Aviso sobre IA Generativa e Termo de Responsabilidade do Usuário

Sumário

1. Glossário ampliado
2. Tecnologias e modelos utilizados
3. §1 — Natureza do conteúdo gerado por IA
4. §2 — Riscos específicos da IA na pesquisa acadêmica
5. §3 — Limitações por feature
6. §4 — Detectores de IA — declaração explícita
7. §5 — Termo de Responsabilidade do Usuário
8. §6 — Isenção de responsabilidade da Operadora
9. §7 — Marca d'água e rastreabilidade do output
10. §8 — Direito a revisão humana (LGPD art. 20)
11. §9 — Diretrizes externas referenciadas
12. §10 — Boas práticas
13. §11 — Vieses conhecidos dos modelos
14. §12 — Dados pessoais em prompts
15. §13 — Reset de contexto e privacidade entre sessões
16. §14 — Aceitação contínua e versionamento
17. §15 — Comunicação de mudanças
18. §16 — Cooperação com instituições acadêmicas
19. §17 — Compromissos da Operadora
20. §18 — Casos hipotéticos e como agir
21. §19 — Contato

Glossário ampliado

Para uma leitura informada deste Aviso, definem-se os termos técnicos a seguir. Eles refletem o estado da técnica em 2026 e podem evoluir com o avanço da pesquisa em IA.

• IA Generativa: classe de sistemas de inteligência artificial capazes de gerar conteúdo novo (texto, imagem, áudio, código) a partir de instruções, com base em padrões aprendidos durante o treinamento.
• Modelo de Linguagem (LLM — Large Language Model): rede neural treinada em corpus massivo de texto para prever, dada uma sequência, o próximo token mais provável; base da maior parte das funções da IARA.
• Token: unidade mínima de processamento de um LLM — fragmento de palavra, palavra inteira, pontuação ou byte. O custo computacional e o tamanho de contexto são medidos em tokens.
• Prompt: instrução textual fornecida ao modelo, contendo a tarefa, o contexto e quaisquer dados auxiliares.
• System Prompt: instrução de mais alto nível, definida pela Operadora, que estabelece persona, regras e restrições do modelo em determinada feature.
• User Prompt: instrução enviada pelo Usuário no momento da interação.
• Context Window: volume máximo de tokens (prompt + histórico + output) que o modelo consegue considerar simultaneamente. Para Claude Haiku 4.5, atualmente 200 mil tokens.
• Output: qualquer texto, relatório, sugestão, lista, código, JSON ou outro produto gerado pelo modelo em resposta ao prompt.
• Alucinação (hallucination): resposta apresentada com aparência de verdade, mas factualmente errada, inventada ou imprecisa — inclui referências bibliográficas inexistentes, citações forjadas, dados estatísticos falsos.
• Confabulação: variante de alucinação em que o modelo "preenche lacunas" com informações plausíveis mas não verificadas, sem indicar incerteza.
• Viés (bias): tendência sistemática do modelo a favorecer determinados padrões, perspectivas, grupos ou conclusões, em razão do corpus de treinamento ou do alinhamento.
• Detector de IA: ferramenta automatizada que estima a probabilidade de um texto ter sido produzido por IA. Exemplos: Turnitin AI, GPTZero, Originality.ai, Copyleaks, Sapling, Winston AI, ZeroGPT.
• Marca d'água / Watermark: sinal embutido (visível ou estatístico) que permite identificar a origem artificial do conteúdo. Exemplos: notas declaratórias em exports, padrões de tokens (Google SynthID).
• Zero-Data Retention (ZDR): compromisso contratual segundo o qual o provedor de IA não retém o conteúdo após responder. Utilizado pela IARA com a Anthropic via cabeçalho anthropic-data-retention-zero.
• Fine-Tuning: ajuste fino de um modelo pré-treinado em corpus específico para especializá-lo em domínio ou estilo. A IARA não realiza fine-tuning com dados de Usuários.
• RAG (Retrieval-Augmented Generation): técnica em que o modelo busca trechos relevantes em uma base externa (ex.: PDFs do Usuário) antes de responder, ancorando a resposta nessas fontes.
• Embedding: representação vetorial densa (no caso da IARA, 768 dimensões via Gemini Embeddings) de um trecho de texto, usada para busca semântica.
• Chunking: processo de fragmentação de um documento em trechos menores (chunks) para indexação e recuperação no RAG.
• Temperatura: parâmetro que controla o grau de aleatoriedade da geração — valores baixos produzem outputs mais determinísticos; valores altos, mais criativos e variáveis.
• Top-K / Top-P: estratégias de amostragem que restringem o universo de tokens candidatos em cada passo da geração, influenciando diversidade e coerência.
• Determinismo: propriedade segundo a qual a mesma entrada produz sempre a mesma saída. LLMs em produção geralmente não são plenamente determinísticos.
• Probabilidade: base estatística da geração — cada token é escolhido segundo uma distribuição de probabilidades condicionada à sequência anterior.
• Geração Estocástica: processo de geração que envolve amostragem aleatória, gerando potencialmente respostas diferentes para o mesmo prompt.
• Adversarial Prompt: instrução elaborada com a finalidade de levar o modelo a comportamentos indesejados ou a vazar informações.
• Prompt Injection: ataque em que conteúdo externo injetado (em PDF, página web, e-mail) tenta sobrepor as instruções legítimas do sistema.
• Jailbreak: técnica que tenta contornar filtros de segurança e restrições éticas do modelo.
• Steering: conjunto de técnicas para orientar comportamento do modelo via prompts, system prompts, parâmetros ou ajustes.
• Alinhamento (alignment): processo de ajustar o modelo aos valores, normas e finalidades pretendidos pelos seus desenvolvedores e operadores.
• Mitigação de Vieses: conjunto de técnicas (curadoria de dados, RLHF, prompts de sistema, filtros) destinadas a reduzir vieses indesejados.
• Refusal: recusa do modelo em responder a determinada solicitação por violar políticas de segurança.
• Safety Filters: camadas de filtragem (do provedor e/ou da Operadora) que bloqueiam conteúdo indesejado ou perigoso.
• Capacidade de Raciocínio: habilidade do modelo de encadear inferências; ainda limitada e suscetível a erros, especialmente em problemas que demandam lógica formal ou cálculo preciso.
• Memorização vs Generalização: dicotomia entre reproduzir trechos específicos vistos no treinamento (memorização) e produzir conteúdo novo combinando padrões (generalização).
• Modelo Frontier: modelo de fronteira tecnológica, com capacidades próximas do estado da arte e maior potencial de impacto e risco.
• Limite de Conhecimento (Knowledge Cutoff): data até a qual o modelo foi treinado; o modelo desconhece eventos posteriores, salvo se providos no contexto.
• Atualização de Modelo: substituição ou ajuste de versão pelo provedor; pode alterar comportamento, capacidades e limitações sem aviso prévio.
• Integridade Acadêmica: conjunto de normas éticas que regulam a produção de trabalhos acadêmicos, incluindo originalidade, honestidade intelectual e atribuição correta de autoria.
• Banca / Programa / Periódico-alvo: instância que avalia, recebe ou publica o trabalho do Usuário e que pode estabelecer regras próprias sobre o uso de IA generativa.
• Output Estruturado: resposta gerada em formato pré-definido (JSON, schema validado), comum em features como Avaliador Rigoroso e Agente de Referências.
• Modal Click-Through: caixa de diálogo que exige clique consciente do Usuário para aceitar termos antes de prosseguir com uma ação.
• Disclaimer: aviso de isenção de responsabilidade exibido ao Usuário antes, durante ou após o uso de uma feature de IA.
• Sub-operador: terceiro contratado pela Operadora para processar dados em seu nome (ex.: Anthropic, Google), regido por DPA (Data Processing Agreement) compatível com a LGPD.
• DPA (Data Processing Agreement): contrato de tratamento de dados que regula obrigações de privacidade entre operador e sub-operador.
• RLHF (Reinforcement Learning from Human Feedback): técnica de treinamento em que avaliadores humanos refinam o comportamento do modelo. Aplicada pelos provedores, não pela Operadora.
• Sycophancy: tendência do modelo a concordar com o Usuário mesmo quando este está errado, por "agradar".
• Lost in the Middle: fenômeno em que informações no meio de prompts longos são tratadas com menor peso pelo modelo.

