Artigos aprofundados sobre a tecnologia que molda o que vem a seguir.

Código Gerado por IA e Direitos Autorais: 5 Mitos Testados

O código gerado por IA é de domínio público? Herda licenças open source? Testamos 5 mitos e damos um guia de proveniência que funciona hoje.

Uma balança equilibrando fios brilhantes de código contra uma caneta-tinteiro, em um arquivo que se dissolve.
O direito autoral foi criado para canetas e autores; ele está sob pressão com códigos que ninguém exatamente escreveu.

Um desenvolvedor da minha antiga equipe perguntou, meio na brincadeira, se as 400 linhas que o Copilot tinha acabado de escrever para ele realmente pertenciam à empresa. Ninguém tinha uma boa resposta, e o departamento jurídico que consultamos deu a pior: “não está claro”. Essa pergunta agora está no topo da primeira página do Hacker News na forma de uma provocação — que todo código gerado por IA deveria ser open source — e a discussão por baixo mostra como nossas intuições coletivas sobre direitos autorais, dados de treinamento e autoria estão muito distantes do que a lei de fato diz. Passei anos treinando modelos e colocando em produção código escrito com eles, então deixe-me pegar as cinco crenças que vejo repetidas com mais confiança e testar cada uma contra o que realmente sabemos.

Mito 1: “Código gerado por IA é domínio público, ponto final”

Este é o mito com mais base jurídica por trás, e ainda assim é só meia verdade. O Escritório de Direitos Autorais dos EUA tem sido consistente: o direito autoral protege a autoria humana, e material puramente gerado por máquina não pode ser registrado. Essa posição se apoia no caso da selfie do macaco (Naruto v. Slater), em que o Nono Circuito decidiu que um macaco não podia ser dono da foto que tirou, e se manteve diante de um desafio direto em Thaler v. Perlmutter, em que os tribunais recusaram registrar uma obra de arte que indicava uma IA como única autora. Até aqui, tudo bem claro.

Mas quase ninguém coloca em produção software puramente gerado por IA. A própria orientação do Escritório de Direitos Autorais traça a linha que importa na prática: usar IA como ferramenta auxiliar não anula o direito autoral sobre a obra como um todo, e a seleção, a organização e a modificação feitas por um humano sobre a saída da IA podem, por si só, ser uma expressão protegível. Sua aplicação de 50.000 linhas em que um agente escreveu a maior parte das funções, mas um humano arquitetou o sistema, escolheu os limites, revisou e editou a saída? Essa base de código é quase certamente protegida por direito autoral como um todo, mesmo que qualquer função gerada isoladamente talvez não seja. A afirmação de que “tudo é domínio público” desmorona no momento em que um humano faz mais do que colar um prompt e commitar o resultado.

E os EUA não são o mundo. O Copyright, Designs and Patents Act do Reino Unido concede explicitamente proteção a obras geradas por computador — atribuindo a autoria à pessoa que fez os arranjos necessários para a criação — por cinquenta anos. Algumas outras jurisdições têm dispositivos semelhantes. Logo, o mesmo arquivo pode ser não protegível em São Francisco e protegido por direito autoral em Londres. “Domínio público, ponto final” não é uma posição jurídica; é um slogan que por acaso aponta, mais ou menos, para a doutrina de um país em um caso específico e restrito.

Mito 2: “Treinado com open source significa que a saída herda a licença”

Este é o motor moral do argumento de “transformar tudo em open source”: os modelos ingeriram décadas de trabalho sob GPL, MIT e Creative Commons — as respostas do Stack Overflow têm CC BY-SA, que exige legalmente atribuição e compartilhamento pela mesma licença — então transformar isso em código proprietário é uma forma de “lavagem de licença”. Tenho muita simpatia por isso. Meu próprio código AGPL está nesses conjuntos de treinamento. Mas, como afirmação jurídica, ela já foi testada e em grande parte perdeu.

