EXTRATIVISMO COGNITIVO E SOBERANIA ALGORÍTMICA

a expropriação da propriedade intelectual do cidadão por LLMs globais

Autores

DOI:

https://doi.org/10.21721/p2p.2026v13e-73147

Palavras-chave:

extrativismo cognitivo, inteligência artificial generativa, propriedade intelectual, soberania de dados, privacidade

Resumo

O presente artigo investiga o fenômeno do extrativismo cognitivo impulsionado pela adoção massiva de Grandes Modelos de Linguagem (LLMs) por cidadãos comuns. O objetivo é analisar como as políticas de uso das principais Inteligências Artificiais (IAs) proprietárias tratam a propriedade intelectual inserida em seus prompts e avaliar os riscos decorrentes para a soberania algorítmica. O método empregado consiste em uma auditoria automatizada, utilizando a técnica de Geração Aumentada por Recuperação (RAG), sobre os Termos de Serviço e Políticas de Privacidade do Google (Gemini), OpenAI (ChatGPT) e DeepSeek. Para tanto, desenvolveu-se o framework ESA-LLM (Extração de Soberania e Autoria), composto por variáveis de licenciamento, memorização de dados e jurisdição. Os resultados revelam uma profunda assimetria contratual: enquanto a autoria do output é nominalmente cedida ao usuário, o input (ideias e conhecimentos brutos) é expropriado para o treinamento contínuo das plataformas. Conclui-se que o usuário abdica de sua soberania de dados em favor de infraestruturas transnacionais regidas pelas leis da Califórnia (EUA) ou de Hangzhou (China), evidenciando que legislações atuais de proteção de dados são insuficientes para salvaguardar o capital intelectual nacional contra a memorização algorítmica.

Downloads

Não há dados estatísticos.

Biografia do Autor

Vagner Simões Santos, Instituto Federal da Bahia

Mestre em propriedade intelectual e transferência de tecnologia para inovação em 2022.

Referências

AUTI, A. Generative AI and Privacy: Implications, Challenges and Safeguards. Proceedings of Thomas Lord Department of Computer Science. Los Angeles: University of Southern California, 2025. Disponível em: https://www.researchgate.net/profile/Atharva-Auti/publication/394363120_Generative_AI_and_Privacy_Implications_Challenges_and_Safeguards/links/68941941c8f8b1083fa350fb/Generative-AI-and-Privacy-Implications-Challenges-and-Safeguards.pdf. Acesso em: 2 mar. 2026.

BRASIL. Lei nº 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais (LGPD). Brasília, DF: Presidência da República, 2018. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/l13709.htm. Acesso em: 2 mar. 2026.

LEI, F. et al. Effect of generative artificial intelligence on academic publishing ethics: the role of user agreements. OnlineFirst, [s. l.], 2025. DOI: https://doi.org/10.1177/01655515251359771. Disponível em: https://journals.sagepub.com/doi/10.1177/01655515251359771. Acesso em: 23 fev. 2026.

OCTORA, V. A.; NUGRAHA, Y.; AMINANTO, M. E. CI-PDP: a framework for LLM-based privacy policy evaluation under contextual integrity and Indonesia’s PDP law. In: Workshop on Privacy in the Electronic Society (WPES), 24., 2025. Proceedings [...], 2025. p. 134–146. DOI: https://doi.org/10.1145/3733802.3764051. Disponível em: https://dl.acm.org/doi/pdf/10.1145/3733802.3764051. Acesso em: 3 mar. 2026.

RODRIGUEZ, D. et al. Large language models: a new approach for privacy policy analysis at scale. Computing, [s. l.], v. 106, p. 3879–3903, 2024. DOI: https://doi.org/10.1007/s00607-024-01331-9. Disponível em: https://link.springer.com/article/10.1007/s00607-024-01331-9. Acesso em: 27 fev. 2026.

WU, Y. et al. An in-depth investigation of data collection in LLM app ecosystems. In: ACM INTERNET MEASUREMENT CONFERENCE (IMC), 2025. Proceedings [...], 2025. p. 150–170. DOI: https://doi.org/10.1145/3730567.3732912. Disponível em: https://dl.acm.org/doi/pdf/10.1145/3733802.3764051. Acesso em: 10 mar. 2026.

Downloads

Publicado

10-07-2026

Como Citar

SIMÕES SANTOS, Vagner; FRANCA DE OLIVEIRA, Daniel. EXTRATIVISMO COGNITIVO E SOBERANIA ALGORÍTMICA: a expropriação da propriedade intelectual do cidadão por LLMs globais. P2P E INOVAÇÃO, Rio de janeiro, v. 13, n. 2, p. e-73147, 2026. DOI: 10.21721/p2p.2026v13e-73147. Disponível em: https://revistas.ufrj.br/index.php/p2p/article/view/73147. Acesso em: 10 jul. 2026.

Edição

Seção

Tecnologias Digitais, Informação e Desinformação