Dados humanos pedem mais responsabilidade, não menos

Atualizado em 22 de setembro de 2026 · 10 min de leitura

Usar dados sobre pessoas de forma responsável exige mais do que armazenar informações com segurança. É preciso definir uma finalidade legítima, coletar somente o necessário, explicar o que será feito, proteger os registros e manter espaço para contexto e revisão humana. A tecnologia pode ampliar a capacidade de organizar informações. Ela não elimina a responsabilidade de interpretar com cuidado.

Definição direta

Uso responsável de dados humanos é tratar informações sobre pessoas com finalidade clara, necessidade demonstrada, transparência compreensível, proteção adequada e revisão proporcional ao impacto. Significa reconhecer que um registro representa uma pessoa situada em um contexto, e que uma análise pode apoiar decisões sem determinar, sozinha, quem alguém é ou o que fará.

Por que dados sobre pessoas exigem cuidado especial?

Dados pessoais não são apenas linhas em uma planilha. Eles podem revelar hábitos, relações, condições, preferências, dificuldades e momentos de vulnerabilidade. Quando são combinados, também podem produzir inferências que a pessoa nunca declarou diretamente. Um conjunto de registros aparentemente inofensivos pode mudar de significado quando associado a localização, histórico de compras, comportamento digital ou informações de saúde.

A consequência é prática: uma organização que trabalha com dados humanos precisa considerar tanto o que foi informado quanto o que pode ser inferido. Também precisa avaliar quem poderá ser afetado por uma classificação, recomendação ou decisão baseada nesses registros.

A Lei Geral de Proteção de Dados Pessoais (LGPD) estabelece, entre outros, os princípios de finalidade, adequação, necessidade, livre acesso, qualidade dos dados, transparência e segurança. Esses princípios ajudam a deslocar a pergunta de “o que a tecnologia permite coletar?” para “o que é necessário para esta finalidade, neste contexto e com quais salvaguardas?”.

Mais dados significam uma análise melhor?

Não necessariamente. Mais dados podem acrescentar contexto, mas também podem aumentar exposição, dificultar a governança e introduzir informações sem relação com a finalidade original. Um cadastro de atendimento, por exemplo, pode precisar de dados de contato e do histórico da solicitação. Isso não significa que toda informação disponível sobre aquela pessoa seja necessária para resolver o caso.

Imagine uma empresa que quer entender por que clientes abandonam um serviço. Ela pode começar com informações sobre etapa de cancelamento, data, motivo declarado e canal de atendimento. Se passar a coletar dados de navegação, localização precisa ou detalhes de terceiros sem demonstrar necessidade, a análise se torna mais invasiva. Ela também fica mais difícil de explicar.

A minimização não impede o uso de dados. Ela pede uma relação clara entre cada informação coletada e a finalidade declarada. Se um campo não muda a análise nem é necessário para cumprir a finalidade, sua inclusão merece ser questionada.

Que perguntas devem ser respondidas antes da coleta?

Antes de criar um formulário, conectar uma base ou treinar um sistema, convém responder, em linguagem que outras pessoas consigam acompanhar:

Qual é a finalidade específica? “Melhorar a experiência” é amplo demais para orientar uma coleta. Uma finalidade mais verificável descreve a atividade, como responder a uma solicitação ou acompanhar a qualidade de um serviço.
Quais dados são realmente necessários? A equipe deve conseguir explicar por que cada campo existe e o que acontece quando ele não é preenchido.
Como a pessoa será informada? A comunicação precisa dizer quais informações serão usadas, para qual finalidade, quem poderá acessá-las e por quanto tempo poderão ser mantidas, respeitando os requisitos aplicáveis.
Quem terá acesso e com que responsabilidade? Acesso técnico não deve ser confundido com autorização irrestrita. Perfis, registros de acesso e procedimentos de segurança ajudam a limitar usos indevidos.
Como corrigir, excluir ou revisar um registro? Dados incompletos, inexatos ou desatualizados podem afetar análises. O processo precisa prever canais para tratar essas situações.
O que pode dar errado? A avaliação deve considerar exposição indevida, discriminação, decisões equivocadas, reidentificação, uso fora da finalidade e dificuldade de contestação.

