IA generativa e direitos autorais: A remuneração em perspectiva (2/2)

Dando seguimento à análise dos diferentes mecanismos de remuneração que vêm sendo discutidos na literatura e em medidas legislativas para lidar com o risco de substituição de criadores humanos, bem como o uso de suas obras para o treinamento de sistemas de IA generativa de finalidade comercial e outras justificativas, serão abordados aqui os mecanismos de remuneração baseados no output.¹

Como sugere a própria nomenclatura, os mecanismos baseados no output estão frequentemente associados e são justificados com base na disponibilização de determinados sistemas de IA generativa no mercado. Isso pode ocorrer por diferentes razões: seja porque o sistema foi treinado com informações publicamente disponíveis,² ou porque o sistema possibilita a criação de produtos que podem vir a concorrer com criações humanas.³

De maneira semelhante ao primeiro texto,⁴ apresentaremos alguns exemplos de mecanismos baseados no output e suas limitações. Ao final do texto, traremos comentários acerca do mecanismo mais adequado para lidar com (algumas) das tantas perguntas que orbitam a interseção entre IA generativa e direitos autorais considerando, inclusive, o atual texto do PL 2.338/23 (PL da IA), em sua versão mais recente - aquela aprovada no Senado Federal em dezembro de 2024.

Os mecanismos de remuneração baseados no output

Ao invés de se concentrarem em licenças, a remuneração em tais modelos é comumente baseada na cobrança de impostos (tax-based) de grandes empresas de IA generativa ou taxas/encargos (levies) sobre os valores cobrados pelas subscrições pagas, por exemplo. Nesses casos, é comum que seja proposta a criação e administração de um fundo específico, cuja destinação dos valores pode variar conforme a proposta.

O sistema de levies é comum em regiões como a União Europeia, possui fundamento legal no art. 5(2)(b) da Diretiva 2001/29 e,⁵ na prática - e para aqueles propósitos -, funciona como uma espécie de taxa ou encargo, que podem ser aplicados em mídias e dispositivos utilizados para a reprodução de obras protegidas por direitos autorais, como CDs "em branco", MP3 players, discos rígidos e impressoras.⁶ Os responsáveis pelo pagamento podem ser produtores, distribuidores, importadores e até mesmo consumidores, apesar de observado que, em determinados mercados, como aquele das impressoras, os custos com levies eram absorvidos pelas empresas.⁷ Os beneficiários também variam: podem incluir titulares de diferentes tipos de materiais protegidos ou até mesmo investimentos em finalidades socioculturais.⁸ O seu cálculo e estruturas regulatórias também podem variar de acordo com o país e material.⁹

Mecanismos de remuneração baseados nos levies também são propostos para lidar com as novas dinâmicas da era da IA generativa, como visto em Senftleben (2023, 1549-1556). De acordo com o autor, os pagamentos deveriam ser feitos por empresas proprietárias de sistemas de IA generativa que têm o potencial de substituir criações e criadores humanos. Os valores seriam direcionados para sociedades de arrecadação (collecting societies), por exemplo, que os investiriam em iniciativas sociais e culturais capazes de contribuir para as condições de trabalho, e de vida, dos trabalhadores intelectuais. O pagamento poderia ser realizado de uma só vez (lump sum), com base em suas receitas (por exemplo, aquelas obtidas com a contratação de planos premium/pro), ou até mesmo por meio de contribuições contínuas com base em seu faturamento anual.¹⁰

Considerando (i) o aumento dos custos de manutenção necessários para manter plataformas colaborativas, como a Wikipédia, e repositórios institucionais estáveis e operantes, ¹¹ em razão do expressivo crescimento de acessos por bots cuja função é raspar os dados ali contidos para posterior utilização no treinamento de sistemas de IA, e (ii) a consequente diminuição de acessos, viabilidade e, portanto, de sustentabilidade econômica desses websites, ¹² à medida que a IA tem assumido cada vez mais o papel de intermediária da informação - seja por meio de grandes modelos de linguagem (LLMs) utilizados como buscadores de conteúdo,¹³ seja por resumos gerados por sistemas de IA incorporados aos próprios buscadores -,¹⁴ Keller (2025) propõe um modelo de remuneração cujo ponto de partida é a disponibilização no mercado de serviços de IA treinados com informações publicamente acessíveis. ¹⁵

