Um novo espaço de análise, reflexão e pluralidade no
debate público sobre o sistema de justiça criminal
Um novo espaço de análise, reflexão e pluralidade no
debate público sobre o sistema de justiça criminal
“Chamamos o BMW 7500i, veículo de número 12778899, para depor”.
É assim que Sabine Gless, Fredric Lederer e Thomas Weigend abrem AI-Based Evidence in Criminal Trials?, publicado na Tulsa Law Review em 2024. A partir da cena de uma fábula provocativa, onde o carro é interrogado como uma testemunha e informa onde estava, o que seus sensores detectaram, por que soou o alerta de colisão e o que o motorista fez a seguir, os autores passam a debater uma preocupação concreta, consistente na admissibilidade e controle da chamada device evidence no processo penal. E, de fato, se o exemplo parece ficcional, o problema é real: carros, celulares, smartwatches, assistentes domésticos e sistemas de reconhecimento facial produzem, hoje, volumes crescentes de dados gerados por tais ferramentas como meios de prova potencialmente relevantes para investigações e julgamentos criminais (Gless; Lederer; Weigend, 2024, p. 2).
Também no Brasil, a utilização de sistemas baseados em grandes modelos de linguagem (large language models — LLMs) para a elaboração de relatórios técnicos tem suscitado dúvidas quanto à sua confiabilidade e à sua compatibilidade com os critérios epistemológicos constitucionais que devem reger a atividade probatória.
Em abril de 2026, a Quinta Turma do Superior Tribunal de Justiça, no âmbito do julgamento do Habeas Corpus nº 1.059.475/SP, debruçou-se sobre controvérsia trazida a respeito da admissão de “Relatório Técnico” produzido por investigador de polícia com a utilização de ferramentas de inteligência artificial generativa (Gemini e Perplexity), que apresentou conclusão distinta da perícia técnica realizada pelo Instituto de Criminalística da Polícia Civil.
O contexto fático que foi objeto de julgamento não está relacionado ao testemunho de um automóvel, mas da imputação de injúria racial ocorrida em estádio de futebol, em razão do então paciente ter supostamente chamado a vítima de “macaco”, o que foi captado por um cinegrafista.
Para além dos fundamentos invocados no caso brasileiro, é possível realizar uma leitura através das lentes que Gless, Lederer e Weigend a respeito da (im)possibilidade de submeter a conclusão gerada por inteligência artificial ao confronto probatório.
Veja-se que os autores dividem os dispositivos inteligentes em três tipos, numa escala de desconfiança probatória crescente: “Dispositivos Tipo 1”, que apenas coletam e armazenam dados brutos. Seriam os velocímetros, registradores de frenagem, event data recorders, registros de localização GPS, cujo problema probatório repousa na cadeia de custódia e perícia sobre o funcionamento do equipamento (Gless; Lederer; Weigend, 2024, p. 5). Nos “Dispositivos Tipo 2” estarão aqueles que além de armazenar dados também avaliam e extraem conclusões. Poderiam ser exemplificados pelos sistemas de detecção de sonolência, assistentes de manutenção de faixa, reconhecimento facial e determinados sistemas de rastreamento inteligente. Nesses casos, a dificuldade aumenta porque já não se trata apenas de saber se o dado teve a cadeia de custódia preservada, mas de compreender como o sistema interpretou esse dado, notadamente porque nem todo dado processado é armazenado e porque a lógica de decisão pode estar distribuída em camadas de aprendizado de máquina que nem o fabricante consegue narrar passo a passo (Gless; Lederer; Weigend, 2024, p. 14-16). Os “Dispositivos Tipo 3” por sua vez, são os mais problemáticos: sistemas de inteligência artificial capazes de modificar seu próprio funcionamento com base em aprendizado ou experiência. São dispositivos auto-otimizáveis. Neles, pode ser impossível reconstruir exatamente por que o sistema chegou a determinada conclusão em uma situação concreta. (Gless; Lederer; Weigend, 2024, p. 16-18).
O desafio que se coloca, diante dos sistemas de inteligência artificial generativa, é a opacidade da prova algorítmica. E por opacidade não se deve entender apenas a falta de transparência documental, de o acusado não ter acesso a um arquivo ou relatório de extração de dados. A opacidade, aqui, está relacionada à ausência ou insuficiência de rastreabilidade racional entre o dado bruto, o processamento algorítmico e a conclusão final produzida pelo sistema.
Em outras palavras, pode-se exemplificar que registrar que um carro transitava a 90km/h é um dado bruto. O sistema concluir que o motorista estava sonolento, desatento ou que ignorou deliberadamente um alerta é inferência algorítmica. É nesse trajeto que a prova por dispositivo pode se tornar inauditável, mesmo com o dado original íntegro.