Tecnologias e modelos utilizados

A Plataforma utiliza modelos de IA generativa de terceiros, contratados pela Operadora, atualmente:

• Anthropic Claude Haiku 4.5 — modelo principal para Avaliador Rigoroso, Mentor PENCER, Copywriting, Chat e Editor, operado sob política contratual de retenção zero (anthropic-data-retention-zero): a Anthropic não retém o conteúdo após responder, não o usa para treinar modelos próprios e não o compartilha. Janela de contexto: 200 mil tokens.
• Google Gemini 2.5 Flash — usado nas funções de RAG (recuperação aumentada) e citações, sob contrato Vertex AI / API enterprise com opt-out de treinamento e retenção curta.
• Gemini Embeddings 768d — geração de embeddings vetoriais de 768 dimensões para indexação semântica de documentos enviados pelo Usuário e busca semântica do Agente de Referências.

A Operadora pode, a seu critério, mudar de modelo, versão ou provedor, sempre selecionando opções com padrões de segurança e privacidade compatíveis com a LGPD. Mudanças materiais (troca de provedor, alteração de retenção) são comunicadas conforme §15.

Detalhes técnicos sobre tratamento de dados, transferência internacional, bases legais e sub-operadores constam dos §§7-15 da Política de Privacidade.

§1 — Natureza do conteúdo gerado por IA

§1.1 Os modelos de IA generativa utilizados pela IARA — atualmente Anthropic Claude Haiku 4.5 (com cabeçalho anthropic-data-retention-zero) e Google Gemini 2.5 Flash (para funções de RAG e citações), além de Gemini Embeddings 768 dimensões para indexação semântica — são Large Language Models (LLMs). Eles produzem texto por probabilidade estatística sobre tokens, e não por raciocínio humano, compreensão semântica genuína ou consciência factual. A cada passo, o modelo escolhe o próximo token segundo uma distribuição de probabilidades condicionada pela sequência anterior.

§1.2 Em razão dessa natureza probabilística, todo output pode ser plausível mas incorreto. Frases bem-construídas e referências bem-formatadas não são prova de veracidade. O fenômeno é conhecido tecnicamente como alucinação e, em sua forma mais sutil, como confabulação: o modelo "preenche" lacunas com afirmações verossímeis sem sinalizar incerteza.

§1.3 O modelo pode misturar fontes reais com inventadas — por exemplo, atribuir a um autor real um livro que ele não escreveu, ou produzir DOIs cuja estrutura é válida mas cujo registro não existe. Pode também combinar trechos de obras distintas como se fossem uma só, ou trocar datas, periódicos e páginas em referências reais.

§1.4 O modelo pode reproduzir vieses do conjunto de treinamento: vieses culturais (ocidental, anglo-cêntrico), de gênero, raciais, etários, linguísticos, ideológicos. A Operadora aplica mitigações por meio de prompts de sistema e curadoria de instruções, mas não há garantia absoluta de neutralidade.

§1.5 Os modelos têm limite de conhecimento (knowledge cutoff date) — não conhecem eventos, publicações, decisões judiciais, normas administrativas ou descobertas científicas posteriores à data de corte do treinamento. Em pesquisa acadêmica, isso é especialmente sensível quando se trata de literatura recente, jurisprudência atual ou marcos regulatórios novos.

§1.6 Os modelos atuais falham com frequência em tarefas que exigem cálculo numérico preciso, lógica formal estrita, verificação factual rigorosa ou raciocínio em múltiplas etapas. Mesmo modelos de fronteira erram em multiplicações simples, contagens precisas, datas relativas e inferências lógicas envolvendo várias premissas.

§1.7 Em prompts muito longos ou contextos complexos, o modelo pode "engasgar" — perder informações inseridas no início do contexto, repetir-se, contradizer-se ou divagar. Esse fenômeno é conhecido como lost in the middle e afeta inclusive modelos com janela de contexto ampla.

§1.8 O modelo não tem entendimento causal real. Ele aprende correlações estatísticas no texto. Pode, portanto, descrever uma relação causal sem compreender o porquê e, em situações novas, generalizar incorretamente.

§1.9 Há variabilidade entre execuções: a mesma pergunta pode gerar respostas diferentes. A geração é estocástica: parâmetros como temperatura, top-K, top-P e o próprio seed influenciam a saída. Mesmo com temperatura zero, certas plataformas não garantem determinismo pleno por questões de infraestrutura.

§1.10 Os modelos são atualizados periodicamente pelos provedores. O comportamento pode mudar entre versões — algumas capacidades melhoram, outras pioram; alguns prompts passam a ser recusados; estilo de escrita pode mudar. A Operadora se reserva o direito de migrar entre versões e provedores, mantendo critérios de segurança, privacidade e qualidade compatíveis com este Aviso.

§1.11 Em complemento, o Usuário reconhece que (i) o modelo não tem memória persistente entre sessões independentes, salvo a contextualização que o próprio Usuário inserir; (ii) o modelo não verifica em tempo real fontes externas, salvo nas funções de RAG, e mesmo essas têm limites; (iii) a interpretação de imagens, tabelas e fórmulas pode ser falha; (iv) o modelo pode parecer confiante mesmo quando errado.

§1.12 Calibração de incerteza. Os modelos atuais têm calibração imperfeita: a probabilidade que o modelo atribui implicitamente às suas afirmações nem sempre corresponde à frequência real de acerto. Em consequência, o tom de uma resposta não é indicador confiável de sua veracidade. Modelos podem expressar certeza absoluta em afirmações falsas e dúvida em afirmações corretas.

§1.13 Sensibilidade ao prompt. Pequenas variações na forma do prompt podem produzir grandes variações no output. Inverter a ordem das premissas, mudar uma palavra, acrescentar contexto aparentemente irrelevante: tudo pode alterar a resposta. Isso é propriedade do modelo, não falha da Plataforma.

§1.14 Heterogeneidade entre modelos. Modelos distintos (Claude, Gemini, GPT, Llama, etc.) podem dar respostas significativamente diferentes para o mesmo prompt. A IARA seleciona modelos por adequação a cada tarefa; o Usuário não controla a escolha do modelo subjacente, salvo onde a interface explicitamente permitir.

§1.15 Limites de auto-conhecimento. O modelo não conhece, com precisão, suas próprias limitações. Quando perguntado "você tem certeza?" ou "isto é correto?", pode confirmar mesmo erros graves. Auto-relatos do modelo sobre confiabilidade não substituem verificação externa.

§2 — Riscos específicos da IA na pesquisa acadêmica

A pesquisa acadêmica exige rigor que a IA generativa, em seu estado atual, não entrega de forma autônoma. A lista abaixo enumera, sem pretensão de exaustividade, os riscos que o Usuário deve considerar antes, durante e depois de usar a Plataforma.

