Copyright Laundering Through the AI Ouroboros: Adapting the 'Fruit of the Poisonous Tree' Doctrine to Recursive AI Training

Resumo Técnico: Lavagem de Direitos Autorais Através do Ouroboros de IA

Declaração do Problema: O Colapso do Acordo Probatório
O artigo identifica uma falha crítica nos mecanismos atuais de aplicação dos direitos autorais quando aplicados a pipelines de treinamento de IA multigeracionais, um fenômeno que os autores denominam "Ouroboros de IA". A responsabilidade tradicional por direitos autorais depende de um acordo probatório que exige que os autores provejam dois elementos: (1) o acesso do réu a uma obra protegida e (2) a semelhança substancial entre a obra protegida e a saída do réu.

Esse quadro colapsa no contexto de treinamento recursivo com dados sintéticos. Neste cenário, um modelo fundamental (IA1) é treinado em um corpus contendo material protegido por direitos autorais. Suas saídas são então "limpas" (filtradas ou processadas para remover infrações óbvias) e usadas como dados de treinamento sintéticos para um modelo sucessor (IA2), que pode, por sua vez, treinar a IA3, e assim por diante. À medida que a linhagem se aprofunda, a abstração estatística do material original protegido por direitos autorais torna-se cada vez mais difusa. O resultado é um "ponto cego probatório" onde:

• O Acesso torna-se impossível de provar porque os dados originais estão enterrados dentro de bilhões de parâmetros e abstrações estatísticas opacas.
• A Semelhança Substancial torna-se indetectável porque as saídas "lavadas" parecem coincidentes ou estocásticas em vez de diretamente derivadas.
• A Proveniência é sistematicamente apagada, criando um mecanismo de "lavagem de direitos autorais" onde a comparação forense tradicional falha em distinguir entre coincidência genuína e infração lavada.

O artigo argumenta que as ferramentas doutrinárias existentes — como responsabilidade secundária, proteção expandida de "estilo" ou mandatos de transparência — são insuficientes. A transparência por si só não resolve o ônus da prova, e a expansão do objeto para incluir "estilo" viola a dicotomia ideia/expressão.

Metodologia: Adaptando o "Fruto da Árvore Envenenada" (FOPT)
Para abordar essa crise probatória, o artigo propõe um novo padrão legal: IA-FOPT (Fruto da Árvore Envenenada da Inteligência Artificial). Esta doutrina adapta o princípio do processo penal de que evidências derivadas de uma busca ilegal são inadmissíveis, aplicando-o por analogia à linhagem de direitos autorais.

A metodologia é estruturada como um quadro de cinco etapas, administrável judicialmente:

1. O Gatilho (Árvore Envenenada): A doutrina ativa-se apenas após um tribunal julgar que um modelo fundamental (IA1) foi treinado via cópia não autorizada que falha no escrutínio de uso justo. Isso estabelece a "árvore envenenada".
2. O Âmbito da Contaminação (Principalmente Derivado): A contaminação estende-se a qualquer modelo subsequente (IA2, IA3, etc.) que seja "principalmente derivado" da árvore envenenada. Isso é definido por:
   • Inicialização/Destilação: A IA2 é inicializada a partir dos pesos da IA1 ou destilada a partir dela.
   • Dependência Sintética Substancial: O corpus de treinamento da IA2 consiste materialmente em dados sintéticos gerados pela IA1.
   • Derivação ao Nível de Componente: Em arquiteturas modulares (por exemplo, Mistura de Especialistas), componentes específicos treinados com dados contaminados são considerados derivados.
3. A Presunção (Deslocamento de Ônus): Após uma demonstração prima facie do gatilho e da derivação, uma presunção refutável de contaminação se aplica. Crucialmente, o ônus da produção e da persuasão desloca-se para o desenvolvedor a jusante. Essa realocação é justificada pelo acesso único e de baixo custo do desenvolvedor à evidência de proveniência, que o autor não pode obter de forma viável.
4. Caminhos de Refutação: O desenvolvedor pode refutar a presunção provando, por preponderância de evidências, um de dois caminhos:
   • Linhagem Limpa: Fornecendo um "Pacote de Proveniência" auditável (hashes, licenças, gráficos de linhagem) demonstrando treinamento independente e de fonte legal.
   • Contaminação Purificada: Demonstrando uma "reconstrução curativa" (retreinamento do zero com dados limpos) ou "desaprendizado de máquina" eficaz que verifique a excisão da influência da árvore envenenada, validado por auditorias independentes baseadas em desempenho.
5. Remédios (Escada Calibrada): Se a presunção não for refutada, os remédios são adaptados proporcionalmente:
   • Medida Cautelar Direcionada: Desabilitação de componentes contaminados específicos ou imposição de injunções de "vantagem inicial".
   • Remédio Monetário: Royalties correntes ou lucros alocados.
   • Apreensão/Destruição: Reservada para casos excepcionais de contaminação intencional e inextricável.