No caso Doe v. GitHub, a ação coletiva contra o Copilot, o tribunal derrubou a teoria central de que as saídas dos modelos carregam automaticamente as obrigações dos dados de treinamento. As alegações de informação de gerenciamento de direitos autorais do DMCA foram em grande parte rejeitadas, e as alegações de licença open source fracassaram principalmente por falta de legitimidade — os autores não conseguiram demonstrar que seu código era reproduzido nas saídas. O raciocínio do juiz importa para o seu modelo de risco: uma licença se aplica a uma cópia. Se o modelo nunca emite o seu código, não há cópia, nem derivação, e nada para a licença se aplicar. Influência estatística não é cópia, assim como um programador que aprendeu lendo o código-fonte do Linux não deve ao kernel uma licença sobre tudo o que escreve depois.

Aqui está a parte que as pessoas pulam: a exceção é real, e é a que deveria tirar seu sono. Quando um modelo de fato reproduz dados de treinamento quase literalmente — e modelos anteriores faziam isso com arquivos open source reconhecíveis, às vezes removendo os cabeçalhos de copyright — você pode muito bem acabar enviando um derivado do código GPL ou AGPL de alguém sem saber. Um comentarista da discussão, autor de sistemas AGPL amplamente usados, descreveu exatamente isso: uma empresa removeu seus avisos, foi pega e depois pediu a um LLM que “clonasse” seu sistema — com mais bugs, mas inconfundivelmente com o design dele. Se esse clone é uma obra derivada ainda é genuinamente uma questão em aberto, e é o tipo de pergunta que se responde caro, em tribunal, caso a caso. A regra geral de que “a saída herda as licenças do treinamento” é falsa. A regra restrita de que “reprodução quase literal é um risco jurídico real” é verdadeira. Equipes inteligentes se preparam para a segunda.

Tsurus de origami sendo despejados em um funil de vidro, saindo como uma única forma cinza ambígua.
Milhões de obras licenciadas entram; o que sai não corresponde a nenhuma delas — até que, raramente, corresponda.

Mito 3: “Eu escrevi o prompt, então sou dono do código”

Vire o primeiro mito do avesso e você obtém este, sustentado com a mesma confiança por pessoas do outro lado do debate. O Escritório de Direitos Autorais tratou disso diretamente em seu relatório sobre elegibilidade para proteção: prompts, por si sós, geralmente não oferecem controle humano suficiente sobre os elementos expressivos da saída para tornar quem o escreveu um autor. O prompt é uma instrução; o modelo faz as escolhas expressivas. Os tribunais vêm aplicando a mesma lógica à geração de imagens há algum tempo, e código não é diferente nesse aspecto.

É aí que fica genuinamente interessante: no trabalho iterativo e agêntico. Vários profissionais na discussão descreveram ciclos em que o agente escreve código por vinte minutos contra horas ou dias de testes humanos, feedback do mundo real, redesenho e reformulação de prompts. Esse padrão importa juridicamente, porque a teoria mais forte de direito autoral para trabalho assistido por IA não é a autoria de linhas individuais — é a contribuição criativa humana para a obra como um todo: seleção, coordenação, organização e modificação. Um sistema moldado por centenas de ciclos de revisão dirigidos se parece muito mais com uma compilação de autoria humana do que com a selfie do macaco. Mas repare no que isso implica: sua reivindicação de propriedade depende do processo, e um processo que você não consegue documentar é um processo que você não consegue afirmar. Se sua empresa algum dia precisar fazer valer o direito autoral sobre essa base de código — contra um ex-funcionário, a equipe de diligência de um comprador, um concorrente — “confie em mim, um humano estava envolvido” não é evidência. É por isso que a seção pragmática abaixo existe.

Mais uma nuance que raramente aparece: contratos de trabalho e de prestação de serviços já fazem a maior parte do trabalho real aqui. A doutrina de obra por encomenda (work-for-hire) atribui o direito autoral — seja qual for o direito autoral que exista — ao empregador. Assim, a questão prática de propriedade dentro de uma empresa geralmente é resolvida por contrato, independentemente da metafísica da autoria. A pergunta incômoda é o que o contrato de fato reivindica se partes da entrega se revelarem não pertencentes a ninguém.