• §2.1 Alucinação de referências bibliográficas: o modelo pode gerar artigos, livros e capítulos que não existem — com autores plausíveis, títulos verossímeis, periódicos reais, anos coerentes, mas sem registro nas bases. Pode também trocar autores entre obras, atribuir capítulos errados, inverter ordens de autoria.
• §2.2 DOI incorreto ou ano errado: mesmo quando o artigo existe, o DOI gerado pode pertencer a outro documento; o ano de publicação pode estar deslocado; volume e páginas podem estar trocados.
• §2.3 Confusão entre teorias semelhantes: o modelo pode confundir "cognitivismo" com "construtivismo", "positivismo lógico" com "empirismo lógico", atribuir conceitos de Vygotsky a Piaget, etc.
• §2.4 Mistura de escolas de pensamento incompatíveis: apresentar como coerente uma articulação entre autores cuja epistemologia é incompatível, sem sinalizar tensão.
• §2.5 Erros metodológicos: sugerir desenhos de pesquisa inadequados ao objeto, recomendar testes estatísticos incompatíveis com o tipo de dado, propor amostragens enviesadas.
• §2.6 Citação imprecisa de leis e jurisprudência: citar artigo, parágrafo ou inciso errado; atribuir tese jurisprudencial a tribunal que não a firmou; inverter teses majoritária e vencida.
• §2.7 Falsa precisão estatística: apresentar números, percentuais e intervalos de confiança com aparência precisa mas sem lastro empírico verificável.
• §2.8 Viés cultural ocidental: sub-representação de autores e tradições não-ocidentais, anglo-centrismo em referências e exemplos.
• §2.9 Viés de gênero, raça, nacionalidade: reprodução de estereótipos em descrições de profissões, lideranças e contextos.
• §2.10 Desatualização: desconhecimento de publicações, normas e jurisprudência posteriores ao knowledge cutoff.
• §2.11 Excesso de generalização: tendência a apresentar afirmações universalizantes sem reconhecer particularidades regionais, históricas ou disciplinares.
• §2.12 Sycophancy: a IA tende a concordar com o Usuário, mesmo quando o Usuário está errado, sobretudo se o Usuário insiste; pode validar premissas falsas para "agradar".
• §2.13 Falta de senso crítico real: o modelo não distingue qualidade entre fontes nem hierarquiza autoridades epistêmicas como um pesquisador faria.
• §2.14 Ausência de consciência de áreas de especialização: responde sobre qualquer tema com tom autoritativo, mesmo em campos em que sua confiabilidade é baixa.
• §2.15 Falha em reconhecer disputas e controvérsias atuais: tende a apresentar consensos onde há divergências ativas; pode esconder debates relevantes da literatura recente.
• §2.16 Resposta confiante para perguntas mal-formuladas: em vez de pedir esclarecimento, o modelo "preenche" pressuposições e devolve resposta como se a pergunta fosse clara.
• §2.17 Reprodução literal de trechos memorizados: em casos raros, o modelo pode reproduzir trecho memorizado do corpus de treinamento, gerando risco de plágio inadvertido.
• §2.18 Risco de prompt injection em RAG: documentos PDF podem conter instruções escondidas que alteram o comportamento do modelo durante a recuperação.
• §2.19 Sub-representação de pesquisa brasileira: autores nacionais, programas brasileiros, periódicos da CAPES Qualis e jurisprudência local podem ser sub-representados nos corpora de treinamento, levando a recomendações que privilegiam literatura estrangeira.
• §2.20 Risco em pesquisa qualitativa: análise temática, codificação, interpretação de entrevistas e etnografia exigem sensibilidade contextual; a IA pode achatar nuances, ignorar marcadores não-ditos e impor categorias inadequadas.
• §2.21 Risco em revisão sistemática: a IA pode "completar" lacunas de PRISMA, inventar critérios de elegibilidade ou produzir tabelas de extração com dados inconsistentes com os artigos originais.
• §2.22 Anacronismo conceitual: aplicar conceitos contemporâneos a períodos históricos sem mediação adequada; descontextualização teórica.
• §2.23 Risco ético em pesquisa com humanos: a IA pode sugerir desenhos de pesquisa que ignorem TCLE, comitês de ética, vulnerabilidade de populações ou normas da Resolução CNS 466/2012 e 510/2016.

§3 — Limitações por feature

A IARA dispõe de funcionalidades distintas que utilizam IA de modos específicos. Esta seção detalha as limitações de cada uma.

§3.1 Avaliador Rigoroso

O Avaliador Rigoroso aplica rubrica de nove categorias: Apresentação, Justificativa, Marco Teórico, Problema/Hipóteses, Metodologia, Originalidade, Coerência, Adequação e Redação. Para cada categoria, o modelo emite parecer e atribui nota.

• A avaliação é probabilística e baseada em padrões de projetos similares vistos no treinamento; não substitui banca real.
• Pode subestimar contribuições verdadeiramente originais, justamente porque tais contribuições não têm padrão no corpus de comparação.
• Pode superestimar projetos com forma boa e conteúdo fraco — texto fluente, estrutura limpa e jargão adequado tendem a inflar a nota.
• Não verifica autenticidade, originalidade frente a outros trabalhos, nem questões éticas em pesquisa.
• Pareceres são indicativos, não substituem leitura por orientador, comitê ou banca.

§3.2 Mentor PENCER

O Mentor PENCER aplica framework próprio: Problema, Equipa, Necessidade, Concorrência, Estratégia, Resultados.

• É heurística orientada a projetos empreendedores, pesquisa aplicada e trabalhos com vertente prática.
• Pode não se ajustar bem a teses puramente teóricas, pesquisas filosóficas, históricas ou literárias.
• O Usuário deve julgar a aplicabilidade do framework ao seu objeto antes de incorporar as sugestões.

§3.3 Copywriting Acadêmico

A função de Copywriting gera textos persuasivos para introduções, justificativas, abstracts e seções de impacto.

• Pode reforçar clichês de copywriting ("em um mundo em constante mudança...", "mais do que nunca...").
• Pode usar promessas vazias ou afirmações infladas sobre relevância e originalidade.
• Pode soar genérico; cabe ao Usuário ajustar para tom autoral, técnico e fundamentado.
• Não substitui a fundamentação real do projeto; o "polimento" não cria conteúdo onde não há.

§3.4 Chat

O Chat oferece interação conversacional com o modelo, no contexto do projeto do Usuário.

• Contexto de 200 mil tokens (Claude Haiku 4.5); informação fora dessa janela pode ser perdida.
• O histórico de chat não é "memória" persistente do modelo; é um buffer textual que cresce até o limite, podendo ser truncado.
• Sessões são independentes; o modelo não se recorda do que foi dito em outra conversa, salvo briefing do projeto.
• O modelo não "aprende" com o Usuário ao longo do tempo (a Operadora não realiza fine-tuning com dados de Usuários).

§3.5 Agente de Referências (RAG)

O Agente de Referências realiza busca, recuperação e síntese sobre PDFs e documentos enviados pelo Usuário, via embeddings vetoriais e retrieval-augmented generation.

• A qualidade da resposta depende do chunking dos documentos — trechos podem ser cortados em ponto inadequado.
• Embeddings podem confundir conceitos semanticamente próximos (similaridade vetorial não é equivalência lógica).
• A síntese pode mesclar fontes inadequadamente, atribuindo a um autor afirmação de outro.
• Sempre verifique cada referência citada consultando o documento original.
• Documentos com OCR ruim, escaneados ou em colunas múltiplas podem gerar trechos corrompidos.
• PDFs com instruções escondidas podem tentar prompt injection; reporte ao suporte qualquer comportamento estranho.