Esse modelo poderia ser baseado na cobrança de impostos sobre as receitas de um determinado desenvolvedor (tax-based) ou no número de usuários e de subscrições pagas de um determinado serviço (levies).¹⁶ No que diz respeito aos beneficiários, o autor propõe que os valores sejam distribuídos entre quatro grandes classes de destinatários: (i) criadores e titulares de direitos, que poderiam receber os valores por meio do sistema de gestão coletiva; (ii) organizações públicas que produzem conteúdo jornalístico e outros tipos de informação; (iii) modelos e serviços públicos de IA e (iv) instituições culturais, projetos de digitalização, provedores de informações em acesso aberto "e outras entidades envolvidas na preservação e disseminação de conhecimento e cultura".¹⁷

Limites e aprendizados sobre os mecanismos baseados no output

Uma primeira crítica aos mecanismos baseados no output refere-se a uma de suas justificativas centrais. Lucchi (2025, p. 83) propõe que, ao tomar a inserção de um sistema de IA generativa no mercado como justificativa para o treinamento, isso poderia resultar em um cenário em que os proprietários desses sistemas optassem por oferecê-los em jurisdições que não adotem tal mecanismo. Por outro lado, Senftleben (2023, pp. 1554-1556) sustenta que, ao optar por um mecanismo de remuneração aplicável à todas empresas, independentemente do local em que o treinamento ocorra, haveria a vantagem de não impactar o desenvolvimento de sistemas nacionais ou regionais.

Outra crítica diz respeito ao envolvimento de sociedades de gestão coletiva - e que, com as devidas ressalvas, também se aplicaria a mecanismos de remuneração baseados no input. Além da importância da transparência na arrecadação e distribuição de valores por parte dessas organizações, Lucchi (2025, p. 83) destaca que pagamentos em lump sum podem impor a tais organizações desafios adicionais relacionados a auditorias, métodos de distribuição, entre outros. Já Jacques e Flynn (2024, p. 1143) também apontam que, nesses casos, há o risco de que apenas os autores cadastrados nessas organizações sejam efetivamente beneficiados.

Por fim, e ainda que esse risco tenha sido relativizado em estudos empíricos que afirmam não haver impacto substancial nos preços dos dispositivos decorrente da criação de levies,¹⁸ uma potencial consequência associada à adoção desse mecanismo seria o repasse desses custos pelas empresas de IA generativa ao consumidor final, por meio do aumento dos preços - o que poderia, inclusive, reduzir o apelo desses serviços e ferramentas. ¹⁹

É importante destacar que, ainda que isso não constitua necessariamente uma limitação, determinados modelos, como o proposto por Keller (2025), podem mostrar-se incompatíveis com certas práticas. Por exemplo, sob o modelo de Keller (2025), o licenciamento seria possível, mas restrito a conteúdos de acesso limitado. O autor também destaca que, em indústrias com modelos de remuneração específicos e já consolidados - como a indústria musical -, esse modelo poderia não se mostrar o mais adequado.²⁰

O mecanismo ideal e o PL 2.338/23

É importante começar destacando que identificar um único mecanismo de remuneração é uma tarefa extremamente complexa - senão impossível -, e isso antecede a própria discussão sobre a IA generativa, uma vez que o direito autoral é repleto de dinâmicas próprias de determinados setores.²¹ Soma-se a isso o fato de que nenhum mecanismo, ou categoria de mecanismos tratada neste texto e no anterior, oferece de forma integral uma solução ideal para os diversos beneficiários envolvidos na produção de conteúdo criativo utilizado no treinamento de sistemas de IA generativa: autores, artistas, titulares, plataformas colaborativas, repositórios institucionais, entre outros. Parte do problema pode residir no fato de que a resposta para esta e outras perguntas não esteja nos mecanismos tradicionais dos direitos autorais²² ou que seja o resultado de uma combinação destes com ferramentas tecnológicas que vem sendo propostas para auxiliar na remuneração e transparência, por exemplo.²³

