Lembro-me com certeza - mas foi a IA que me contou: Falsas memórias na prova testemunhal

Introdução

Era uma manhã de quinta-feira. Márcia J. aguardava atendimento em uma agência bancária quando um homem encapuzado saltou o balcão, anunciou o assalto e fugiu em segundos. Meses depois, antes de ser ouvida em juízo, ela recorreu a um assistente virtual de inteligência artificial para "organizar" o que lembrava - descreveu a cena e conversou longamente com o sistema, que, solícito, reformulou seus relatos e devolveu perguntas de acompanhamento. Em uma delas, o assistente indagou sobre "a arma que o segundo assaltante empunhava". Não havia segundo assaltante, tampouco arma visível; entretanto, na audiência de instrução Márcia J. narrou com firmeza a atuação de dois homens e a arma exibida por um deles. Não hesitou. Respondeu com a segurança de quem viu.¹

O magistrado valorou o depoimento como coerente, detalhado e espontâneo. O que ele não sabia - e Márcia J. tampouco - é que parte relevante do que ela "recordava" nunca ocorreu: fora introduzida, de modo sutil, pela própria interação com a máquina. O fenômeno da contaminação da memória por informação pós-evento é antigo na ciência; novo é o agente. A inteligência artificial generativa - em especial os chatbots conversacionais e a mídia sintética - apresenta-se como vetor autônomo e particularmente potente de implantação de falsas memórias, com implicações graves e ainda pouco exploradas para a prova oral e, sobretudo, para as testemunhas mais vulneráveis.

Memória reconstrutiva e o novo vetor tecnológico

A premissa cognitiva é consolidada: a memória não é um arquivo fiel, mas um processo reconstrutivo, suscetível a distorções introduzidas após o evento. O paradigma fundante é o efeito de desinformação (misinformation effect), demonstrado por Loftus e Palmer (1974) e sistematizado ao longo de meio século de pesquisa (LOFTUS et al., 2025): informação enganosa apresentada depois do fato - por perguntas tendenciosas, mídia ou relatos de terceiros - incorpora-se à lembrança e passa a ser reportada como recordação genuína (fenômeno conhecido como criptomnésia, que já tive a oportunidade de abordar nessa coluna: ALBERTO, 2026a). O mecanismo subjacente é a falha do monitoramento de fonte (JOHNSON; HASHTROUDI; LINDSAY, 1993): a atribuição de origem a um conteúdo mnemônico é inferência ativa, e, quando os atributos do traço são ambíguos, o sujeito confunde o que percebeu com o que lhe foi sugerido. Segundo o modelo de monitoramento da realidade (JOHNSON; RAYE, 1981), memórias de origem externa tendem a ser mais ricas em detalhes sensoriais; a contaminação eficaz é justamente aquela que veste o conteúdo sugerido com esse perfil de vivacidade.

Se o vetor clássico era a desinformação verbal estática, a IA generativa introduz um vetor qualitativamente distinto, por quatro razões. É interativa - dialoga e adapta-se às respostas do depoente. É personalizada - ajusta o conteúdo enganoso ao relato individual. Reveste-se de autoridade - a fluência e a aparência de neutralidade da máquina reduzem a vigilância crítica do usuário. E é escalável - pode mediar milhões de relatos em plataformas de denúncia, ouvidorias e triagens automatizadas. A revisão mais recente do campo destaca precisamente a interface entre tecnologia moderna e desinformação como fronteira aberta (LOFTUS et al., 2025).

Três estudos recentes documentam o fenômeno de forma direta. Chan et al. (2024), em experimento com 200 participantes que assistiram a um vídeo de crime e foram interrogados sob quatro condições (controle, questionário, chatbot pré-roteirizado e chatbot generativo baseado em LLM), constataram que o chatbot generativo induziu mais de três vezes o número de falsas memórias imediatas em relação ao controle e cerca de 1,7 vez mais que o questionário; 36,4% das respostas ao chatbot generativo foram enviesadas pela interação, e a confiança nessas falsas memórias permaneceu elevada após uma semana.