§3.6 Editor (assistente)

O Editor disponibiliza funções de continuar, resumir, expandir, parafrasear e sugerir sobre o texto em produção.

• Paráfrase pode mudar nuance, sutileza ou compromisso teórico do texto original.
• Expansão pode introduzir afirmações não-apoiadas, exemplos hipotéticos como se fossem reais, ou redundâncias.
• Resumo pode omitir informação crítica, especialmente ressalvas, condições e exceções.
• Continuar tende a produzir prolongamento estatisticamente plausível, mas que pode divergir da intenção do autor.
• Sugerir oferece alternativas que o Usuário deve avaliar — não há "sugestão ótima"; há escolhas autorais.

§3.7 Limitações comuns a todas as features

• Nenhuma feature substitui leitura crítica de fontes primárias.
• Nenhuma feature garante originalidade frente a outros trabalhos existentes.
• Nenhuma feature substitui orientação acadêmica humana qualificada.
• Nenhuma feature garante aderência a normas de programas, periódicos ou bancas específicas.
• Nenhuma feature realiza ato jurídico, decisão final, parecer técnico vinculante ou prescrição profissional regulamentada.
• O escopo de cada feature pode ser revisto pela Operadora; o Usuário será informado de alterações materiais.

§3.8 Disponibilidade e evolução

A Operadora pode adicionar, modificar, descontinuar ou substituir features de IA a seu critério, mantendo, sempre que possível, paridade funcional e migração de dados quando aplicável. A descontinuação de feature será comunicada com antecedência razoável.

§4 — Detectores de IA — declaração explícita

§4.1 Detectores conhecidos. Existem dezenas de detectores em uso, incluindo: Turnitin AI Detector, GPTZero, Originality.ai, Copyleaks, Sapling, Winston AI, ZeroGPT, AI Text Classifier da OpenAI (descontinuado), ContentDetector.ai, ScribbrAI, e muitos outros. Instituições acadêmicas, periódicos e bancas podem usar um ou mais desses, ou combinar detecção automatizada com análise humana (estilometria, comparação com trabalhos anteriores do candidato, peritagem).

§4.2 Estado da arte. Detectores têm precisão limitada. Estudos acadêmicos têm reportado tanto falsos positivos (texto humano marcado como IA — especialmente em escrita formal, padronizada ou em segunda língua) quanto falsos negativos (texto de IA marcado como humano — sobretudo quando há reescrita extensa). A corrida é cíclica: modelos novos burlam detectores antigos; detectores novos pegam modelos antigos. O resultado é instável e varia conforme versão, parâmetros, idioma e domínio.

§4.3 Compromisso da IARA. A Operadora declara, de forma inequívoca:

• NÃO ajudamos a burlar detectores de IA ou de plágio.
• NÃO oferecemos funções de "humanização", "stealth", ofuscação estilística ou descaracterização anti-detector.
• NÃO garantimos que o conteúdo gerado passará indetectado por qualquer detector, atual ou futuro.
• NÃO publicamos "melhores prompts" para escapar de detecção.
• NÃO removemos marcas d'água que provedores de IA aplicarem ao output (ex.: Google SynthID).

§4.4 Risco do Usuário. Bancas, programas de pós-graduação, periódicos e comitês podem usar detectores; suas decisões são soberanas. A IARA não responde por consequências dessa detecção, sejam elas justas ou injustas, fundamentadas ou equivocadas.

§4.5 Falsos positivos. Texto autoral pode ser marcado como IA, especialmente quando: o Usuário tem estilo formal e padronizado; escreve em segunda língua; usa vocabulário técnico recorrente; produz textos curtos ou estruturados. O Usuário deve preservar evidências de autoria — versões intermediárias, anotações, rascunhos manuscritos, histórico de edição — para defesa em eventual contestação.

§4.6 Falsos negativos. Texto gerado por IA pode passar como humano em detectores, mas isso não é justificativa para uso indevido. Integridade acadêmica vai além do detector: é compromisso ético do Usuário com a verdade, a originalidade e as normas de seu programa.

§4.7 Watermarking. Alguns provedores podem aplicar marcas d'água estatísticas invisíveis no texto gerado (ex.: padrões de seleção de tokens detectáveis com chave proprietária). A IARA não remove nem oculta marcas d'água que provedores aplicarem; eventuais tecnologias de detecção mantidas pelos provedores podem identificar a origem artificial.

§4.8 Cooperação com instituições. Em caso de processo ético-disciplinar formal, a Operadora pode confirmar — mediante ordem judicial ou requisição do Ministério Público, ou ainda mediante autorização expressa do titular — se determinado output foi gerado pela Plataforma e, em que medida, dentro dos limites técnicos da rastreabilidade disponível. Não fornecemos informações pessoais sem base legal adequada.

§4.9 Autonomia das instituições. Bancas examinadoras, programas de pós-graduação, comitês editoriais e órgãos de integridade acadêmica têm autonomia plena para: (i) empregar detectores; (ii) estabelecer regras próprias sobre o uso de IA; (iii) exigir declaração detalhada de uso; (iv) realizar avaliação ética sobre o uso identificado. Compete exclusivamente ao Usuário conhecer, interpretar e cumprir tais regras.

§4.10 Padrões estilísticos reconhecíveis. Mesmo após reescrita, certos padrões estilísticos de IA tendem a persistir: parágrafos balanceados, transições previsíveis, listas de três itens, hedging excessivo ("pode ser", "tende a"), "portanto" e "ademais" em frequência incomum. O Usuário deve ler em voz alta e reescrever onde o texto soar "chapado" — sem sua marca pessoal.

§4.11 Análise humana. Para além de detectores automatizados, bancas podem aplicar análise humana qualificada: estilometria (comparação com obras anteriores do candidato), peritagem por especialista, avaliação contextual (perguntas orais sobre o conteúdo do trabalho). Uso indevido de IA tende a aparecer nessas análises mesmo quando detectores falham.

§4.12 Sem suporte a contra-detecção. A Operadora não fornece suporte, orientação, prompts, integrações ou parcerias com serviços de "humanização", "descaracterização" ou "by-pass" de detectores. Pedidos nesse sentido serão recusados e podem ensejar suspensão da conta.

§4.13 Reserva de modificação. A Operadora reserva-se o direito de modificar prompts de sistema e parâmetros de geração para aumentar — não diminuir — a clareza da origem artificial do conteúdo, em alinhamento com diretrizes éticas e legais aplicáveis.

§5 — Termo de Responsabilidade do Usuário

§5.1 Ciência e aceitação. O Usuário declara estar plenamente ciente da natureza probabilística e dos riscos da IA generativa descritos neste Aviso, e os aceita integralmente.

§5.2 Revisão crítica integral. O Usuário obriga-se a revisar criticamente todo conteúdo gerado pela IA antes de qualquer uso acadêmico, profissional, comercial ou pessoal. Compreende-se por revisão crítica: leitura integral, avaliação de cada afirmação, conferência de cada referência, identificação de inconsistências, descarte de trechos imprecisos.

§5.3 Reescrita autoral. O Usuário obriga-se a reescrever e adaptar o material para refletir sua voz autoral, raciocínio próprio e estilo individual, evitando reprodução literal e padrões reconhecíveis de IA (frases-padrão, estruturas estereotipadas, transições genéricas, paralelismos formulaicos, vocabulário pomposo).