Modelos baseados em licenças, como aqueles impulsionados pelo formato atualmente adotado no art. 65 do PL da IA aprovado pelo Senado, tendem a favorecer a negociação entre grandes titulares de direitos - como proprietários de bancos de dados - e grandes agentes de IA, comumente sediados no exterior, ²⁴ potencialmente excluindo autores e artistas independentes ou com menor visibilidade. ²⁵ Além disso, seriam incapazes de remunerar adequadamente não apenas esses autores e artistas, mas também outros agentes importantes do "ecossistema da informação", como plataformas colaborativas e repositórios institucionais.

Parece-nos, então, que os mecanismos baseados em output possuem maior potencial para viabilizar a remuneração dos diferentes agentes essenciais na produção de conteúdo criativo e de dados de acesso aberto, que contribuem para o enriquecimento do commons.

Mas e quanto à inovação, às startups e ao desenvolvimento da indústria de IA no Brasil? A obrigação de remuneração não pode constituir um obstáculo? A posição aqui adotada é a de que a proteção de autores e titulares e a promoção da pesquisa e da inovação não devem ser tratadas como elementos excludentes no processo regulatório.

Para além da necessária manutenção da limitação aos direitos autorais para fins de mineração de textos e dados (art. 63), é fundamental que obrigações como aquelas conectadas com a remuneração e a transparência sejam flexibilizadas ou até mesmo dispensadas, de acordo com a finalidade, o porte do modelo ou o tamanho da empresa. Essas obrigações devem ter como foco principal as grandes empresas de IA generativa com finalidade comercial e podem ser dispensadas conforme a finalidade, como é o caso da pesquisa e educação, e demais casos previstos no art. 63. Além disso, devem ser flexibilizadas considerando o porte do modelo ou o tamanho da empresa (como no caso de startups, microempresas e empresas de pequeno porte), como ocorre em múltiplas situações no PL da IA.²⁶

Esses seriam alguns dos primeiros passos na construção de um texto equilibrado, capaz de enfrentar os legítimos receios de autores e titulares, assegurar a manutenção do commons, e promover o desenvolvimento científico e tecnológico.

_____________________________________________

1 Agradeço a Miguel Alvarenga pela leitura atenta, revisão e pelos valiosos comentários ao texto. Eventuais erros ou imprecisões são de minha exclusiva responsabilidade. Esta série de textos está conectada com a pesquisa realizada para a elaboração de um capítulo para a obra coletiva "Propriedade Intelectual e Tecnologias Contemporâneas", a ser lançada em breve. Agradeço aos Drs. Wilson Furtado Roberto, Luiz Gonzaga Silva Adolfo e Paulo Dias de Moura Ribeiro, e à Dra. Maria Eduarda Trindade dos Reis, pelo gentil convite.

2 Keller (2025).

3 Ver, por exemplo, Senftleben (2023).

4 Disponível em: https://www.migalhas.com.br/depeso/442092/ia-generativa-e-direitos-autorais-remuneracao-em-perspectiva-parte-1

5 O fundamento legal encontra-se no art. 5(2)(b) da Diretiva 2001/29, que prevê a possibilidade de usos privados mediante "remuneração justa" aos titulares de direitos (União Europeia, 2001). Os levies são a forma por meio da qual parte substancial dos países da UE atende a esse requisito da "remuneração justa" (Kretschmer, 2011), sendo justificados pelos eventuais prejuízos que titulares poderiam sofrer por conta da exceção de cópia privada existente naquela jurisdição (União Europeia, 2001, considerandos 35 e 38).

