Legítimo interesse na LGPD para usar IA: como justificar

Legítimo interesse na LGPD para usar IA: como justificar

O legítimo interesse (art. 7º, inciso IX, da LGPD) pode sustentar um uso de IA quando a empresa consegue demonstrar três coisas: uma finalidade legítima e concreta, o uso apenas dos dados estritamente necessários e um balanceamento que mostre que os direitos e as expectativas do titular não prevalecem. Não basta citar a base legal em um documento. É preciso registrar o raciocínio, antes de ligar a IA, de forma que alguém de fora consiga entendê-lo e questioná-lo.

Este texto é um guia prático para quem precisa decidir e documentar. Não substitui parecer jurídico, e a decisão final sobre a base legal deve passar por quem responde pela proteção de dados na empresa.

Principais pontos

• O legítimo interesse exige finalidade concreta, necessidade comprovada e balanceamento com os direitos do titular. Os três testes precisam estar escritos.
• Ele não se aplica a dados pessoais sensíveis, e exige cuidado redobrado com dados de crianças e adolescentes.
• Usar IA não muda a base legal por si só, mas muda o risco: o modelo pode inferir, reter ou expor mais do que o processo manual fazia.
• A documentação mínima é um registro de avaliação do legítimo interesse, com salvaguardas, canal de oposição e revisão periódica.
• Se o uso envolve decisões que afetam o titular de forma relevante, olhe também o direito de revisão do art. 20 e considere outra base legal, como o consentimento.

O que é o legítimo interesse e por que ele aparece tanto em projetos de IA?

A LGPD lista dez hipóteses legais para tratar dados pessoais. O legítimo interesse é a mais flexível, porque não depende de autorização do titular nem de uma obrigação específica. Em troca dessa flexibilidade, a lei cobra responsabilidade: o art. 10 diz que ele só pode fundamentar o tratamento para finalidades legítimas, consideradas a partir de situações concretas, e que só os dados estritamente necessários devem ser tratados.

Em projetos de IA, ele costuma ser a candidata natural por um motivo prático. Quando a empresa quer, por exemplo, classificar mensagens de clientes que já existem, resumir um histórico de atendimento ou priorizar chamados, nem sempre faz sentido pedir um novo consentimento. O contrato pode cobrir parte do tratamento, mas não necessariamente o uso de um modelo de linguagem para analisar o conteúdo.

Isso não significa que seja uma base confortável. Três limites precisam estar claros desde o início:

• Dados pessoais sensíveis (saúde, biometria, origem racial, convicção religiosa e outros do art. 5º, inciso II) não podem ser tratados com base em legítimo interesse.
• Dados de crianças e adolescentes exigem atenção ao melhor interesse do titular e, muitas vezes, outra base.
• O titular tem direito de ser informado e, em certas situações, de se opor ao tratamento.

Para orientações oficiais, vale acompanhar as publicações da ANPD sobre hipóteses legais de tratamento.

Teste 1: a finalidade é legítima e concreta?

O primeiro teste pergunta para que, exatamente, a IA vai tratar os dados. Finalidades vagas como melhorar a experiência ou ganhar eficiência não passam. A finalidade precisa descrever um processo real e um benefício verificável.

Uma boa descrição de finalidade responde a quatro perguntas:

• Qual processo de negócio está sendo apoiado (triagem de chamados, rascunho de resposta, classificação de leads)?
• Quem se beneficia: a empresa, o titular, ambos?
• A finalidade é lícita e compatível com o que o titular razoavelmente espera ao se relacionar com a empresa?
• A finalidade existe hoje, em uma situação concreta, ou é uma hipótese para o futuro?

O último ponto é o mais negligenciado. Guardar conversas porque podem servir para treinar algo no futuro não é uma finalidade concreta. Resumir o histórico de um cliente que abriu um chamado hoje é.

Também é preciso separar finalidades. Usar mensagens de clientes para responder a eles é uma finalidade. Usar as mesmas mensagens para criar perfis de comportamento ou ajustar um modelo é outra, e precisa do seu próprio teste.

Teste 2: o tratamento é necessário e proporcional?