§5.4 Verificação factual. O Usuário obriga-se a verificar referências, citações, dados, leis, jurisprudência, fórmulas, datas e qualquer afirmação factual junto às fontes primárias autoritativas. Referências fornecidas pela IA podem ser inexistentes ou imprecisas; o Usuário não pode usá-las sem confirmação.

§5.5 Cumprimento normativo. O Usuário obriga-se a cumprir as normas de seu programa acadêmico, banca, periódico, conferência, instituição empregadora ou regulamentação profissional quanto ao uso de IA generativa, incluindo eventuais proibições totais ou parciais.

§5.6 Declaração de uso. O Usuário obriga-se a declarar o uso de IA sempre que exigido pelas normas aplicáveis — CAPES, CNPq, ABNT, COPE, ICMJE, WAME, normas internas de programas, editais de periódicos. Em caso de dúvida sobre a obrigação de declarar, deve optar pela declaração.

§5.7 Direitos de terceiros. O Usuário obriga-se a proteger direitos de terceiros: não usar a Plataforma para reproduzir textos protegidos por direitos autorais sem autorização adequada; não submeter dados pessoais de terceiros sem base legal; respeitar imagem, privacidade e intimidade.

§5.8 Não-burla de detectores. O Usuário obriga-se a não usar a Plataforma como instrumento para burlar sistemas de detecção de plágio ou de IA, nem para mascarar a origem artificial do conteúdo.

§5.9 Não-submissão integral. O Usuário obriga-se a não submeter trabalho integralmente gerado por IA como sendo de autoria própria, sob qualquer forma — TCC, monografia, dissertação, tese, artigo, capítulo, parecer, relatório.

§5.10 Não-uso em avaliações ao vivo. O Usuário obriga-se a não usar a Plataforma para realizar provas, exames, concursos, avaliações em tempo real ou qualquer atividade vedada pela banca, sem autorização expressa.

§5.11 Assunção de consequências. O Usuário assume integralmente as consequências de qualquer submissão feita sem revisão adequada, incluindo, sem limitação:

• Reprovação acadêmica em processo seletivo, banca, prova, qualificação ou defesa.
• Retratação de artigo publicado.
• Processo ético-disciplinar em programa, instituição, conselho profissional ou comitê editorial.
• Plágio identificado por banca, periódico ou software de detecção.
• Identificação pelo Turnitin AI ou outro detector anti-IA.
• Apuração de fraude por CAPES, CNPq, Comissão de Ética em Pesquisa ou autoridade equivalente.
• Sanções administrativas, civis ou criminais aplicáveis.
• Perda de bolsa, cargo, posição, financiamento ou oportunidade profissional.
• Dano à reputação acadêmica, profissional ou pessoal.
• Custos de defesa em processos administrativos ou judiciais.

§5.12 Não-responsabilização da Operadora. O Usuário obriga-se a não responsabilizar a Operadora — administrativa, civil, ética ou criminalmente — por decisões acadêmicas, profissionais ou institucionais de terceiros baseadas em conteúdo gerado pela IA da Plataforma.

§5.13 Reporte de anomalias. O Usuário obriga-se a reportar imediatamente ao suporte (suporte@pesquisadordesucesso.com.br) qualquer comportamento anômalo do modelo: output ofensivo, viés evidente, alucinação grave, suspeita de prompt injection, vazamento aparente de dados de terceiros.

§5.14 Dados sensíveis. O Usuário obriga-se a não inserir dados sensíveis (saúde, orientação sexual, biometria, opinião política, religiosa, sindical, racial, étnica, dados de menores) em prompts, salvo quando estritamente necessário à pesquisa e com fundamentação legal adequada. Consulte a Política de Privacidade.

§5.15 Cálculo e matemática. O Usuário obriga-se a validar fórmulas e cálculos gerados pela IA. Modelos atuais ainda têm dificuldade com matemática precisa; usar resultados sem checagem é risco do Usuário.

§5.16 Hierarquia epistêmica. O Usuário obriga-se a tratar a IA como assistente, não como fonte primária. Em trabalhos acadêmicos, citar literatura, dados e jurisprudência verificados, e não a IA, salvo quando a própria IA é objeto de análise.

§5.17 Registro de uso. O Usuário obriga-se a manter registro dos prompts e outputs usados, sobretudo quando exigido pelas normas de seu programa, para fins de transparência, declaração e eventual contestação.

§5.18 Restrições éticas profissionais. O Usuário obriga-se a cumprir as restrições éticas de sua área (medicina, direito, psicologia, educação, contabilidade, engenharia, jornalismo, etc.). A IARA não substitui consultoria humana qualificada nem dispensa observância dos códigos profissionais.

§5.19 Conteúdo nocivo. O Usuário obriga-se a não usar a Plataforma para gerar conteúdo nocivo — discurso de ódio, instruções para atividades perigosas, material sexualmente explícito envolvendo menores, conteúdo que incite violência, fraude ou prejuízo a terceiros.

§5.20 Natureza contratual. O Usuário reconhece que este Termo é parte integrante do contrato firmado com a Operadora e que sua violação enseja responsabilização contratual e extracontratual, sujeitando o Usuário às sanções previstas na Política de Uso Aceitável e às providências do §13 dos Termos de Uso, incluindo suspensão, encerramento de conta e cobrança de eventuais danos.

§5.21 Vedação a engenharia social do modelo. O Usuário obriga-se a não tentar, mediante prompts adversariais, prompt injection, jailbreak ou qualquer outro meio, fazer o modelo: (i) produzir conteúdo vedado pelas políticas de segurança; (ii) revelar prompts de sistema, instruções proprietárias ou dados de outros usuários; (iii) gerar instruções para fraude acadêmica.

§5.22 Vedação a uso para terceiros sem ciência. O Usuário obriga-se a não usar a Plataforma para produzir trabalho de terceiro que será apresentado por terceiro como de autoria própria, sem que esse terceiro tenha conhecimento integral do uso da IA, dos termos deste Aviso e tenha aceitado responsabilizar-se nos mesmos termos. "Ghostwriting" oculto com IA é vedado.

§5.23 Conformidade com normas de pesquisa. O Usuário obriga-se a observar normas de ética em pesquisa aplicáveis (Resolução CNS 466/2012, 510/2016, normas de comitês de ética, regras de instituições financiadoras), inclusive nas etapas em que utilizar IA da Plataforma.

§5.24 Não-uso para fraude de currículo. O Usuário obriga-se a não usar a Plataforma para fabricar produção acadêmica fictícia destinada a inflar currículo Lattes, ORCID, ResearchGate ou outras plataformas de visibilidade científica.

§5.25 Boa-fé objetiva. Este Termo deve ser interpretado e cumprido com observância da boa-fé objetiva (art. 422 do Código Civil) e da função social do contrato (art. 421), considerando a finalidade pedagógica e científica da Plataforma.

§6 — Isenção de responsabilidade da Operadora

§6.1 Natureza da Plataforma. A Operadora oferece ferramenta de apoio à pesquisa acadêmica — não mais, não menos. Trata-se de instrumento que auxilia o pesquisador em tarefas auxiliares: sumarização, organização, sugestão, verificação de gramática, brainstorming, recuperação semântica em documentos próprios.

§6.2 O que a Plataforma NÃO é. A IARA expressamente não substitui:

• Orientação acadêmica formal por docente ou orientador qualificado.
• Revisão por pares em periódicos científicos.
• Parecer humano qualificado (técnico, científico, didático).
• Consultoria médica, jurídica, financeira, contábil, psicológica, psiquiátrica ou de outra natureza profissional regulamentada.
• Análise de comitê de ética em pesquisa.
• Trabalho intelectual original do Usuário.