6 Geiger e Iaia (2023, p.13).

7 Kretschmer (2011, pp.8-10).

8 Kretschmer (2011, p.10).

9 Kretschmer (2011, p.10).

10 Senftleben (2023).

11 Hardinges, Pearson e Ross (2025), Keller (2025).

12 Keller (2025).

13 Wong, Melnizek (2025).

14 Chapekis e Lieb (2025).

15 Keller (2025, p.1, p.11).

16 Keller (2025, p.11).

17 Tradução nossa. Texto original em Keller (2025, p. 11): "open access information providers, digitization projects, cultural heritage institutions, and other entities involved in the preservation and dissemination of knowledge and culture."

18 Jaques e Flynn (2024).

19 Senftleben (2023, p. 1550).

20 Keller (2025, p. 13).

21 Guadamuz (2025).

22 Craig (2024) e Guadamuz (2025).

23 Lucchi (2025, p. 84): "Together, all these proposals underscore the need for a hybrid regulatory vision-one that combines the legal structure of collective rights management with the adaptive potential of data-driven allocation models. Any future policy must therefore blend elements of both approaches-perhaps through enhanced transparency requirements, targeted voluntary licensing pilots, and a light-touch collective framework-to ensure that Europe's copyright system evolves in tandem with its ambitions for responsible, innovation-friendly AI."

24 Ver, por exemplo, IBDAutoral (2024), Senftleben (2024).

25 Lucchi (2025).

26 Ver, por exemplo, arts. 1, 7, 67 e 73.

ALVARENGA, Miguel Bastos. O debate regulatório sobre mineração de textos e dados e direito autoral na pesquisa brasileira. 2025. Tese (Doutorado em Políticas Públicas, Estratégias e Desenvolvimento) - Instituto de Economia, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2025

BRASIL. Lei nº 9.610 , de 19 de Fevereiro de 1998. Altera, atualiza e consolida a legislação sobre direitos autorais e dá outras providências. Brasília, DF.

BRASIL. Senado Federal. Projeto de Lei n. 2338/2023. Dispõe sobre o uso da Inteligência Artificial. Versão aprovada no Senado e publicada revisada em 19 dez. 2024. Disponível em: https://legis.senado.leg.br/sdleg-getter/documento?dm=9881643&ts=1742240906322&disposition=inline.

CHAPEKIS, Athena; LIEB, Anna. Google users are less likely to click on links when an AI summary appears in the results. Pew Research Center, 22 jul. 2025. Disponível em: https://www.pewresearch.org/short-reads/2025/07/22/google-users-are-less-likely-to-click-on-links-when-an-ai-summary-appears-in-the-results/.

CRAIG, Carys J. The AI-Copyright Trap. 15 jul. 2024. Disponível em: https://ssrn.com/abstract=4905118.

ESPANHA. Proyecto de Real Decreto por el que se regula la concesión de licencias colectivas ampliadas para la explotación masiva de obras y prestaciones protegidas por derechos de propiedad intelectual para el desarrollo de modelos de inteligencia artificial de uso general. 2024. Disponível em: https://communia-association.org/wp-content/uploads/2024/12/proyecto-rd-licencias-colectivas.pdf.

GEIGER, Christophe; IAIA, Vincenzo. The forgotten creator: towards a statutory remuneration right for machine learning of generative AI. Computer Law & Security Review, v. 52, p. 1-9, 2024. Disponível em: https://ssrn.com/abstract=4594873

GUADAMUZ, Andres. How AI is breaking traditional remuneration models. Technollama, 9 jul. 2025. Disponível em: https://www.technollama.co.uk/how-ai-is-breaking-traditional-remuneration-models.

HARDINGES, Jack; PEARSON, Sarah; ROSS, Rebecca. From Human Content to Machine Data: Using Collective Action to Develop a New Social Contract. 2025. Licença CC BY 4.0. Disponível em: https://creativecommons.org/wp-content/uploads/2025/06/Human-Content-to-Machine-Data_Final.pdf.