O segundo teste pergunta se a empresa consegue atingir a finalidade tratando menos dados, ou de outra forma. O art. 10 fala em dados estritamente necessários, e o princípio da necessidade (art. 6º, inciso III) pede limitação ao mínimo para a finalidade.

Na prática de IA, a necessidade se examina em quatro frentes:

• Quais campos entram no prompt ou no contexto do modelo. Nome completo, CPF e endereço realmente ajudam na tarefa, ou bastam o texto da dúvida e o número do pedido?
• Por quanto tempo os dados ficam em logs, históricos e bases de busca.
• Quem acessa as saídas do modelo e o que ele pode consultar ou fazer.
• Se existe alternativa menos invasiva, como regras determinísticas, dados pseudonimizados ou um modelo rodando em infraestrutura própria (veja Ollama na empresa para esse caminho).

Se o fornecedor de IA fica fora do país, a necessidade também toca a transferência de dados. Esse é um tema à parte, tratado em transferência internacional de dados com IA.

Uma regra útil: se a equipe não consegue explicar por que cada categoria de dado está no fluxo, ela provavelmente não é necessária.

Teste 3: o balanceamento favorece a empresa ou o titular?

O terceiro teste pesa o interesse da empresa contra os direitos e as liberdades do titular. É aqui que a maioria das justificativas fica fraca, porque o texto só descreve o benefício da empresa e ignora o outro lado.

O balanceamento olha para:

• Expectativa razoável: uma pessoa que escreveu para o suporte espera que a mensagem seja lida por um sistema que ajuda a atendê-la? Espera que seja usada para outra finalidade, como análise de comportamento?
• Impacto: o que acontece com o titular se a IA errar? Uma resposta mal classificada é diferente de um cliente negado ou de uma cobrança indevida.
• Natureza dos dados: dados de contato e histórico de pedido pesam menos que dados financeiros, de localização ou de relacionamento íntimo.
• Posição do titular: empregados, alunos e pacientes têm menos liberdade de recusar do que clientes de varejo.
• Salvaguardas: o que a empresa faz para reduzir o impacto (minimização, revisão humana, limites de ação, canal de oposição).

Quando o resultado é favorável à empresa só com salvaguardas, elas deixam de ser opcionais. Passam a fazer parte da justificativa e precisam existir de verdade no sistema. Se o uso mexe em decisões automatizadas com efeito relevante, leia também decisões automatizadas na LGPD e o art. 20.

Cenário ilustrativo: triagem de mensagens de suporte no WhatsApp

Cenário ilustrativo: uma loja online quer usar IA para classificar as mensagens recebidas no WhatsApp de suporte (troca, atraso, dúvida de produto) e sugerir um rascunho de resposta que um atendente revisa.

• Finalidade: acelerar a triagem de pedidos de suporte feitos pelo próprio cliente. É concreta, ligada a um processo existente e compatível com o que o cliente espera ao escrever para o suporte.
• Necessidade: o modelo recebe o texto da mensagem e o status do pedido. Não recebe CPF, endereço completo nem histórico de compras inteiro. Os logs guardam a classificação e o rascunho por um prazo definido, não o conteúdo integral para sempre.
• Balanceamento: o impacto de um erro é baixo, porque o atendente revisa antes do envio. O cliente é informado na política de privacidade e no primeiro contato de que o atendimento usa ferramentas automatizadas, e pode pedir atendimento totalmente humano.
• Ponto de alerta: se alguém enviar dado sensível, como um laudo médico, o fluxo precisa de regra para não reaproveitar esse conteúdo e para escalar a um humano.

Se a mesma loja quisesse usar as conversas para montar perfis de propensão de compra e disparar ofertas, seria outra finalidade, com outro balanceamento e outras regras. Para esse caso, veja também mensagens ativas no WhatsApp, templates e opt-in.

Como documentar a decisão, passo a passo

A LGPD não impõe um formulário único, mas o art. 10, parágrafo 3º, prevê que a ANPD pode pedir o relatório de impacto quando o tratamento se baseia em legítimo interesse, e o art. 37 exige manter o registro das operações. Um registro de avaliação do legítimo interesse (muitas vezes chamado de LIA) é a forma mais simples de ficar preparado.

