Como equipes de IA podem se preparar para mudanças na política chinesa de direitos autorais

O mais recente plano chinês para direitos autorais não é uma lista de obrigações para todo desenvolvedor de modelos. Ainda assim, é um sinal operacional importante. A Administração Nacional de Direitos Autorais divulgou em 7 de setembro de 2026 seu 15º Plano Quinquenal de Direitos Autorais, emitido em 31 de agosto. O plano coloca serviços de direitos autorais, fiscalização, cooperação internacional e novas tecnologias na mesma agenda de políticas públicas. Para uma equipe de IA, isso faz com que uma tarefa conhecida de engenharia — saber de onde veio o conteúdo — passe a integrar um problema mais amplo de preparo empresarial.

A resposta útil não é presumir que todo uso de dados seja proibido, nem esperar uma regra final que resolva cada dúvida sobre dados de treinamento. Em vez disso, as equipes podem tornar as decisões atuais inteligíveis: registrar o que obtiveram, sob quais termos, para qual uso, quem aprovou e o que acontece quando surge uma reclamação plausível. Essa evidência continuará útil mesmo que futuras regras sigam um caminho diferente do esperado.

Isto não é aconselhamento jurídico. É uma estrutura prática para responsáveis por produto, compras, dados e segurança que precisam transformar um ambiente de políticas em mudança em trabalho que possa ser examinado e melhorado.

Separe o que se sabe do que permanece em aberto

A primeira disciplina é não transformar linguagem ampla de política em uma alegação de certeza. O plano de direitos autorais é uma direção de política real, e a Administração Nacional de Direitos Autorais já havia indicado a IA e outros campos emergentes como áreas que exigem um desenho mais robusto do sistema autoral. Mas o comunicado do plano não responde universalmente se um corpus específico pode ser usado para treinar um modelo, como cada saída deve ser tratada ou qual contrato controlará uma controvérsia.

A explicação de 7 de setembro do Supremo Tribunal Popular sobre sua orientação para disputas de IA ajuda especialmente a definir essa fronteira. Ela descreve como os tribunais podem abordar alegações envolvendo conteúdo gerado por IA: o titular de direitos deve primeiro apresentar elementos de que o conteúdo contestado veio de um serviço de IA e é substancialmente semelhante à obra protegida. Quando um desenvolvedor de IA invoca uma defesa de não infração, as fontes dos dados de treinamento, os processos de treinamento e os métodos de operação podem se tornar evidências relevantes.

A mesma explicação deixa sem solução duas questões fundamentais: a possibilidade de proteção autoral de conteúdo gerado por IA e a caracterização jurídica do uso não autorizado de obras protegidas para treinar um grande modelo. Essas omissões não são motivo para ignorar a orientação. São motivo para manter um registro de incertezas. Uma equipe deve identificar se uma decisão se apoia em contrato, regra aplicável, controle técnico documentado ou pressuposto ainda não resolvido. Tratar as quatro categorias como se fossem a mesma coisa é uma forma de tornar um risco evitável invisível.

Construa um mapa de evidências sobre dados antes que uma disputa o exija

Um inventário de dados deve responder a mais do que “qual conjunto de dados usamos?”. Comece pelo ativo ou conjunto de dados, fornecedor, data de aquisição, termos aplicáveis, restrições geográficas e de produto e uso técnico pretendido. Em seguida, registre a cadeia de transformação: filtragem, anotação, deduplicação, ampliação sintética, controles de acesso e o modelo ou avaliação para o qual o material foi empregado. Mantenha um registro versionado, pois uma fotografia posterior do acervo pode não reproduzir aquilo em que a equipe realmente treinou.

Isso não é burocracia por si só. Uma reclamação de direitos muitas vezes começa com uma pergunta estreita: de onde veio esta imagem, documento, amostra de voz ou trecho de código? Um sistema capaz de apontar para um registro de origem, caminho de aprovação e decisão de retenção pode investigar a questão rapidamente. Um sistema que só possui um arquivo grande e sem rótulos precisa reconstruir a própria história sob pressão.

O mapa também deve revelar lacunas. Conteúdo acessível ao público, material fornecido por parceiros, conjuntos licenciados e material criado internamente não são categorias intercambiáveis. Cada um traz evidências, condições e modos de falha distintos. Se uma fonte não tem termos claros ou proveniência verificável, registre isso em vez de promovê-la silenciosamente a “liberada”. Assim, a equipe pode limitar seu uso, buscar substituição ou tomar uma decisão de risco documentada.

Faça perguntas a fornecedores de IA que produzam respostas utilizáveis

Comprar uma API de modelo ou incorporar uma ferramenta de terceiros não transfere toda a responsabilidade operacional. A orientação judicial chama atenção para controle, papel de cada parte na geração, origem dos dados de treinamento e medidas para reduzir danos. Esses são assuntos práticos de compras, não apenas de litígios.

