A regulação da Inteligência Artificial (IA) é um desafio complexo, exigindo um equilíbrio delicado entre precaução e fomento à inovação. Modelos como o EU AI Act e o projeto de lei brasileiro despertam preocupações.

No modelo adotado pelo EU AI Act, bem como o caminho pelo qual parece ir nosso projeto de regulação de IA (de forma mais proeminente por meio do PL 2.338/2013), não só há uma lista que proíbe de antemão que determinados sistemas de IA sejam utilizados, como obriga que “todos” os riscos que sistemas de alto risco podem ocasionar sejam identificados, avaliados e mitigados.

Ocorre que este caminho talvez não seja o mais adequado, especialmente considerando o estado incipiente da tecnologia de IA e nossa compreensão limitada de todo o seu espectro de riscos potenciais.

À medida que os sistemas de IA se tornam cada vez mais complexos e capazes de comportamento emergente, prever todos os resultados negativos possíveis se torna uma tarefa insuperável. Esse ônus colocado sobre os desenvolvedores pode sufocar a inovação e impedir o desenvolvimento de aplicações benéficas de IA.

Considerando este cenário, e utilizando como base o excelente paper publicado pelo professor da Universidade de Toronto, Joshua Gans, precisamos escolher o caminho que queremos adotar do ponto de vista do processo de aprendizado sobre os sistemas de inteligência artificial.

De forma muito resumida, Gans propõe a existência de dois processos de aprendizado:

·         Aprender fazendo: Reguladores aprendem sobre potenciais danos através da adoção da IA no mundo real. Isso geralmente favorece a aceleração da adoção para identificar e tratar os danos rapidamente.

·         Aprender com testes em laboratório: O aprendizado ocorre em ambientes controlados, independente da adoção. Esta abordagem,  implica em adiar a adoção até que a segurança do sistema seja confirmada.

Quando as regulações exigem a avaliação prévia de riscos, ao menos para os sistemas de alto risco, há um incentivo direto para utilizarmos o processo de aprendizado ‘de laboratório’ e, consequentemente, adia-se a adoção destes sistemas.

Pensando em um país com pouco investimento em pesquisa e em tecnologia, talvez uma abordagem de “learning by doing” poderia ser mais benéfica para o Brasil, pois:

·         Acelera a inovação: Permitir a experimentação controlada e o aprendizado a partir da implantação real de sistemas de IA pode impulsionar a inovação e a descoberta de novas soluções.

·         Nos dá uma vantagem competitiva: O Brasil pode se destacar como um líder em IA ao adotar uma abordagem mais flexível e ágil, adaptando as regulamentações conforme o aprendizado prático evolui; e

·         Fomenta um ecossistema mais dinâmico: Um ambiente mais permissivo para a experimentação atrairia investimentos e talentos, impulsionando o desenvolvimento do setor de IA no país.

Vamos usar o exemplo do Japão. Em meados do ano passado, o governo japonês passou a acenar a possibilidade de mudanças significativas em sua estratégia de propriedade intelectual, visando flexibilizar as regras relacionados aos dados de treinamento e para sistemas de IA Generativa e também para os resultados gerados por esta tecnologia. Ontem, a Microsoft anunciou o investimento de 2,9 bilhões de dólares em sua infraestrutura de desenvolvimento de IA no país.

Temos uma grande oportunidade nas mãos, para tornar o Brasil em um líder em IA, adotando uma abordagem de “learning by doing” responsável e adaptável. Isso, sem deixar de equilibrar cuidadosamente a precaução com a inovação, podemos colher os frutos da IA e construir um futuro tecnológico mais inclusivo e benéfico para todos.