A própria ANPD, em sua tomada de subsídios sobre inteligência artificial e revisão de decisões automatizadas, relaciona o tratamento de dados em sistemas de IA a princípios da LGPD, direitos dos titulares e boas práticas de governança. A consulta também chama atenção para questões como viés algorítmico, opacidade, dados sensíveis e impactos sobre crianças, adolescentes e idosos.

Como transformar essas perguntas em uma decisão prática?

Um caminho simples é registrar a finalidade em uma frase e revisar cada campo da coleta contra essa frase. Em seguida, descreva o fluxo: entrada dos dados, armazenamento, compartilhamento, análise, decisão e descarte. Esse mapa costuma revelar usos que não estavam claros no início.

Se um sistema classifica pedidos de atendimento por urgência, por exemplo, a equipe pode verificar quais sinais influenciam a classificação, se os dados estão atualizados, quem pode corrigir uma informação e como um pedido será revisto quando a classificação parecer inadequada. O objetivo não é impedir a automação. É tornar seu alcance visível.

Como explicar o uso de dados sem esconder a informação em um termo?

Transparência precisa ser compreensível e útil no momento em que a pessoa toma uma decisão. Um documento pode estar disponível e, ainda assim, não esclarecer o que acontecerá com os dados. Linguagem acessível não elimina a precisão. Ela organiza a precisão para que alguém consiga usá-la.

Uma comunicação responsável responde, de modo direto:

quais dados serão utilizados;
de onde eles vieram, quando isso for relevante;
qual é a finalidade do tratamento;
se haverá compartilhamento com outras pessoas, equipes ou fornecedores;
por quanto tempo os dados serão mantidos ou quais critérios definem esse prazo;
se haverá análise automatizada ou criação de perfis;
quais canais existem para tirar dúvidas, pedir acesso ou solicitar correção, conforme o caso.

A LGPD associa transparência a informações claras, precisas e facilmente acessíveis. Isso não significa revelar segredo comercial, código-fonte ou todos os detalhes técnicos de um modelo para qualquer pessoa. Significa oferecer explicações adequadas ao contexto, inclusive sobre os critérios e procedimentos que afetam os interesses do titular quando a lei assim prevê.

Uma tela que diz “usaremos seus dados para melhorar nossos serviços” deixa muitas dúvidas abertas. Uma versão mais informativa poderia dizer: “Usaremos o histórico desta solicitação e sua avaliação do atendimento para identificar falhas recorrentes no processo. A equipe de qualidade terá acesso a esses registros pelo período definido na política de retenção. Não usaremos essa avaliação para definir seu crédito.” A frase ainda pode precisar de complementos jurídicos, mas permite uma compreensão inicial mais concreta.

Uma análise automatizada pode decidir algo importante sozinha?

Uma análise automatizada pode organizar informações, encontrar padrões e apoiar uma decisão. O resultado não deve ser tratado como verdade completa sobre uma pessoa. Quanto maior o impacto da decisão, maior a necessidade de critérios claros, possibilidade de contestação e supervisão humana capaz de mudar o resultado quando houver motivo.

O artigo 20 da LGPD prevê o direito de solicitar revisão de decisões tomadas unicamente com base em tratamento automatizado de dados pessoais que afetem os interesses do titular, incluindo decisões destinadas a definir perfis pessoal, profissional, de consumo ou de crédito. O controlador deve fornecer, quando solicitado, informações claras e adequadas sobre os critérios e procedimentos utilizados, observados os segredos comercial e industrial.

A ANPD explica que esse tema envolve possíveis erros, vieses e discriminações ilícitas ou abusivas. A autoridade também destaca outros direitos relacionados, como confirmação da existência de tratamento, acesso, correção de dados incompletos ou inexatos e eliminação de dados desnecessários, excessivos ou tratados em desconformidade, conforme a situação e a legislação aplicável.