Inevitavelmente, vislumbra-se o risco de function creep, isto é, o desvio de finalidade de um dispositivo criado para um propósito e empregado para outro, contra o interesse de quem deveria proteger. Um sistema de detecção de sonolência é projetado para alertar o motorista, não para incriminá-lo; se a montadora calibra o alerta de forma conservadora, disparando ao primeiro sinal de fadiga, esse mesmo alerta pode converter-se, automaticamente, em evidência de negligência ou imprudência. Há, pois, um salto inferencial que precisa ser controlado (Gless; Lederer; Weigend, 2024, p. 5).
Embora os autores tenham se preocupado em indagar a moldura normativa dos modelos estadunidense e alemão a respeito da admissibilidade e controle da device evidence no processo, interessa aqui destacar o problema que ambos revelam, consistente na impossibilidade de auditar (para permitir confrontar) conclusões produzidas por sistemas de IA generativa.
Se, na prática, os dados de “Dispositivo Tipo 1” podem ser admitidos se demonstrada a confiabilidade do equipamento, os de “Dispositivo Tipo 2” são admissíveis com cautelas, eis que exigem uma perícia mais robusta acerca do controle metodológico da extração. Os dados de “Dispositivos Tipo 3”, todavia, não podem ser admitidos enquanto sua acurácia não puder ser processualmente legitimada (Gless; Lederer; Weigend, 2024, p. 37).
No campeonato paulista de futebol, em 2025, a imprensa divulgou um vídeo em que — durante a partida entre os times Mirassol e Palmeiras — um segurança do clube visitante teria sido chamado de “macaco velho” por um torcedor.
No curso da investigação, o Instituto de Criminalística da Polícia Civil de São Paulo produziu laudo técnico com base em fonética e acústica forense e não identificou, no áudio, traços articulatórios compatíveis com a expressão racista atribuída ao acusado. Diante desse resultado, que esvaziava a base probatória da acusação, o delegado responsável submeteu esse mesmo vídeo a duas ferramentas de inteligência artificial generativa, o Gemini e o Perplexity. O relatório produzido por essas ferramentas chegou à conclusão oposta à da perícia oficial e, com base nele, o Ministério Público ofereceu denúncia por injúria racial. A controvérsia foi submetida à apreciação do Superior Tribunal de Justiça, no âmbito do já referido Habeas Corpus 1.059.475/SP.
Conforme bem ponderado pelo Min. Relator Reynaldo Soares da Fonseca,
Não se trata de aferição da licitude da prova nem de verificação da quebra da cadeia de custódia, mas da própria admissibilidade do referido elemento como prova. Não há se falar em ilicitude do relatório técnico produzido por inteligência artificial generativa, uma vez que, conforme destacado pelas instâncias ordinárias, não foram violadas normas de direito penal. Também não se observa ofensa à cadeia de custódia da prova, em especial porque não se questiona o acautelamento dos vídeos analisados, mas apenas a análise destes por ferramenta de inteligência artificial generativa. Por fim, não há falar igualmente em ofensa ao art. 159 do CPP, porque não se trata de perícia, mas de mero documento. A questão diz respeito, portanto, à idoneidade de relatório elaborado por inteligência artificial generativa para ser utilizado como prova no processo penal, sem o crivo da racionalidade humana.
A questão colocada, portanto, consiste na aptidão de um relatório produzido por inteligência artificial generativa para embasar a justa causa para o processo penal. Mais que isso: indaga-se a possibilidade de que um relatório produzido por essas ferramentas possa afastar ou mitigar a conclusão constate em perícia oficial realizada por humanos.
Não se está a questionar a eventual adulteração do conteúdo, mas se é possível reconstruir o itinerário que levou à conclusão algorítmica apresentada pelas ferramentas, com a transparência metodológica necessária para auditar possível alucinação.
A IBM, multinacional americana de tecnologia, alerta para a limitação e o risco de alucinações nas respostas apresentadas por essas ferramentas:
Modelos generativos funcionam identificando padrões e distribuições em seus dados de treinamento e aplicando esses achados à geração de novos dados com base nos inputs do usuário. O processo de treinamento ensina o modelo a reconhecer distribuições de probabilidade conjunta das características nos dados de treinamento. Em seguida, o modelo utiliza o que aprendeu para criar novos exemplos de dados semelhantes aos dados de treinamento. […] A geração de conteúdo é um processo probabilístico. Os modelos generativos não sabem as coisas da mesma forma que os humanos. Em vez disso, um modelo generativo utiliza equações matemáticas complicadas para prever a produção mais provável com base nas regras aprendidas durante o treinamento (Belcic; Stryker, 2026).