Um roteiro de documentação que funciona:

• Descreva o caso de uso em linguagem simples: processo, dados, ferramentas, fornecedores e onde os dados são processados.
• Registre a finalidade concreta e quem é o responsável interno pela decisão.
• Liste as categorias de dados e justifique cada uma. Marque o que foi deliberadamente deixado de fora.
• Descreva as alternativas consideradas e por que foram descartadas.
• Faça o balanceamento por escrito: expectativas, impactos possíveis, grupos vulneráveis, riscos de erro do modelo.
• Liste as salvaguardas: minimização, mascaramento, retenção, controle de acesso, revisão humana, limites de ação do agente, log das decisões.
• Defina a transparência: onde e como o titular é informado e como exerce oposição ou pede revisão.
• Marque a data da avaliação e o gatilho de revisão: mudança de fornecedor, de finalidade, de tipo de dado ou incidente.
• Aprove com o encarregado (DPO) ou quem exerce essa função e guarde a versão.

Para riscos específicos de IA, o NIST AI Risk Management Framework ajuda a estruturar o mapeamento de riscos, e a lista OWASP Top 10 para aplicações com LLM cobre falhas técnicas, como vazamento de dados via prompt, que entram no balanceamento.

O método que aplicamos em projetos de IA conversa diretamente com esse registro. Mapear o processo e os dados atuais dá o conteúdo da finalidade e da necessidade. Limitar dados e ações do agente produz as salvaguardas. Pilotar um fluxo real, com logs e uma métrica de sucesso acordada, mostra se o balanceamento se sustenta na prática. Transferir a operação com a documentação atualizada permite decidir se o uso expande, se ajusta ou se para.

Quando o legítimo interesse não é a base certa?

Alguns sinais indicam que vale trocar de base ou redesenhar o uso:

• O tratamento envolve dados sensíveis, como saúde ou biometria. Aqui o legítimo interesse não está disponível.
• O titular não esperaria razoavelmente aquele uso, por exemplo, gravar e analisar conversas internas sem aviso. Para reuniões, veja gravar reunião com IA e LGPD.
• A IA toma ou influencia decisões com efeito relevante sobre a pessoa, como crédito, contratação ou acesso a serviço, sem revisão humana efetiva.
• O uso é de monitoramento de pessoas, como acompanhar produtividade de empregados. Nesse caso o desequilíbrio de poder pesa muito no balanceamento (veja medir produtividade com IA sem vigilância).
• A empresa não consegue explicar a finalidade ou as salvaguardas em poucas frases claras.

Nesses casos, as opções são reduzir o escopo até o teste passar, escolher outra base (execução de contrato, obrigação legal ou consentimento, conforme o caso) ou não fazer o uso.

Perguntas frequentes

Posso usar legítimo interesse para enviar dados de clientes a uma ferramenta de IA? Pode ser possível, se a finalidade for concreta, os dados forem limitados ao necessário e o balanceamento for favorável, com as salvaguardas implementadas. Também é preciso verificar contrato com o fornecedor, local de processamento e se os dados são usados para treinar o modelo do fornecedor. Cada um desses pontos entra na avaliação.

Preciso avisar o cliente quando uso legítimo interesse com IA? Sim, a transparência é uma exigência do próprio art. 10 e dos princípios da LGPD. O aviso deve estar na política de privacidade e, quando fizer sentido, no ponto de contato, como a primeira mensagem de um atendimento. O titular também deve ter um caminho claro para se opor ou pedir revisão.

O legítimo interesse dispensa o relatório de impacto? Não necessariamente. A ANPD pode solicitar o relatório de impacto à proteção de dados quando o tratamento se baseia em legítimo interesse, e usos de IA com risco maior podem justificar fazê-lo por conta própria. Manter a avaliação escrita e atualizada reduz o esforço caso o pedido apareça.

Com que frequência devo revisar a avaliação? Revise sempre que mudar a finalidade, o tipo de dado, o fornecedor ou o grau de autonomia da IA, e depois de qualquer incidente relevante. Além disso, defina uma revisão periódica interna, porque modelos e ferramentas mudam e o balanceamento feito no piloto pode não valer na operação ampliada.

Fontes

• ANPD: Autoridade Nacional de Proteção de Dados
• NIST AI Risk Management Framework
• OWASP Top 10 for LLM Applications