O achado subsequente é ainda mais perturbador. Em Slip Through the Chat, Pataranutaporn et al. (2025a), com 180 participantes, demonstraram que a inserção sutil de informação falsa no fluxo conversacional - sem pergunta abertamente sugestiva - já basta para elevar significativamente a formação de falsas memórias, superando o efeito de um simples resumo enganoso do material. A contaminação, portanto, não depende de perguntas capciosas identificáveis; opera no tecido da conversa aparentemente cooperativa.

A distorção não se limita ao texto. Em Synthetic Human Memories, Pataranutaporn et al. (2025b) submeteram 200 participantes a imagens e vídeos editados por IA: as mídias sintéticas aumentaram as falsas recordações, com efeito máximo quando o participante via um vídeo gerado por IA a partir de imagem editada (2,05 vezes em relação ao controle), condição que também produziu a maior confiança nas memórias falsas (1,19 vez). O dado dialoga com a crise probatória das deepfakes: não basta autenticar o arquivo - a mera exposição à mídia sintética reescreve a lembrança de quem a visualiza antes de depor.

A honestidade científica exige, porém, uma calibragem. Estudos de Murphy e Flynn (2022) e Murphy et al. (2023), com 682 e 436 participantes, mostraram que o vídeo deepfake, embora induza falsas memórias em taxas altas (média de 49% em um dos experimentos), não foi consistentemente mais potente do que descrições textuais simples do mesmo conteúdo falso. A lição é precisa: o perigo diferencial não reside no mero realismo da mídia sintética - que iguala, mas não necessariamente supera, a velha sugestão verbal -, e sim no vetor conversacional, interativo e adaptativo dos chatbots generativos, capaz de individualizar a sugestão e de sustentar a confiança do depoente ao longo do tempo. É esse traço que distingue a nova ameaça e que deve orientar a resposta jurídica.

Implicações para a valoração judicial

O sistema brasileiro submete a prova ao livre convencimento motivado (art. 155 do CPP), exigindo do magistrado justificação explícita sobre a qualidade epistêmica dos elementos. A jurisprudência recente já reconhece a fragilidade da prova oral isolada e a construtividade da memória - substrato que, ainda que formulado para o reconhecimento pessoal e o depoimento único, aplica-se com igual força à contaminação por IA. O ponto cego é duplo. Primeiro, o debate probatório sobre deepfakes tende a reduzir-se à autenticidade do arquivo e à cadeia de custódia (art. 158-A e seguintes do CPP), ignorando que a mídia sintética corrompe a memória de quem a assiste, e não apenas a integridade do documento. Segundo, a expansão de ferramentas de IA no Judiciário - objeto da resolução do CNJ 615 de 11/3/25, que estabelece diretrizes para o desenvolvimento, utilização e governança de soluções desenvolvidas com recursos de inteligência artificial no Poder Judiciário - costuma ser discutida sob a ótica da proteção de dados e do viés algorítmico da decisão, sem atenção ao risco, distinto, de que a IA contamine a formação da própria prova testemunhal.

Os vícios mnemônicos provocados pelas ferramentas de IA demandam atuação profilática e remediadora do aparelho judicial. Os falsos positivos e negativos podem ser revertidos, ou ao menos amenizados, com algumas cautelas.

Em primeiro lugar, impõe-se ao magistrado mapear a exposição prévia a IA. A inquirição deve investigar, sem constranger a testemunha, se e como ela interagiu com chatbots, assistentes generativos, triagens automatizadas ou mídia editada por IA antes de depor - dado necessário para estimar a probabilidade de contaminação. Nessa linha, deve ser preservado o primeiro relato "puro". Registrar o mais cedo possível a versão livre da testemunha, antes de qualquer mediação tecnológica, cria uma linha de base contra a qual se pode detectar acréscimos posteriores.

Ademais, os tomadores de decisão devem ser capacitados. É preciso desfazer a equação intuitiva entre confiança e acurácia (ALBERTO, 2026b) - especialmente perigosa no depoimento de idosos - e reconhecer a IA generativa como agente de contaminação, e não apenas como problema de autenticidade documental.