O que significa revisão humana de verdade?

Revisão humana não é apertar “aprovar” ao lado de uma recomendação automática. A pessoa responsável precisa conhecer a finalidade do sistema, entender quais informações influenciaram o resultado, verificar se há dados ausentes ou desatualizados e registrar a razão para manter ou alterar a decisão.

Considere uma ferramenta que ordena currículos para uma vaga. Ela pode ajudar a localizar experiências relacionadas aos critérios definidos. Não deveria transformar essa ordenação em medida do valor profissional de alguém. Um avaliador pode identificar que determinada experiência foi descrita com outra nomenclatura, que um período de afastamento tem uma explicação relevante ou que o sistema está privilegiando um padrão histórico que não corresponde à vaga atual.

O mesmo raciocínio vale para atendimento, educação, seguros, crédito e outros contextos. A revisão não garante que todo erro desaparecerá. Ela cria uma oportunidade institucional para questionar a saída do sistema e assumir responsabilidade pelo que será feito a partir dela.

Quais são os limites de interpretar dados humanos?

Dados podem ser evidências para uma pergunta delimitada. Eles não são uma licença para preencher lacunas com suposições. Uma interpretação responsável explicita o que o registro mostra, o que ele não mostra e quais hipóteses ainda precisam ser verificadas.

Correlação não explica, sozinha, o motivo de um comportamento

Se duas variáveis aparecem juntas, isso não demonstra que uma causou a outra. Um aumento de cancelamentos pode coincidir com uma mudança de preço, mas também pode refletir falhas no atendimento, sazonalidade, alterações no produto ou problemas de comunicação. Uma análise pode apontar onde investigar. Ela não deve fabricar uma explicação apenas porque encontrou um padrão.

Um dado antigo pode não representar a situação atual

Perfil, endereço, preferências e circunstâncias mudam. Um registro correto no momento da coleta pode ficar desatualizado depois. Se uma organização usa esse registro para classificar ou priorizar alguém, precisa considerar a idade da informação e a possibilidade de correção.

O que não foi registrado também importa

A ausência de uma informação não prova a ausência do fato. Pessoas podem não responder a uma pergunta por falta de acesso, desconforto, tempo, compreensão ou confiança. Um sistema que transforma silêncio em característica pessoal pode atribuir um significado que os dados não sustentam.

Padrões históricos podem carregar desigualdades

Um modelo aprende com os dados que recebe e com a forma como seus critérios foram definidos. Se o histórico contém decisões desiguais, o sistema pode reproduzir esse padrão ou torná-lo menos visível. Por isso, testes e auditorias precisam examinar resultados e efeitos sobre grupos afetados, sem concluir que uma ferramenta é justa apenas por usar a mesma regra para todos.

A Recomendação da UNESCO sobre a Ética da Inteligência Artificial coloca direitos humanos e dignidade no centro e relaciona o uso responsável de IA a proporcionalidade, privacidade, transparência, responsabilidade, supervisão humana, sustentabilidade, conscientização e não discriminação. A recomendação não trata tecnologia como destino. Ela orienta governos e organizações a avaliar riscos e a manter a responsabilidade humana.

Como uma organização pode cuidar dos dados ao longo do ciclo de uso?

Responsabilidade não termina quando o sistema entra em produção. A organização deve acompanhar mudanças na finalidade, na qualidade dos dados, nos fornecedores, nos riscos e nas consequências para as pessoas.

Uma prática de governança pode incluir documentação da finalidade, inventário de dados, controle de acessos, registro de versões, testes antes do uso, monitoramento de falhas, canal de contestação e critérios de retenção e descarte. O nível de formalidade precisa ser proporcional ao contexto e ao possível impacto. Uma pesquisa interna de baixo risco não exige o mesmo controle de uma ferramenta que influencia acesso a um serviço essencial.