Contribuições Principais

• Conceitualização da "Lavagem de Direitos Autorais": O artigo define formalmente o uso estratégico de pipelines sintéticos recursivos para apagar a proveniência e evadir testes tradicionais de infração.
• O Padrão IA-FOPT: Propõe uma regra probatória específica e focada na linhagem que desloca o ônus da prova para a parte que controla o histórico de dados, em vez de exigir que os autores provem conexões estatísticas impossíveis.
• Mecânicas Processuais: Descreve um protocolo concreto de descoberta em duas etapas (Produção Documental de um "Pacote de Proveniência" seguido por Exame Forense por Especialista Neutro) para equilibrar a proteção de segredos comerciais com as necessidades probatórias.
• Integração Doutrinária: Demonstra como esse novo padrão se encaixa dentro de princípios equitativos existentes (por exemplo, fatores eBay para remédios, padrões Daubert para evidência perita) sem expandir o escopo do objeto passível de direitos autorais.

Resultados e Alegações
O artigo não apresenta resultados experimentais empíricos, mas sim uma análise doutrinária e um quadro proposto. Seus "resultados" são teóricos e jurídicos:

• Demonstra que os testes atuais de acesso e semelhança são funcionalmente inviáveis para IA multigeracional, criando um risco sistêmico onde a infração fica impune.
• Argumenta que a doutrina IA-FOPT é administrável, utilizando ferramentas processuais existentes (ordens de proteção, mestres especiais, estatutos de deslocamento de ônus como o 35 U.S.C. § 295) para gerenciar disputas técnicas complexas.
• Alega que o quadro é justo, preservando a primazia da análise de uso justo na etapa inicial de ingestão (o "gatilho"), enquanto impede que atores a jusante "laven" essa ilegalidade inicial através de abstração.
• Postula que a doutrina é neutra em relação à inovação, argumentando que, ao internalizar os custos do sourcing ilícito de dados, incentiva o desenvolvimento de certificações de "corpus limpo" e mercados de dados legais, semelhante à mudança pós-Napster na licenciamento musical.

Significância
O artigo alega que, sem tal abordagem baseada em linhagem, a lei de direitos autorais enfrenta uma "crise probatória" onde a estrutura de incentivos para a criatividade humana é minada por máquinas treinando em máquinas. A significância da doutrina IA-FOPT reside em sua capacidade de:

1. Restaurar o Acordo Probatório: Reestabelece um caminho viável para os autores fazerem valer seus direitos em uma era de treinamento de IA opaco e recursivo.
2. Prevenir Evasão Sistêmica: Fecha a lacuna de "lavagem" onde os desenvolvedores poderiam teoricamente proteger a infração inicial através da sobreposição de gerações de dados sintéticos.
3. Alinhar Incentivos: Incentiva o sourcing ético de dados e o desenvolvimento de ferramentas de proveniência verificáveis, fomentando um ecossistema de IA sustentável onde inovação e proteção de direitos autorais podem coexistir.

Os autores concluem que essa abordagem não é um desvio radical, mas uma adaptação necessária para garantir que o "Ouroboros de IA" não devore as bases legais da criatividade que busca emular.