Finalmente, deve ser exigida corroboração independente. Um depoimento internamente coerente e proferido com alta confiança pode ser produto de contaminação por IA; a corroboração por elementos objetivos rompe a circularidade entre riqueza narrativa e certeza subjetiva.

Conclusão

A inteligência artificial generativa reabre, com potência inédita, a pergunta clássica de Loftus. A evidência experimental disponível - ainda incipiente, mas convergente - demonstra que chatbots baseados em LLM podem multiplicar falsas memórias e sustentar a confiança do depoente em recordações que jamais correspondem ao vivido, mesmo sem perguntas abertamente sugestivas. A calibragem científica é importante: o realismo da mídia sintética, isoladamente, não supera a velha sugestão verbal; o diferencial perigoso está no vetor conversacional, interativo e escalável. Uma testemunha que depõe com absoluta convicção sobre um detalhe que a máquina lhe sugeriu não é mentirosa: é vítima de uma contaminação que nunca percebeu. Incorporar esse diagnóstico à inquirição e à valoração da prova oral é exigência do devido processo e da vedação à condenação de inocentes.

_____

1. O caso é fictício, construído a partir de situações e resultados documentados na literatura empírica citada sobre efeito de desinformação e falsas memórias induzidas por inteligência artificial.

_____

ALBERTO, Tiago Gagliano Pinto. Criptomnésia e prova oral: Impactos sobre a valoração do depoimento testemunhal. Disponível em https://www.migalhas.com.br/depeso/457178/criptomnesia-e-prova-oral-impactos-sobre-a-valoracao-do-depoimento. Acesso em 19 jul. de 2026a.

ALBERTO, Tiago Gagliano Pinto. Memória e prova oral em juízo: da ciência à prática. 1. ed. Florianópolis: Emais; 2026b. 312p.

CHAN, Samantha; PATARANUTAPORN, Pat; SURI, Aditya; ZULFIKAR, Wazeer; MAES, Pattie; LOFTUS, Elizabeth F. Conversational AI powered by large language models amplifies false memories in witness interviews. arXiv:2408.04681, 2024.

JOHNSON, M. K., Hashtroudi, S., & Lindsay, D. S. (1993). Source monitoring. Psychological Bulletin, 114(1), 3–28. https://doi.org/10.1037/0033-2909.114.1.3.

JOHNSON, M. K., & Raye, C. L. (1981). Reality monitoring. Psychological Review, 88(1), 67–85. https://doi.org/10.1037/0033-295X.88.1.67.

LOFTUS, Elizabeth F.; PALMER, John C. Reconstruction of automobile destruction: an example of the interaction between language and memory. Journal of Verbal Learning and Verbal Behavior, v. 13, n. 5, p. 585-589, 1974.

LOFTUS, Elizabeth F. et al. The history of an idea: the misinformation effect. Legal and Criminological Psychology, publicado antecipadamente, 2025. DOI: 10.1111/lcrp.70020.

MURPHY G, Flynn E. Deepfake false memories. Memory. 2022 Apr;30(4):480-492. doi: 10.1080/09658211.2021.1919715. Epub 2021 Apr 28. PMID: 33910482.

MURPHY G, Ching D, Twomey J, Linehan C. Face/Off: Changing the face of movies with deepfakes. PLoS One. 2023 Jul 6;18(7):e0287503. doi: 10.1371/journal.pone.0287503. PMID: 37410765; PMCID: PMC10325052.

PATARANUTAPORN, Pat, Chayapatr Archiwaranguprok, Samantha W. T. Chan, Elizabeth Loftus, and Pattie Maes. 2025. Slip Through the Chat: Subtle Injection of False Information in LLM Chatbot Conversations Increases False Memory Formation. In Proceedings of the 30th International Conference on Intelligent User Interfaces (IUI '25). Association for Computing Machinery, New York, NY, USA, 1297–1313. https://doi.org/10.1145/3708359.3712112.

PATARANUTAPORN, Pat, Archiwaranguprok, C., Chan, S.W., Loftus, E.F., & Maes, P. (2024). Synthetic Human Memories: AI-Edited Images and Videos Can Implant False Memories and Distort Recollection. Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems.