Joshua Puloka foi acusado da prática de três homicídios após um tiroteio ocorrido em 2021. A cena foi registrada pelo celular de uma testemunha e a defesa pretendia utilizar a gravação durante o julgamento. Mas, como as imagens foram gravadas em baixa resolução e com borrões durante o movimento, as cenas foram otimizadas e tratadas por um software de inteligência artificial para ampliar a captura e proporcionar maior nitidez.
O Ministério Público impugnou a prova e, após ouvir as partes, o juiz recusou a exibição do vídeo porque o algoritmo de aprendizado de máquina empregado pelo expert da defesa não havia sido submetido à revisão por pares de especialistas na área, nem gozava de aceitação geral nesse meio. Além disso, a decisão destacou que o próprio expert contratado pela defesa não sabia como a IA havia sido treinada, ignorava se fora testada quanto à confiabilidade e não conseguia explicar o seu funcionamento.
Com o caso State v. Puloka [1], retomamos a discussão trazida no artigo “Prova algorítmica sob suspeita: lições de Paul Grimm sobre validade e riscos da IA no processo penal”. Na ocasião, a partir do precedente State v. Loomis e dos marcos de validade e confiabilidade, apresentamos os sete perigos da prova produzida por IA mapeados por Grimm, Grossman e Cormack. Agora, amparados no estudo mais recente de Grossman e Grimm, discutimos quais são os critérios de que dispõe o magistrado para admitir e valorar a prova reconhecidamente produzida por IA.
Três vias, um só denominador: resultado acurado
Porém, antes, é necessário compreender que no modelo norte-americano a prova produzida por IA pode ser autenticada por três vias previstas nas FRE: o testemunho de quem tem conhecimento pessoal (901(b)(1)), a descrição do processo ou sistema (901(b)(9)) e a certificação que dispensa a presença da testemunha (902(13) e (14)). Mas todas as formas de autenticação do material possuem um denominador comum: a exigência de “resultado acurado“, ou seja, a apresentação de provas que descrevam o processo ou sistema e demonstrem que ele produz um resultado preciso.
Autenticar não é provar que o elemento probatório é verdadeiro, mas apenas produzir prova bastante para que se possa razoavelmente concluir que ele é o que a parte afirma ser, ou seja, trata-se de um standard mais brando que é alcançado pela mera preponderância e claramente favorável à admissão da prova. Em um caso concreto, quem fixa a régua é a própria afirmação da parte. Com isso, se a acusação sustenta que uma gravação ameaçadora traz a voz do réu, basta-lhe reunir elementos que permitam a um julgador razoável chegar a essa conclusão (p. ex., uma testemunha que reconheça a voz, características distintivas de fala), sem precisar alcançar um juízo de certeza. Assim, atuando como gatekeeper, o magistrado avalia se a gravação apresentada pela acusação poderia levar um júri razoável a reconhecer a autoria. Autenticar é, nesse desenho, uma aferição da possibilidade e não um juízo de mérito (função própria do jurado).
SpaccaGrossman e Grimm ressaltam que a substituição do testemunho do expert pela certificação não pode significar um rebaixamento do conteúdo exigido (“acurácia”). Vale dizer, a certificação é um equivalente funcional do depoimento, não uma versão diminuída dele. Por isso, advertem que as Regras 902(13) e (14) não são permissões a asserções genéricas de validade e confiabilidade, nem podem servir para contornar a necessidade de demonstrar a real acurácia e a confiabilidade do sistema ou processo [2].
Acurácia não basta: validade, confiabilidade e viés
É necessário frisar que os autores não recusam a relevância da acurácia como critério de autenticação, mas, de outro giro, ressaltam a sua vagueza, imprecisão e insuficiência. Grossman e Grimm advertem que o termo poderia ser melhor compreendido à luz de outros fatores que o juiz deve sopesar ao decidir sobre a admissão da prova, quais sejam: a validade, a confiabilidade e o viés. A validade diz respeito a saber se a ferramenta mede ou prediz aquilo que se propõe a medir (uma balança é medida válida de peso, uma régua não é). A confiabilidade acrescenta a exigência de consistência do resultado sob circunstâncias substancialmente similares. E o viés designa a distorção sistemática decorrente de fatores que não deveriam pesar na medição ou predição, tais como dados de treinamento preconceituosos e falhas na amostragem [3].
De Frye a Daubert: padrão de admissibilidade
O caso Puloka foi decidido sob o teste de Frye (formulado em 1923). O requisito essencial do teste exige que uma nova metodologia ou técnica científica tenha alcançado aceitação geral na comunidade científica relevante para que a evidência produzida por ela possa ser admitida em juízo. Assim, sob o padrão Frye, a corte rejeitou a admissão de vídeos aprimorados por inteligência artificial apresentados pela defesa, pois o algoritmo de aprendizado de máquina utilizado não havia atingido tal padrão.
Enquanto aproximadamente um quarto das jurisdições estaduais norte-americanas ainda adere ao teste de Frye, a grande maioria migrou para a abordagem inaugurada em Daubert v. Merrell Dow Pharmaceuticals (1993). O padrão Daubert — que restou incorporado à Regra 702 — substituiu a exigência exclusiva de “aceitação geral” na comunidade científica por uma análise mais flexível e abrangente centrada na validade e confiabilidade da metodologia aplicada. Dessa forma, ao decidir sobre a admissibilidade da prova, o magistrado deve aferir: (1) se a teoria ou técnica subjacente pode ser e de fato foi testada empiricamente; (2) se a metodologia foi submetida a peer review e publicada em literatura especializada; (3) a taxa de erro conhecida ou potencial associada ao uso da técnica; (4) a existência e o cumprimento de padrões operacionais e controles estritos; (5) o grau de aceitação da técnica no campo científico relevante (mantido como um dos fatores, e não mais como o único) [4].
Aplicando tal sistemática à prova produzida por IA, existem circunstâncias que podem ser suficientes para gerar a sua inadmissibilidade, tais como: se o sistema não foi devidamente testado; se a metodologia foi tratada como segredo industrial e subtraída à verificação alheia; se as taxas de erro são inaceitáveis; se houve atalhos no seu desenvolvimento ou no emprego da ferramenta; ou, ainda, se o método não é aceito como confiável pelos pares. Diante de todos esses fatores (ou de alguns deles), torna-se difícil sustentar que a prova representa o que sustenta ser e, nessas circunstâncias, exercendo a sua função de gatekeeper, o magistrado deve decidir pela sua inadmissibilidade [5].
A opacidade dos sistemas não pode servir de subterfúgio ao dever da parte de demonstrar que a prova produzida por IA é suficientemente digna de confiança. Nesse campo, o National Institute of Standards and Technology (Nist) extraiu, em publicação dedicada ao tema, quatro princípios que Grimm, Grossman e Cormack incorporam ao exame da prova: (1) explicação — o sistema deve fornecer as evidências ou as razões que acompanham todos os seus resultados; (2) inteligibilidade — as explicações devem ser compreensíveis pelos usuários a que se destinam; (3) acurácia da explicação — a explicação deve refletir corretamente o processo pelo qual o sistema gerou o resultado; e (4) limites de conhecimento — o sistema só deve operar nas condições para as quais foi projetado, ou quando alcança confiança suficiente no próprio resultado [6].
Roteiro do magistrado: cinco perguntas antes de admitir
Ao decidir sobre a admissibilidade de provas produzidas por IA, o magistrado pode adotar o roteiro de cinco perguntas proposto por Grimm. Esse método fundamenta-se na análise de validade, confiabilidade e viés da prova, apoiando-se também na metodologia Daubert e nos critérios do NIST. Vejamos.
Primeira: qual é o problema que a IA foi criada para resolver? A resposta define a adequação do sistema ao caso em discussão. Conhecer o objetivo de projeto é pressuposto para aferir a validade, a confiabilidade e a ocorrência de desvio de finalidade, isto é, o emprego da ferramenta para fim distinto daquele para o qual foi concebida. Sem saber o que a IA foi programada para fazer, nenhuma dessas questões fundamentais pode ser respondida[7].
Segunda: como e por quem o sistema foi desenvolvido? Os dados de treinamento eram representativos da população-alvo ou enviesados? Foram utilizados critérios substitutivos com efeito discriminatório? Os programadores eram qualificados e consideraram a população que seria afetada pelo sistema [8]?
Terceira: a validade e a confiabilidade foram suficientemente testadas, e por quem? A testagem deve ser preferencialmente independente. Se o sistema jamais foi testado, por que o magistrado consideraria admitir o seu resultado? Importa saber quem desenhou e executou os testes, inclusive se foram os próprios desenvolvedores, em que condições isso ocorreu e como elas se comparam às do uso no caso concreto. Também é preciso verificar se os resultados permanecem disponíveis para revisão pela parte contrária e pelo juízo [9].
Quarta: o funcionamento do sistema é explicável para advogados, juiz e jurados? Nesse aspecto, os quatro princípios do NIST assumem função de verdadeiro filtro probatório. Eles permitem aferir se a explicação oferecida existe, é inteligível pelo seu destinatário, corresponde ao processo real de geração do resultado e respeita os limites de projeto do sistema [10].