O NIST AI Risk Management Framework foi criado para ajudar a gerenciar riscos de IA para indivíduos, organizações e sociedade. O framework é voluntário e procura incorporar considerações de confiabilidade ao desenho, desenvolvimento, uso e avaliação de produtos e sistemas de IA. Essa orientação reforça uma ideia útil: risco não é um evento isolado a ser tratado apenas depois de um incidente. Ele deve ser observado durante a vida do sistema.

A segurança técnica também faz parte desse cuidado. Medidas como autenticação, restrição de acesso, criptografia quando adequada, cópias de segurança, registros e resposta a incidentes não substituem finalidade e transparência. Elas protegem o tratamento que já foi considerado legítimo e necessário; não tornam legítima uma coleta excessiva.

E quando a organização usa um fornecedor externo?

A responsabilidade não desaparece porque a análise foi contratada. Antes do compartilhamento, é importante saber quais dados serão enviados, para qual finalidade, quem poderá acessá-los, como serão protegidos, se serão usados para outra atividade e como ocorrerá a devolução ou eliminação ao fim do contrato. A organização também precisa avaliar o que conseguirá explicar às pessoas afetadas.

O que isso muda para quem fornece seus dados?

Pessoas podem perguntar, antes de preencher um formulário ou usar um serviço, por que determinada informação é solicitada e como ela será usada. Quando um resultado automatizado afeta seus interesses, também podem buscar informações sobre os critérios aplicados e os canais de revisão previstos para aquela situação.

Se um dado estiver incorreto, vale procurar o canal indicado na comunicação de privacidade ou no serviço responsável e solicitar a correção de forma documentada. A LGPD prevê direitos dos titulares, mas o exercício concreto depende do contexto, da finalidade, da base legal e dos procedimentos aplicáveis. Este texto é educativo e não substitui orientação jurídica ou avaliação profissional individualizada.

A participação da pessoa não precisa ser transformada em uma disputa contra a tecnologia. O pedido de explicação, correção ou revisão ajuda a revelar limites do processo. Uma organização disposta a ouvir pode ajustar a base, o critério ou a decisão sem tratar a contestação como ruído.

O que a DesvendaMente defende?

A tecnologia pode ser útil quando amplia a compreensão sem reduzir pessoas a rótulos. Isso exige finalidade, contexto, proteção e revisão. Exige também reconhecer que nenhuma base de dados contém a totalidade de uma história e que uma previsão não é uma sentença sobre o futuro.

Na DesvendaMente, defendemos um uso de dados que preserve a possibilidade de mudança, dúvida e conversa. Análises podem apoiar o autoconhecimento, o desenvolvimento humano e decisões organizacionais. Elas não devem substituir escuta, responsabilidade profissional, consentimento informado quando aplicável ou atenção às circunstâncias concretas.

Para continuar a conversa, veja os conteúdos para você, conheça as possibilidades para sua empresa e entenda quem somos. Também é possível explorar outros artigos do blog sobre ética, tecnologia e desenvolvimento humano.

Conclusão: responsabilidade é parte do uso do dado

Dados humanos pedem mais responsabilidade porque representam pessoas, relações e contextos que podem mudar. Coletar menos, explicar melhor, proteger o acesso e revisar decisões não são obstáculos à tecnologia. São condições para que ela permaneça uma ferramenta de apoio.

O melhor uso de uma análise não é produzir uma resposta rápida a qualquer custo. É ajudar a formular perguntas melhores, tornar critérios visíveis e abrir espaço para que alguém reconheça um erro. Quando a organização mantém essa responsabilidade do início ao fim, a confiança deixa de ser uma promessa abstrata e passa a depender de práticas que podem ser verificadas.

Perguntas frequentes

1. O que são dados humanos?

Neste artigo, “dados humanos” é uma expressão ampla para informações que identificam, descrevem ou permitem inferir algo sobre pessoas, grupos e suas circunstâncias. Ela inclui dados fornecidos diretamente e registros produzidos por interações com serviços e sistemas.