Uma análise útil de fornecedor pede evidências específicas. Quais casos de uso e classes de conteúdo são cobertos pelos termos do serviço? Que informações o fornecedor pode oferecer sobre a origem e a governança de seus dados de treinamento ou de recuperação? Como recebe, avalia e responde a reclamações de direitos? Quais logs ficam disponíveis ao cliente? Quais controles existem para material enviado pelo cliente, ajuste fino, índices de recuperação e saída gerada?

Evite aceitar garantias vagas, como “IA responsável”, no lugar de um processo de resposta. Um fornecedor pode legitimamente proteger detalhes técnicos confidenciais, mas o cliente ainda pode pedir contatos, tempos de escalonamento, notificações, compromissos contratuais e uma explicação clara das responsabilidades compartilhadas. Registre a resposta junto à decisão de compra para que uma equipe posterior não precise redescobri-la.

Trate controles de saída e gestão de reclamações como funcionalidades do produto

O risco de direitos autorais não termina no treinamento. As equipes de produto devem definir como usuários relatam suspeitas de cópia, quais informações precisam fornecer, como o relato é triado e quando uma saída potencialmente nociva é restringida. A explicação do Supremo Tribunal Popular aponta fatores como tecnologia e modelo de negócio, papel da parte na geração, insumos de treinamento, precauções e lucro ao considerar responsabilidade. Eles levam a uma pergunta simples sobre o produto: o serviço consegue explicar o que ocorreu e tomar uma medida proporcional?

Em um produto de consumo, isso pode significar um canal de denúncia visível, identificador de caso e uma forma de impedir gerações repetidas a partir de um padrão abusivo de prompt. Em um sistema corporativo, pode incluir logs por espaço de trabalho, controles administrativos, configurações de retenção e um caminho de escalonamento documentado. O controle adequado depende do produto. O que não deve variar é a capacidade de preservar evidências sem expor desnecessariamente dados privados do cliente.

As equipes devem testar o processo em um exercício de mesa. Escolha uma reclamação hipotética sobre uma imagem gerada ou uma passagem recuperada. Meça quanto tempo leva para identificar conta, logs relevantes, versão do modelo, registros de origem e ações disponíveis. O exercício costuma revelar que dados, jurídico, suporte e engenharia usam identificadores ou janelas de retenção incompatíveis. Descobrir isso antes de uma reclamação real é o objetivo.

Torne revisável o trabalho interno assistido por IA

A nova orientação judicial também fala diretamente a pessoas que usam IA para preparar materiais de litígio: os usuários continuam responsáveis por verificar a precisão de manifestações assistidas por IA e por revelar esse auxílio quando for exigido. A lição mais ampla vale além de peças judiciais. Uma saída de IA não se torna fonte apenas porque é fluente.

Crie uma regra interna para documentos de consequência relevante: quem redige identifica as alegações factuais, preserva fontes primárias, registra o modelo ou ferramenta usada quando pertinente e atribui um revisor humano com autoridade para corrigir ou rejeitar o resultado. Isso é particularmente importante para resumos de política, alegações de produto, análises de direitos e comunicações com clientes. Uma citação inventada pelo modelo, ou uma regra que mudou após a redação, pode criar um problema muito maior do que um erro de digitação comum.

O objetivo não é proibir a assistência de IA. É preservar a diferença entre um rascunho assistivo e uma afirmação verificada. Essa distinção permite usar automação sem fingir que um texto automatizado estabeleceu um fato de forma independente.

Faça uma revisão periódica de preparo

Uma revisão mensal ou trimestral pode transformar esta estrutura em operação normal. Revise novas fontes de dados, mudanças relevantes de fornecedores, reclamações em aberto, achados de incidentes, cobertura de logs e pressupostos jurídicos não resolvidos. Acompanhe um pequeno conjunto de medidas baseadas em evidência: proporção de conjuntos de dados ativos com termos documentados, tempo para montar um registro de reclamação, percentual de fornecedores de alto risco com contato de escalonamento e idade de lacunas de proveniência ainda não resolvidas.

Não use esse placar para alegar conformidade jurídica onde a lei permanece incerta. Seu propósito é mais modesto e mais útil: mostrar se a organização consegue explicar suas práticas atuais, corrigir uma fraqueza conhecida e tomar a próxima decisão com informação melhor.

A direção da política chinesa e a orientação judicial tornam essa capacidade cada vez mais valiosa. Elas não eliminam as questões difíceis sobre treinamento de IA e titularidade. Mas tornam mais difícil justificar não ter resposta alguma quando um cliente, criador, regulador ou tribunal pergunta como um sistema foi construído e controlado.