A possibilidade de alucinação, portanto, é um risco concreto. Contudo, o problema não repousa — apenas — na possibilidade de erro, mas na impossibilidade de controlar o percurso metodológico que conduziu àquela conclusão artificial. Isto porque é possível que um laudo sobre a IA utilizada para elaboração de um relatório possa explicar, com proficiência, como modelos de linguagem de grande escala LLMs funcionam de modo geral, mas não consegue evidenciar, com segurança, como aquela ferramenta produziu aquela conclusão (explicar o funcionamento geral de uma caixa-preta não é abri-la; é descrevê-la por fora, mantendo intacto o que está contido em seu interior).
No âmbito do Habeas Corpus 1.059.475/SP, o relatório de IA só pôde ser desnudado como simplista porque havia, nos mesmos autos, uma perícia oficial divergente servindo de parâmetro. Foi a existência dessa divergência que tornou visível a fragilidade do laudo algorítmico.
Mas e se não houvesse qualquer perícia oficial juntada nos autos?
Em um sistema de justiça criminal marcado por déficits estruturais de investigação e de perícia, é possível que a ausência de estrutura técnica especializada conduza à tentação de recorrer a relatórios de IA generativa não para contrariar (ou confrontar) um laudo oficial já elaborado, mas para suprir a sua própria inexistência.[1]
No caso analisado, a exclusão do Relatório Técnico” produzido por investigador de polícia com a utilização das ferramentas Gemini e Perplexity não decorreu de um princípio geral de desconfiança da prova por IA, mas de uma comparação entre dois resultados divergentes.
O problema que se coloca é quando esse contraste não existe. Nesse cenário, poderia a IA inaugurar uma nova forma de livre convencimento tecnológico, em que o juiz deixa de dizer “condeno porque me convenci” e passa a dizer “condeno porque o sistema indicou”?
O problema da IA auto-otimizável é que ela rompe a possibilidade de contraditório, comprometendo a própria possibilidade de controle da decisão judicial. A questão, portanto, não se restringe ao plano da valoração da prova, como se coubesse ao juiz atribuir maior ou menor peso ao relatório produzido por IA, mas o possível dessa conclusão como uma prova ‘robusta’ quando sequer deveria ser admitida.
Fica, ao final, a inversão que talvez resuma o que está em jogo. O processo penal não deve aceitar uma conclusão tecnológica apenas porque ela parece científica, objetiva ou automatizada. A aparência de objetividade é, com frequência, o disfarce mais eficaz da arbitrariedade. Uma prova que não pode ser explicada, auditada ou refutada não é apenas uma prova frágil, mas também autoritária. Não há, portanto, admissibilidade compatível com a processualidade democrática.
BELCIC, Ivan; STRYKER, Cole. O que é um modelo generativo? IBM, . Disponível em: https://www.ibm.com/br-pt/think/topics/generative-model#257779832. Acesso em: 20 de julho de 2026.
BRASIL. Superior Tribunal de Justiça. Quinta Turma. Habeas Corpus n. 1.059.475/SP. Relator: Ministro Reynaldo Soares da Fonseca. Julgado em 7 abr. 2026. Diário da Justiça Eletrônico Nacional, Brasília, DF, 14 abr. 2026.
GLESS, Sabine; LEDERER, Fredric; WEIGEND, Thomas. AI-based evidence in criminal trials? Tulsa Law Review, Tulsa, v. 59, n. 1, p. 1-37, 2024. Disponível em: https://digitalcommons.law.utulsa.edu/tlr/vol59/iss1/4. Acesso em: 20 de julho de 2026.
SARKIS, Jamilla. Não autoincriminação: uma (re)leitura constitucional na era tecnológica da cyber-surveillance. São Paulo: Tirant lo Blanch, 2024.
[1] Na lição de Jamila Sarkis (2024, p. 208), diante da “virada tecnológica no processo, a não autoincriminação passa a ter sua garantia estendida aos ambientes virtuais. […] É preciso garantir à pessoa envolvida nos fatos penais o direito de se proteger das diversas formas desenvolvidas pelo Estado — inclusive os métodos de investigação empregados na era da cyber-surveillance — para obter sua inculpação.
Mestre em Direito Processual Penal pela Universidade Federal do Paraná. Pós-graduada em Direito Penal Econômico e em Criminal Compliance, ambos pelo Instituto de Direito Penal Econômico Europeu (IDPEE) da Faculdade de Direito da Universidade de Coimbra em parceria com o Instituto Brasileiro de Ciências Criminais (IBCCRIM). Advogada criminal, sócia do escritório Normanton Sombrio Advocacia Criminal. Professora de Direito Processual Penal na PUC/PR. Associada ao Instituto Brasileiro de Ciências Criminais (IBCCrim). Consultora da Comissão de Direitos Humanos da OAB/PR. Membro das Comissões de Direito Digital e da Advocacia Criminal da OAB/PR.
Encontrou um erro?
Nos ajude a melhorar! Envie sua correção abaixo 👇