2. Por que a coleta deve se limitar ao necessário?

A coleta limitada reduz exposição e facilita explicar a finalidade do tratamento. Também diminui a quantidade de informações que pode ficar desatualizada, ser acessada indevidamente ou ser usada fora do contexto original. A necessidade deve ser avaliada em relação à finalidade concreta.

3. Uma inteligência artificial pode tomar decisões sobre pessoas?

Sistemas podem participar de fluxos de decisão, mas uma saída automática não deve ser confundida com uma avaliação completa da pessoa. Em decisões que afetam interesses, é preciso considerar transparência, possibilidade de revisão, qualidade dos dados e os requisitos legais aplicáveis, inclusive o artigo 20 da LGPD.

4. Revisão humana elimina o risco de erro ou discriminação?

Não. A revisão cria uma oportunidade de verificar dados, contexto e critérios antes de manter uma decisão. Para funcionar, deve ser feita por alguém com autoridade, tempo, informação e possibilidade real de questionar o resultado automático.

5. Transparência significa revelar o código do sistema?

Não necessariamente. Transparência significa fornecer informações claras e adequadas sobre o uso dos dados, a finalidade, os critérios e os procedimentos relevantes. A forma da explicação depende do contexto e pode precisar respeitar segredos comercial e industrial, sem impedir os direitos previstos em lei.

6. O que fazer quando um dado usado na análise está errado?

Procure o canal de privacidade, atendimento ou proteção de dados indicado pela organização e peça a correção. Descreva o dado incorreto e, quando possível, informe como o erro afetou a análise ou a decisão. A LGPD prevê direitos relacionados à qualidade e à correção dos dados, conforme a situação.

7. O consentimento resolve todos os problemas do uso de dados?

Não. Consentimento é apenas uma das possíveis bases legais e não torna qualquer uso automaticamente adequado. A organização ainda precisa avaliar finalidade, necessidade, segurança, transparência, direitos dos titulares e os riscos do tratamento. Em caso de dúvida sobre uma situação concreta, procure orientação especializada.

8. Usar dados com responsabilidade garante que nenhum dano acontecerá?

Não há garantia de risco zero. A responsabilidade consiste em reconhecer riscos, evitar usos desnecessários, proteger as informações, acompanhar efeitos e corrigir o processo quando surgirem problemas. A ausência de promessa absoluta faz parte de uma postura não determinista.

Este conteúdo é educativo e não substitui avaliação, orientação ou acompanhamento profissional individualizado.

Referências

Lei Geral de Proteção de Dados Pessoais, Lei nº 13.709/2018 — Presidência da República, Planalto. Usada para fundamentar os princípios de finalidade, necessidade, transparência e segurança, além do direito de revisão de decisões automatizadas e da correção de dados.
Tomada de Subsídios: Inteligência Artificial e Revisão de Decisões Automatizadas — Autoridade Nacional de Proteção de Dados (ANPD), consulta aberta entre 2024 e 2025. Usada para contextualizar riscos, direitos dos titulares, vieses, opacidade e governança no uso de IA.
Recommendation on the Ethics of Artificial Intelligence — UNESCO, recomendação adotada em 2021 e página institucional atualizada. Usada para os princípios de direitos humanos, privacidade, proporcionalidade, transparência, responsabilidade, supervisão humana e não discriminação.
AI Risk Management Framework — National Institute of Standards and Technology (NIST), 2023, com atualização institucional consultada em 2026. Usada para apresentar a gestão de riscos como parte do desenho, desenvolvimento, uso e avaliação de sistemas de IA.
Guia Orientativo: Tratamento de Dados Pessoais de Alto Risco — Autoridade Nacional de Proteção de Dados (ANPD), versão para consulta à sociedade, abril de 2024. Usada para contextualizar tratamentos de alto risco, decisões automatizadas, tecnologias emergentes e a necessidade de avaliar riscos e medidas proporcionais.

Leia a versão Markdown.