§6.3 Sem promessa de resultado. A Operadora não promete, sugere ou garante: aprovação em processo seletivo, banca, prova, defesa, qualificação ou publicação; retratação favorável; financiamento ou bolsa; posição docente ou profissional; qualquer outro resultado acadêmico, científico, profissional ou financeiro.

§6.4 A Plataforma NÃO responde por:

• Reprovação em banca, prova, qualificação ou defesa.
• Retratação de artigo publicado pelo Usuário.
• Processo ético-disciplinar instaurado contra o Usuário.
• Plágio identificado em material submetido pelo Usuário.
• Detecção por software anti-IA em ambiente que restrinja ou proíba o uso.
• Decisões institucionais de terceiros (programas, periódicos, conselhos, comitês).
• Atraso na entrega de trabalho do Usuário.
• Bloqueio, suspensão ou cancelamento de bolsa por uso indevido de IA.
• Qualquer prejuízo financeiro, patrimonial, moral ou existencial decorrente do uso ou da submissão do conteúdo gerado.
• Decisões de mercado de trabalho relacionadas ao histórico acadêmico do Usuário.

§6.5 Limitação contratual de responsabilidade. Aplicam-se, em complemento, as limitações de responsabilidade dos §§14-15 dos Termos de Uso, resguardadas as garantias mínimas do Código de Defesa do Consumidor para defeito objetivo do serviço.

§6.6 Sem garantias. Na maior extensão permitida em lei, a Operadora não oferece garantia de precisão, completude, atualidade, originalidade, utilidade, adequação a propósito específico ou disponibilidade ininterrupta dos Outputs, observadas as garantias mínimas do CDC.

§6.7 Caso fortuito e força maior. A Operadora não responde por falhas, interrupções, erros, latências ou indisponibilidade decorrentes de caso fortuito, força maior, ações de terceiros sub-operadores (Anthropic, Google, provedores de infraestrutura), ataques cibernéticos, mudanças regulatórias supervenientes ou eventos fora de seu controle razoável.

§6.8 Independência institucional. A Operadora não é credenciada, vinculada, parceira oficial nem representante de qualquer programa de pós-graduação, periódico científico, agência de fomento, conselho profissional ou universidade — salvo onde houver instrumento formal específico e divulgado. Qualquer interpretação em contrário não decorre deste contrato.

§6.9 Defeito objetivo. Resguardam-se as garantias mínimas do CDC para defeito objetivo do serviço (art. 14 e ss.) — ou seja, falha de funcionamento que torne o serviço inadequado para o uso a que se destina. A imperfeição de outputs por limitações intrínsecas da IA, descritas neste Aviso, não configura defeito objetivo, pois o serviço entrega exatamente o que se compromete a entregar: apoio probabilístico a ser revisado pelo Usuário.

§6.10 Indenização pelo Usuário. O Usuário compromete-se a indenizar e isentar a Operadora, seus sócios, administradores, funcionários e prestadores de qualquer reclamação, ação, demanda, perda ou despesa (incluindo honorários advocatícios razoáveis) decorrentes de violação por ele cometida das obrigações deste Aviso, em especial das obrigações da §5.

§7 — Marca d'água e rastreabilidade do output

§7.1 Marca obrigatória. Todos os outputs exportados (DOCX, PDF, Markdown) recebem marca obrigatória declaratória, com o seguinte teor base: "Conteúdo produzido com auxílio de IA generativa (IARA — Pesquisador de Sucesso) — revisão, verificação e responsabilidade do autor." A marca inclui ainda: (i) identificação da Plataforma; (ii) data e hora de geração; (iii) versão deste Aviso.

§7.2 Inalterabilidade. A marca não pode ser removida, ocultada, alterada, descaracterizada ou suprimida pelo Usuário (cf. §4 dos Termos de Uso). A remoção ou alteração configura violação contratual grave, podendo ensejar encerramento de conta e responsabilização por danos.

§7.3 Metadados. Outputs exportados podem conter metadados embutidos (em propriedades do DOCX/PDF ou em comentários ocultos) para fins de rastreabilidade e cooperação com instituições, mediante base legal, em casos formais.

§7.4 Não substitui declaração. A marca não substitui a declaração que o Usuário deve fazer à banca, programa, periódico ou instituição-alvo, na forma e nos locais por estes exigidos. Ela é prova de origem, não dispensa transparência institucional.

§7.5 Watermarking estatístico de provedor. Provedores de modelos podem aplicar marcas d'água estatísticas próprias (ex.: Google SynthID) ao texto gerado. A Operadora não remove nem oculta tais marcas; eventual detecção por ferramentas proprietárias do provedor é matéria entre o provedor e quem usar seu serviço de detecção.

§8 — Direito a revisão humana (LGPD art. 20)

§8.1 Caráter consultivo das Análises. As Análises geradas pela IARA têm caráter pedagógico e consultivo; não constituem decisão automatizada com efeitos jurídicos sobre o Usuário ou sobre terceiros. Ainda assim, o Usuário tem direito à revisão humana, nos termos abaixo.

§8.2 Direito a revisão humana. O Usuário pode solicitar revisão humana de qualquer Análise gerada por IA da Plataforma. O canal é o DPO: mentor@fabioportela.com.br.

§8.3 Prazo. A Operadora compromete-se a responder em até 15 dias úteis a contar do recebimento da solicitação, com confirmação de recebimento em até 5 dias úteis.

§8.4 Modalidade. A revisão será feita por especialista qualificado em área de conhecimento similar à do trabalho do Usuário, ou por equipe técnica multidisciplinar quando o caso assim demandar.

§8.5 Custo. Pode haver custo adicional para revisão humana especializada de Análises extensas ou em áreas que demandem competência específica — sempre informado previamente, com aceite expresso do Usuário antes da execução. Revisões simples e questionamentos sobre critérios são gratuitos.

§8.6 Resultado. O Usuário recebe parecer escrito do revisor humano, com fundamentação clara dos critérios aplicados, identificação de eventuais divergências em relação à Análise da IA e recomendação final.

§8.7 Direito à informação. O Usuário pode requisitar, ao DPO, informações claras e adequadas sobre os critérios e procedimentos usados nas Análises (art. 20, §1º, LGPD), observada a proteção a segredo comercial e industrial (art. 20, §3º, LGPD).

§8.8 Discordância fundamentada. O Usuário que discordar da revisão humana pode solicitar segunda análise, por revisor distinto, mediante apresentação de fundamentos da discordância. O prazo é o mesmo da §8.3.

§8.9 Sem efeitos sobre terceiros. A revisão humana de Análise da IA não vincula banca, programa, periódico ou qualquer terceiro. Trata-se de revisão interna entre o Usuário e a Operadora sobre a qualidade da análise prestada — não substitui parecer institucional externo.

§8.10 Confidencialidade. O processo de revisão humana segue padrões de confidencialidade; o revisor é vinculado contratualmente a sigilo sobre os materiais analisados.