Mito 4: “Obrigar o código de IA a ser open source resolveria o problema de justiça”

Leve a proposta a sério por um momento e ela se desfaz ao encontrar a realidade, por três motivos independentes. Primeiro, ela é autodestrutiva como mecanismo jurídico: licenças open source são licenças de direito autoral. Elas existem para permitir que um titular de direitos conceda permissões sobre algo que possui. Se o código gerado por IA não é protegível, não há nada para licenciar — MIT, GPL, tudo isso fica sem efeito por falta de objeto. A única versão coerente da proposta é uma dedicação ao domínio público, como a CC0, e uma dedicação que você não consegue fazer valer não é um mandato, é um desejo.

Segundo, o escopo é inviável. Abrir o código não é um estado, é um ato — alguém precisa remover segredos, tirar a lógica de negócio, escrever um README, escolher um repositório. A esmagadora maioria do código do mundo é proprietária, vergonhosamente específica ao processo interno de uma empresa e agora, em grande parte, assistida por IA. O que exatamente significaria publicar tudo isso involuntariamente? Quem paga pela etapa de sanitização que impede que os dados dos seus clientes vazem na publicação? Ninguém que propõe isso tem uma resposta, porque não existe uma. Já tratamos de um modo de falha relacionado em aplicações geradas por IA publicadas sem row-level security — as ferramentas produzem com alegria código que vaza dados quando funciona; agora imagine tornar obrigatória a publicação desse código.

Terceiro, nem sequer alcançaria o objetivo declarado. A queixa é que os fornecedores de modelos capturaram o bem comum. Obrigar os usuários dos modelos a publicar sua saída não faz os fornecedores devolverem nada — apenas retira a proteção da parte da cadeia com menos poder. Se você acredita que o acordo sobre dados de treinamento foi injusto, o remédio dirigido às pessoas que escreveram o código raspado é um remédio apontado para o alvo errado. A versão mais forte do argumento com que realmente concordo é a moral, não a jurídica: quem se beneficia enormemente de uma ferramenta treinada com o bem comum tem a obrigação de devolver valor a ele. Publique bibliotecas. Financie mantenedores. Envie suas correções para o upstream. Mas isso é uma ética a adotar, não uma lei que sobreviveria ao primeiro contato com o legislativo.

Mito 5: “Nosso scanner de licenças já resolve isso”

Quem dera. As ferramentas de conformidade de licenças — as FOSSA e Black Duck do mundo — são construídas sobre uma premissa de proveniência que a IA quebra silenciosamente. Essas ferramentas respondem à pergunta “o que você incluiu?” comparando suas dependências e arquivos vendorizados com pacotes conhecidos. Elas funcionam porque o código escrito por humanos chega por canais com metadados: registros de pacotes, arquivos copiados e colados que mantêm seus cabeçalhos, diretórios vendorizados com os textos de LICENSE intactos. O código gerado por IA chega por um canal sem metadado algum. Um modelo pode emitir trinta linhas que são uma quase paráfrase de uma função utilitária AGPL, sem cabeçalho, sem atribuição e sem pacote para comparar, e seu scanner vê código original. O risco não está na sua árvore de dependências; está nos seus arquivos-fonte, onde as ferramentas quase não olham.

É o mesmo ponto cego que já encontramos em outros lugares: assim como o incidente de supply chain do LiteLLM, a falha não estava no código que as pessoas revisaram, mas em um canal em que confiavam implicitamente. A correção nos dois casos é parar de confiar no canal e começar a registrar o que passa por ele. Isso é rastreamento de proveniência, e é algo que sua equipe deveria estar fazendo neste trimestre, independentemente de como qualquer tribunal decida — porque todo futuro jurídico plausível (código de IA é não protegível, código de IA é protegível se dirigido por humanos, reprodução literal é infração) recompensa a equipe que consegue mostrar seu trabalho e pune a que não consegue.

Um trabalhador marcando tábuas de madeira que chegam por uma calha identificada e por uma calha sem identificação.
Proveniência é um hábito: marque tudo na entrada, especialmente o que chega pela calha sem identificação.

O que fazer de fato: um guia prático de proveniência e higiene

Nada disso exige nova lei ou novos fornecedores. São quatro hábitos, todos baratos, todos defensáveis em qualquer um dos futuros jurídicos em jogo.