Quinta: qual o risco de dano se uma prova de confiabilidade incerta for admitida? As regras probatórias não exigem a eliminação de todo risco de erro. A pergunta final é se a prova é suficientemente válida e confiável para o fim específico a que se destina. A resposta depende do que está em jogo. Quanto mais graves as consequências de um erro da tecnologia, maior a demonstração exigível da parte. Conforme já advertimos anteriormente, “o juiz deve manter o ceticismo diante de prova de IA cuja acurácia comprovada não supera um cara ou coroa probatório” [11].
Desenho ideal de processo
Num modelo ideal de processo — pontuam Grossman e Grimm — o magistrado deve exigir das partes, durante a fase postulatória, a revelação da intenção de usar prova produzida por IA; garantir um prazo razoável para a impugnação; e assegurar a instrução técnica sobre desenvolvimento, treinamento, testagem, taxas de falso positivo, falso negativo e vieses potenciais. Além disso, é dever do magistrado refutar alegações de segredo industrial que impeçam o conhecimento operacional do modelo e exigir maior qualificação dos peritos e assistentes chamados a certificar a prova, pois saber operar a ferramenta não é saber explicá-la.
Retomando o caso Puloka, a decisão que recusou o vídeo aprimorado por IA aplicou em grande medida a mesma lógica aqui dimensionada. À primeira vista, aprimorar um vídeo pode parecer algo inofensivo, pois a IA não teria criado nada, apenas tornado mais nítido aquilo que a câmera já registrara. Mas foi justamente essa aparência de neutralidade que o juiz afastou, vez que ainda que não fabrique uma cena inexistente, o aprimoramento não devolve a realidade tal como ela era. Ao aclarar a cena, o algoritmo transforma borrões em uma versão do que ali possivelmente estava ocorrendo. E, se ninguém sabe como esse algoritmo foi treinado, se sua confiabilidade nunca foi testada e se a técnica não tem aceitação entre os pares, o que se exibiria ao júri não é a imagem revelada, mas uma imagem produzida por um processo que não se consegue explicar.
Nesse contexto, o roteiro das cinco perguntas não cria exigências novas. Ele apenas traduz a ideia vaga de “acurácia” em critérios que o juiz consegue examinar — validade, confiabilidade e viés, somados aos fatores de Daubert e aos princípios do Nist —, permitindo-lhe, na função de gatekeeper, separar a ferramenta que faz o que promete daquela que só aparenta fazer.
[1] ESTADOS UNIDOS. Washington. Superior Court (King County). State of Washington v. Joshua Puloka: No. 21-1-04851-2. Decision of March 29, 2024. Washington, D.C.: Superior Court of Washington, 29 mar. 2024.
[2] GRIMM, Paul W.; GROSSMAN, Maura R.; CORMACK, Gordon V. Artificial Intelligence as Evidence. Northwestern Journal of Technology and Intellectual Property, v. 19, n. 1, p. 9-106, 2021.
[3] GROSSMAN, Maura R.; GRIMM, Paul W. Judicial Approaches to Acknowledged and Unacknowledged AI-Generated Evidence. The Columbia Science & Technology Law Review, New York, v. 26, n. 2, p. 110-155, 2025.
[4] GROSSMAN, Maura R.; GRIMM, Paul W. Judicial Approaches to Acknowledged and Unacknowledged AI-Generated Evidence. The Columbia Science & Technology Law Review, New York, v. 26, n. 2, p. 110-155, 2025.
[5] Id.
[6] GRIMM, Paul W.; GROSSMAN, Maura R.; CORMACK, Gordon V. Artificial Intelligence as Evidence. Northwestern Journal of Technology and Intellectual Property, v. 19, n. 1, p. 9-106, 2021.
[7] GROSSMAN, Maura R.; GRIMM, Paul W. Judicial Approaches to Acknowledged and Unacknowledged AI-Generated Evidence. The Columbia Science & Technology Law Review, New York, v. 26, n. 2, p. 110-155, 2025.
[8] Id.
[9] Id.
[10] Id.
[11] AVELAR, Daniel Ribeiro Surdi de. A prova algorítmica sob suspeita: as lições de Paul Grimm sobre validade, confiabilidade e os riscos da IA no processo penal. Consultor Jurídico, 5 set. 2026. Disponível aqui.
O post Admissibilidade e valoração da prova produzida por IA: roteiro para magistrado apareceu primeiro em Consultor Jurídico.