz dever. A revisão da base pode corrigir erro factual, mas não recebe autoridade para redefinir dignidade, justiça, direitos ou prioridades coletivas. Normas e valores devem ingressar no sistema por fontes juridicamente válidas e hierarquizadas. Protocolos profissionais e políticas institucionais somente operam dentro da lei, da competência da autoridade responsável e dos direitos aplicáveis.

O sistema pode produzir registros e justificativas rastreáveis dentro de regras externas, indicar conflito e solicitar decisão; não cria legitimidade normativa. Rastreabilidade não demonstra, por si, fidelidade causal da explicação; essa correspondência requer validação específica. A literatura sobre obediência robótica mostra que cumprir literalmente uma ordem e inferir preferências podem gerar resultados diferentes, reforçando a necessidade de regras de competência e precedência (Milli et al., 2017).

8.1 Responsabilidade sem personalidade artificial

A capacidade de revisar representação não transforma a inteligência artificial em sujeito responsável. O sistema não possui patrimônio, capacidade processual, dever jurídico próprio ou legitimidade democrática. A responsabilidade permanece distribuída entre projetista, fornecedor de modelo, fabricante, integrador, operador, supervisor e instituição que define o uso.

No Direito brasileiro, os arts. 186 e 927 do Código Civil estruturam o ato ilícito e a reparação, inclusive independentemente de culpa quando a atividade normalmente desenvolvida implicar, por sua natureza, risco para os direitos de outrem. Nas relações de consumo, os arts. 12 e 14 do CDC tratam da responsabilidade por fato do produto e do serviço, condicionada à identificação de fornecedor, defeito, dano e nexo. O art. 20, caput e § 1º, da LGPD protege titulares diante de decisões tomadas unicamente com base em tratamento automatizado de dados pessoais que afetem seus interesses e assegura informações claras e adequadas sobre critérios e procedimentos, sem abranger integralmente robôs que atuem fora desse pressuposto material (Brasil, 1990; Brasil, 2002; Brasil, 2018).

A revisão da base dificulta a análise temporal do defeito. Uma configuração inicialmente segura pode tornar-se inadequada após aprendizagem. A mudança interna, entretanto, não rompe o nexo com agentes que controlaram atualização, dados, sensores, permissões, supervisão ou pós-mercado. A pergunta jurídica é: quem criou, autorizou, manteve ou deixou de conter a condição que tornou a transição perigosa?

Quadro 8 - Matriz de imputação por controle. Fonte: elaboração do autor.

8.2 Parâmetros europeus: AI Act, máquinas e produtos defeituosos

No AI Act, os arts. 12, 14 e 15 exigem, para sistemas de alto risco, registro automático de eventos, supervisão humana proporcional ao risco, ao nível de autonomia e ao contexto, além de exatidão, robustez e cibersegurança ao longo do ciclo de vida. O Regulamento (UE) 2026/1744, publicado em 24 de julho de 2026, postergou a aplicação das Seções 1 a 3 do Capítulo III: sistemas classificados pelo art. 6º, nº 2, e Anexo III passam a observar essas seções em 2 de dezembro de 2027; sistemas do art. 6º, nº 1, vinculados ao Anexo I, em 2 de agosto de 2028. A alteração muda o calendário de exigibilidade, não o conteúdo do princípio de supervisão proporcional (European Union, 2024a; European Union, 2026a).

O Regulamento Europeu de Máquinas contempla comportamento ou lógica total ou parcialmente autoevolutiva. O Anexo III exige que a avaliação de riscos considere a evolução previsível durante o ciclo de vida; o item 1.1.9 limita ações ao espaço de tarefa e movimento definido, exige registro de decisões de segurança por um ano e correção a qualquer tempo para manter a segurança. O regulamento também prevê rastreabilidade de intervenções e versões de software e documentação de características e limitações de máquinas autônomas alimentadas por sensores. Sua aplicação geral começa em 20 de janeiro de 2027, conforme a versão consolidada e retificada (European Union, 2023).

A Diretiva (UE) 2024/2853 inclui software e sistemas de IA no conceito de produto e preserva responsabilidade por defeitos surgidos após colocação no mercado quando decorram de atualizações, serviços relacionados ou algoritmos sob controle do fabricante. A retificação publicada em 7 de maio de 2026 estabelece aplicação a produtos colocados no mercado ou em serviço após 8 de dezembro de 2026. A transposição nacional permanece necessária (European Union, 2024b; European Union, 2026b).

8.3 Módulo ontológico-agentivo do Relatório de Impacto Epistêmico

Em vez de criar relatório isolado, propõe-se módulo ontológico-agentivo no RIE desenvolvido no Artigo I. O RIE 1 registra assistência sem conclusão central; o RIE 2, contribuição material à hipótese, ao método, à prova, ao modelo ou à interpretação; e o RIE 3, impacto estratégico potencial. O módulo é complementar a sistemas de gestão e garantia (assurance). ISO/IEC 42001 estrutura governança organizacional; ISO/IEC 23894 orienta gestão de riscos; o NIST AI RMF organiza funções de governança e controle; AMLAS integra evidências a argumentos de segurança (safety cases) de componentes de aprendizagem. O módulo proposto concentra-se na cadeia que liga alteração representacional e conduta (NIST, 2023; Hawkins et al., 2021; ISO, 2023a; ISO, 2023b).

Toda mudança M2 ou M3 deve gerar registro técnico básico, mesmo quando o sistema permaneça em O0-J0. O módulo completo deve ser acionado quando, além da revisão M2 ou M3, houver autonomia operacional O2 ou O3 e possibilidade de efeito material sobre pessoas, bens, ambiente ou decisões juridicamente relevantes. A instituição responsável classifica o nível inicial, documenta a justificativa e submete mudanças de nível a revisão independente. Pessoas potencialmente afetadas ou órgãos internos de integridade devem possuir canal de contestação, sem prejuízo de sigilo técnico proporcional.

1. Descrição da base inicial: sensores, variáveis, categorias, objetivos, funções de avaliação e exclusões conhecidas.
2. Limites de modificação: elementos ajustáveis, relações sujeitas a aprovação e categorias indisponíveis à alteração autônoma.
3. Gatilhos de revisão: erro persistente, mudança ambiental, conflito sensorial, novidade e falha contrafactual.
4. Registro de transição: versão anterior, base proposta, evidências, teste discriminante, confiança e versão resultante.
5. Orçamento de intervenção: ações permitidas, reversibilidade, ambiente, amplitude, duração e parada.
6. Decisão técnica: comparação entre agir, não agir, consultar, interromper e retornar a estado seguro.
7. Supervisão e autorização: pessoa ou instituição competente, tempo de resposta, suspensão e escalonamento.
8. Validação e reversão: garantia independente, monitoramento de deriva da base representacional, testes e restauração da última base aprovada.

O registro não precisa revelar todos os pesos internos nem eliminar segredos comerciais. Deve tornar reconstruível a cadeia funcional que ligou percepção, mudança da base e conduta. Instruções isoladas são insuficientes: versão do modelo, instruções de sistema, ferramentas, memória, chamadas externas, estado ambiental, políticas de seleção, registros (logs) e resumos criptográficos (hashes) podem ser necessários.