  1. Marque a assistência de IA nos metadados dos commits. Os trailers do Git foram feitos para isso. Um trailer Assisted-By: não custa nada e cria um registro auditável de quais trechos tiveram envolvimento de máquina — útil para diligência, para revisão de licenças e para demonstrar o processo criativo humano que sustenta sua reivindicação de direito autoral.
  2. Mantenha o ciclo humano visível. Descrições de PR que dizem “gerado por agente, eu reescrevi a lógica de retry e as condições de contorno” são evidência jurídica disfarçada de boa higiene. A etapa de revisão também é onde você pega o problema da reprodução literal antes que ele chegue à produção — fizemos um argumento parecido em verificações de compreensão de código de IA versus testes: o humano precisa realmente se engajar com a saída, não carimbá-la sem olhar.
  3. Escaneie código, não apenas dependências. Ferramentas que fazem correspondência em nível de trechos contra corpora open source (diferente do escaneamento de dependências SCA) vão pegar os casos quase literais que criam exposição real a copyleft. Execute-as em commits com muita IA e ajuste os filtros de duplicação embutidos nas suas ferramentas de IA — a opção “bloquear sugestões que correspondam a código público” do Copilot — para o lado estrito.
  4. Trate o copyleft como a fronteira. Licenças permissivas (MIT, BSD, Apache) representam risco mínimo mesmo no pior cenário de reprodução literal. GPL e especialmente AGPL são onde um derivado acidental fica caro. Se o seu escaneamento encontrar uma correspondência com código copyleft, reescreva a partir da especificação, não a partir do trecho.

A convenção de trailers de commit é a peça de maior alavancagem e leva cinco minutos para configurar. Um hook prepare-commit-msg pode solicitá-lo, e o CI pode exigir que o trailer exista quando um PR for marcado como assistido por IA:

#!/bin/bash
# scripts/check-provenance.sh — run in CI on pull requests
# Fails if a PR labeled "ai-assisted" has commits without an Assisted-By trailer.
set -euo pipefail
BASE="${1:-origin/main}"
missing=$(git log --format='%H %(trailers:key=Assisted-By,valueonly)' "${BASE}..HEAD" \
| awk '{ if ($2 == "") print $1 }')
if [ -n "$missing" ]; then
echo "These commits lack an 'Assisted-By:' trailer:" >&2
echo "$missing" >&2
echo "Add e.g.:  git commit --trailer 'Assisted-By: claude-code (reviewed)'" >&2
exit 1
fi
echo "Provenance trailers present on all commits."

O trailer deve registrar a ferramenta e, crucialmente, que um humano revisou a saída — Assisted-By: copilot (reviewed) conta para um futuro auditor uma história muito diferente de Assisted-By: copilot sozinho. Combine isso com uma seção curta no seu manual de engenharia definindo o que conta como contribuição humana significativa na sua equipe: decisões de arquitetura, design de testes, edições não triviais. Você não está fazendo isso porque um tribunal exigiu. Está fazendo porque, qualquer que seja o rumo da lei, “nós rastreamos” vence “não temos a menor ideia”.

O veredito

A lei não precisa resolver se o código de IA é passível de propriedade antes de você agir: todo desfecho plausível recompensa a equipe que documentou seu processo e pune a que não o fez.

Então, testado contra as evidências: código gerado por IA não é domínio público de forma geral, porque a autoria humana sobre a obra como um todo ainda conta e as jurisdições divergem. Treinar com open source não torna as saídas open source — os tribunais em grande parte rejeitaram essa teoria —, mas a reprodução literal é um risco genuíno e subestimado. Fazer prompts não faz de você um autor, embora a direção humana sustentada e documentada provavelmente faça. Um regime de open source obrigatório é incoerente como lei e inútil como política. E seu scanner de licenças é cego ao canal exato que hoje produz a maior parte do seu código. O debate sobre se o código de IA deveria ser livre é uma boa conversa para ter tomando uma cerveja. A resposta de engenharia não espera por ele: rastreie a proveniência, mantenha humanos visivelmente no ciclo, escaneie em nível de trechos e trate o copyleft como o fio de tropeço. Isso é verdade hoje, e continua verdade independentemente de como os tribunais decidirem no fim.