§9 — Diretrizes externas referenciadas

Em complemento a este Aviso, a Operadora recomenda atenção aos seguintes referenciais nacionais e internacionais sobre integridade acadêmica, ética em pesquisa e uso de IA generativa:

• COPE (Committee on Publication Ethics) — guidelines sobre uso de IA em publicações científicas; orientações para editores, revisores e autores.
• DORA (San Francisco Declaration on Research Assessment) — princípios sobre avaliação de pesquisa.
• UNESCO — Guia para o uso de IA generativa na educação e pesquisa (2023) e atualizações.
• CAPES — comunicações e orientações sobre uso de IA generativa em pós-graduação.
• CNPq — diretrizes éticas para a integridade na atividade científica.
• WAME (World Association of Medical Editors) — política sobre uso de IA em publicações médicas.
• ICMJE (International Committee of Medical Journal Editors) — política sobre IA como autor: a IA não pode ser listada como autora; autores humanos respondem pela integralidade do trabalho.
• Springer Nature, Elsevier, Wiley, Taylor & Francis e demais editoras científicas — políticas próprias sobre uso e declaração de IA.
• Lei 13.709/2018 (LGPD) — em especial art. 20 sobre decisões automatizadas e direitos do titular.
• Marco regulatório de IA no Brasil — PL 2.338/2023 e legislação subsequente, quando aprovada e vigente.
• EU AI Act (Regulamento (UE) 2024/1689) — quando aplicável a operações internacionais ou cooperações.
• OECD AI Principles — princípios da OCDE para IA confiável.

A enumeração é exemplificativa e pode estar desatualizada; o Usuário deve consultar versões correntes diretamente nas fontes oficiais.

§10 — Boas práticas (recomendações da Operadora)

Esta seção contém recomendações da Operadora para uso responsável e produtivo da IA na pesquisa. Não substitui as obrigações da §5; é guia prático.

• §10.1 Use a IA para brainstorming inicial, depois reescreva com sua voz e sua estrutura de pensamento.
• §10.2 Use a IA para checar gramática, coerência e fluidez, não para escrever ideias originais por você.
• §10.3 Use a IA para sintetizar literatura, mas leia os papers que pretende citar — não cite sem leitura direta.
• §10.4 Compare 2 ou 3 outputs diferentes antes de decidir; varie o prompt, observe convergências e divergências.
• §10.5 Faça revisão por colega humano qualificado — orientador, par, revisor técnico.
• §10.6 Mantenha um registro de prompts e versões: anote quais funções foram usadas, em quais trechos, com quais prompts.
• §10.7 Não confie em referências geradas pela IA — sempre verifique nas bases (Scopus, Web of Science, SciELO, Google Scholar, Portal de Periódicos CAPES) e nos documentos originais.
• §10.8 Não confie em estatísticas geradas — sempre cruze com fontes oficiais (IBGE, agências reguladoras, bases de dados disciplinares).
• §10.9 Quando a IA "ficar firme" em algo errado mesmo após correção, suspeite — pode ser memorização espúria ou viés persistente.
• §10.10 Suspeite de respostas excessivamente confiantes sem ressalvas — IA bem calibrada tende a expressar incerteza.
• §10.11 Verifique a data de publicação das fontes recomendadas pela IA — pode haver desatualização ou anacronismo.
• §10.12 Reescreva para sua voz autoral; evite "wordings de IA" (transições genéricas, "em conclusão", "além disso", paralelismos formulaicos).
• §10.13 Se sua área tem normas específicas sobre uso de IA (saúde, direito, ciências sociais), leia-as antes; algumas vedam, outras exigem declaração detalhada.
• §10.14 Quando em dúvida sobre se pode usar, pergunte ao orientador ou à coordenação do programa.
• §10.15 Se vai submeter, declare o uso: a transparência protege o Usuário e fortalece a integridade do trabalho.
• §10.16 Submeta o texto a um detector de IA antes da entrega final apenas para identificar trechos que destoam da sua voz e reescrevê-los — não para validar "passagem".
• §10.17 Em trabalhos colaborativos, combine previamente com coautores o grau de uso de IA permitido.
• §10.18 Considere usar a IA no início (mapeamento conceitual, brainstorming) e no final (revisão gramatical, polimento) — mas faça o "miolo" analítico você mesmo.
• §10.19 Para citações diretas, sempre transcreva manualmente do original — não confie em citação que a IA "reproduziu" sem você ter visto o original.
• §10.20 Use a IA para identificar lacunas em seu argumento — pergunte "quais objeções mais fortes alguém poderia fazer a este parágrafo?" — e responda você mesmo.
• §10.21 Cuidado com sycophancy: se a IA está concordando com tudo que você diz, mude o prompt para um papel adversarial ("haja como um revisor exigente e cético").
• §10.22 Em áreas com protocolos formais (revisão sistemática, ensaios clínicos), siga primeiro o protocolo (PRISMA, CONSORT) e use a IA apenas para tarefas auxiliares dentro do protocolo.

§11 — Vieses conhecidos dos modelos

Os modelos atuais carregam vieses identificáveis que afetam a pesquisa acadêmica em português brasileiro. A enumeração não é exaustiva.

• §11.1 Viés ocidental e anglo-cêntrico: sobrerrepresentação de autores e tradições anglo-saxãs e europeias; sub-representação de literatura latino-americana, africana, asiática.
• §11.2 Viés de gênero: tendência a vincular profissões prestigiadas a gênero masculino, papéis de cuidado a gênero feminino; tendência a usar pronome masculino genérico.
• §11.3 Viés racial: exemplos, narrativas e ilustrações podem refletir estereótipos raciais; literatura de autores não-brancos sub-representada.
• §11.4 Sub-representação de literatura em português, espanhol e línguas não-inglesas: o corpus de treinamento é majoritariamente em inglês; autores brasileiros e ibero-americanos aparecem menos.
• §11.5 Viés temporal: peso excessivo em literatura recente vista no treinamento; sub-representação de clássicos ou de literatura imediatamente posterior ao corte.
• §11.6 Viés de superficialidade: preferência por afirmações genéricas e seguras em vez de posicionamentos teóricos específicos.
• §11.7 Sycophancy: tendência a concordar com o Usuário mesmo quando o Usuário está errado, especialmente sob insistência.
• §11.8 Viés institucional: sobrerrepresentação de universidades e periódicos de alto prestígio em detrimento de produção local relevante.
• §11.9 Viés de positividade: tendência a respostas otimistas e "construtivas" mesmo quando análise crítica mais incisiva seria adequada.

§11.10 Compromisso de mitigação. A Operadora aplica mitigações por meio de prompts de sistema, curadoria de instruções e seleção de provedores. Não há garantia absoluta de neutralidade. O Usuário deve estar atento e ajustar prompts e revisar outputs com olhar crítico.

§11.11 Reporte de vieses. O Usuário pode reportar, ao suporte (suporte@pesquisadordesucesso.com.br), instâncias específicas de viés observadas — descrevendo o prompt, o output e o problema. Reportes alimentam o processo de melhoria contínua dos prompts de sistema.

§11.12 Estratégias práticas de mitigação pelo Usuário:

• Pedir explicitamente perspectivas diversas ("inclua autores latino-americanos", "considere autoras mulheres na área").
• Indicar a área geográfica do trabalho ("contexto brasileiro", "jurisprudência do STJ").
• Pedir o "contraditório" ("quais críticas existem a essa abordagem?").
• Não usar prompts que reforcem estereótipos ("descreva um engenheiro típico").
• Validar amostragens de exemplos em fontes adequadas antes de incorporar.
• Cruzar recomendações com bases brasileiras (SciELO, BDTD, Portal CAPES) para reduzir viés anglo-cêntrico.

§11.13 Limites da mitigação. Nem todo viés é mitigável por prompt ou ajuste. Vieses estruturais do corpus de treinamento, que afetam padrões linguísticos e associações conceituais profundas, exigem revisão crítica humana. O Usuário, ao revisar, deve perguntar: "esse output trata sua área com a riqueza que ela merece, ou achata em estereótipos?"