INSTITUTO BRASILEIRO DE DIREITOS AUTORAIS (IBDAUTORAL); SOUZA, Allan Rocha de; SCHIRRU, Luca; LANA, Alice de Perdigão; RAMOS, Leon Queiroz. Inteligência Artificial e Direitos Autorais: Contribuições ao Debate Regulatório no Brasil. 2024. Disponível em: https://ibdautoral.org.br/novo/wp-content/uploads/2025/06/IA-E-DIREITOS-AUTORAIS_v2.pdf.

JACQUES, Sabine; FLYNN, Mathew. Protecting Human Creativity in AI-Generated Music with the Introduction of an AI-Royalty Fund. GRUR International, v. 73, n. 12, p. 1137-1149, dez. 2024. DOI: https://doi.org/10.1093/grurint/ikae134.

KELLER, Paul. Beyond AI & Copyright: Funding a Sustainable Information Ecosystem. Open Future, jun. 2025. Disponível em: https://openfuture.eu/wp-content/uploads/2025/06/250630_Beyond-AI-and-copyright-funding-a-sustainable-information-ecosystem.pdf.

KRETSCHMER, Martin. Private Copying and Fair Compensation: An Empirical Study of Copyright Levies in Europe. Intellectual Property Office Research Paper No. 2011/9, 19 out. 2011. Disponível em: https://ssrn.com/abstract=2710611.

KRETSCHMER, Martin; MARGONI, Thomas; ORUÇ, Pinar. Copyright law and the lifecycle of machine learning models. IIC - International Review of Intellectual Property and Competition Law, v. 55, p. 110-138, 2024. DOI: https://doi.org/10.1007/s40319-023-01419-3.

LUCCHI, Nicola. Generative AI and Copyright: Training, Creation, Regulation. Policy Department for Justice, Civil Liberties and Institutional Affairs Directorate-General for Citizens' Rights, Justice and Institutional Affairs, PE 774.095, jul. 2025. Disponível em: https://www.europarl.europa.eu/RegData/etudes/STUD/2025/774095/IUST_STU(2025)774095_EN.pdf.

MUELLER, Birgit; DANIS, Chris; LAVAGETTO, Giuseppe. How crawlers impact the operations of the Wikimedia projects. Diff, 1 abr. 2025. Disponível em: https://diff.wikimedia.org/2025/04/01/how-crawlers-impact-the-operations-of-the-wikimedia-projects/.

NOBRE, Teresa. A first look at the Spanish proposal to introduce ECL for AI training. Kluwer Copyright Blog, 11 dez. 2024. Disponível em: https://copyrightblog.kluw­eriplaw.com/2024/12/11/a-first-look-at-the-spanish-proposal-to-introduce-ecl-for-ai-training/.

SENFTLEBEN, Martin. AI Act and Author Remuneration - A Model for Other Regions? 24 fev. 2024. Disponível em: https://ssrn.com/abstract=4740268.

SENFTLEBEN, Martin. Generative AI and author remuneration. IIC - International Review of Intellectual Property and Competition Law, v. 54, p. 1535-1560, 2023. DOI: https://doi.org/10.1007/s40319-023-01399-4.

THOMAS, Amy; KRETSCHMER, Martin. The AI licensing economy. Create, 24 fev. 2025. Disponível em: https://www.create.ac.uk/blog/2025/02/24/the-ai-licensing-economy/.

UNITED STATES. Copyright Office. Copyright and Artificial Intelligence: Part 3 - Generative AI Training. Pre-Publication Version. 2024. Disponível em: https://www.copyright.gov/ai/Copyright-and-Artificial-Intelligence-Part-3-Generative-AI-Training-Report-Pre-Publication-Version.pdf.

UNITED STATES. District Court (California). Kadrey v. Meta Platforms, Inc., 3:23-cv-03417. Disponível em: https://www.courtlistener.com/docket/67569326/kadrey-v-meta-platforms-inc/?filed_after=&filed_before=&entry_gte=&entry_lte=&order_by=desc.

WONG, Edwin; MELNIZEK, Andrew. The future of the internet is likely smaller communities, with a focus on curated experiences. The Verge, 25 fev. 2025. Disponível em: https://www.theverge.com/press-room/617654/internet-community-future-research.