§12 — Dados pessoais em prompts

§12.1 Cross-reference. Esta seção complementa a Política de Privacidade, §§7 a 12 (bases legais, transferência internacional, sub-operadores) e §15 (compromisso ZDR).

§12.2 Dados sensíveis em prompts. O Usuário não deve inserir em prompts dados pessoais sensíveis (saúde, orientação sexual, biometria, opinião política, religiosa, sindical, racial, étnica, dados de menores) salvo se imprescindível para a pesquisa e desde que haja base legal específica (consentimento qualificado, pesquisa científica por órgão de pesquisa, tutela da saúde).

§12.3 Trânsito a sub-operador. Prompts são enviados aos sub-operadores de IA (Anthropic e Google) para processamento, sob:

• Anthropic: cabeçalho anthropic-data-retention-zero — não retém após responder, não treina, não compartilha.
• Google (Gemini): contrato Vertex AI / API enterprise com configuração de opt-out de treinamento e retenção curta.

§12.4 Logs de compliance. Logs internos por compliance e segurança (não envolvendo o sub-operador) podem reter prompts por até 30 dias para investigação de fraude, abuso e cumprimento de obrigação legal, mesmo sob ZDR no sub-operador.

§12.5 Anonimização. Recomenda-se anonimizar dados de terceiros (nomes, identificadores, CPF, RG, e-mails) antes do upload, sempre que possível.

§13 — Reset de contexto e privacidade entre sessões

§13.1 Sessões independentes. Cada sessão de IA da Plataforma é independente. O modelo não "lembra" de conversas anteriores entre sessões.

§13.2 Briefing do projeto. O Usuário pode optar por incluir briefing do projeto (resumo, objetivos, contexto) que será injetado nos prompts subsequentes — mas isso é escolha explícita do Usuário, não "memória" persistente do modelo.

§13.3 Sem vazamento entre Usuários. Sessões de outros Usuários não vazam para a sua. A Operadora aplica isolamento lógico em todas as camadas (multitenancy, controle de acesso, ZDR no sub-operador).

§13.4 Sem fine-tuning. A Operadora não usa seus prompts e outputs para fine-tuning de modelos próprios ou de terceiros.

§14 — Aceitação contínua e versionamento

§14.1 Momentos de aceitação. O Usuário aceita este Aviso:

• No signup, mediante checkbox obrigatório.
• Na 1ª geração de IA, em modal click-through com declaração expressa.
• Tacitamente, ao continuar usando a Plataforma após bump de versão devidamente comunicado.
• Expressamente, mediante novo aceite solicitado por banner ou modal quando esta versão for atualizada de forma material.

§14.2 Registro. O histórico de versões aceitas fica disponível em /conta → Privacidade & Consentimentos, com data, IP mascarado, user-agent e fonte. Os registros são retidos por 5 anos como prova de consentimento (art. 8º, §2º, LGPD).

§14.3 Versão atual: v2.1. Versões anteriores ficam disponíveis mediante solicitação ao DPO (mentor@fabioportela.com.br).

§15 — Comunicação de mudanças

§15.1 Bump de versão. Atualizações materiais serão comunicadas por e-mail ao endereço cadastrado e exibidas em modal de re-aceite na Plataforma na próxima interação.

§15.2 Aviso prévio. Aviso prévio mínimo de 15 dias para entrada em vigor de alterações materiais, ressalvadas hipóteses de cumprimento imediato de obrigação legal.

§15.3 Versionamento semântico. O versionamento segue padrão major.minor.patch: major para alterações estruturais; minor para inclusões e ajustes relevantes; patch para correções editoriais e redacionais.

§15.4 Histórico. O histórico de versões anteriores é mantido pela Operadora e disponibilizado mediante solicitação ao DPO.

§16 — Cooperação com instituições acadêmicas

§16.1 Verificação de origem. Programas de pós-graduação, periódicos científicos, comitês de ética e órgãos de integridade acadêmica podem solicitar verificação se determinado output foi gerado pela Plataforma.

§16.2 Requisitos. A Operadora atende a tais solicitações mediante:

• Ordem judicial ou requisição do Ministério Público; ou
• Autorização expressa do titular (o Usuário cuja conta gerou o output).

§16.3 Sem informações sem base legal. A Operadora não fornece informações pessoais sem base legal adequada. O sigilo do Usuário é preservado salvo nas hipóteses acima.

§16.4 Limites técnicos. A capacidade de confirmação depende de logs e metadados disponíveis no momento da solicitação. A Operadora declara, com transparência, os limites técnicos da verificação no caso concreto.

§17 — Compromissos da Operadora

Em contrapartida às obrigações do Usuário, a Operadora assume os seguintes compromissos:

• §17.1 Manter disclaimer claro em todos os outputs gerados.
• §17.2 Aplicar marca obrigatória nos exports (DOCX, PDF, Markdown).
• §17.3 Exigir modal click-through na 1ª geração de cada feature de IA.
• §17.4 Permitir revisão humana de Análises, na forma da §8.
• §17.5 Manter registro de consentimentos em /conta → Privacidade & Consentimentos por 5 anos.
• §17.6 Documentar prompts de sistema em termos gerais, sem expor segredos comerciais, e prestar esclarecimento sobre critérios mediante solicitação.
• §17.7 Selecionar provedores com padrões de segurança e privacidade compatíveis com a LGPD (Anthropic com ZDR, Google com opt-out de treinamento).
• §17.8 Buscar atualizações de modelo sem regressão (em best effort) — testar antes de migrar; comunicar mudanças relevantes.
• §17.9 Treinar a equipe de suporte para responder dúvidas éticas e técnicas sobre uso responsável de IA.
• §17.10 Publicar atualizações materiais deste Aviso com aviso prévio adequado.
• §17.11 Não fazer fine-tuning de modelos com dados de Usuários.
• §17.12 Cooperar com instituições acadêmicas nos limites legais (§16).
• §17.13 Manter canal direto com o DPO para exercício dos direitos da LGPD.

§18 — Casos hipotéticos e como agir

Esta seção apresenta perguntas frequentes em formato de cenários, com a posição da Operadora.

§18.1 "A IA inventou uma referência. Quem é responsável?"
Resposta: a responsabilidade é integralmente do Usuário que submeteu o material. Este Aviso, no §5.4, exige verificação de referências em fonte primária. A Operadora não responde por referência alucinada que tenha sido submetida sem verificação.

§18.2 "A banca rejeitou meu projeto por suspeita de IA. A IARA me defende?"
Resposta: não. A Operadora não atua como parte em processos de banca, programa ou periódico. A defesa, técnica e factual, cabe ao Usuário. A Operadora pode, mediante ordem judicial ou autorização do titular, confirmar dados objetivos de uso (§16).

§18.3 "Posso usar a IARA para escrever minha tese inteira?"
Resposta: não. O §5.9 veda submeter trabalho integralmente gerado por IA como sendo de autoria própria. A IARA é apoio; a contribuição intelectual original é do Usuário.

§18.4 "Minha universidade proíbe IA. Posso usar mesmo assim?"
Resposta: tecnicamente o uso da Plataforma não é monitorado pela sua universidade; juridicamente, o §5.5 obriga o Usuário a cumprir as normas do seu programa. Usar contra norma expressa é violação ética; a Operadora não recomenda nem se responsabiliza.

§18.5 "Eu revisei tudo. Ainda assim, fui pego no Turnitin. E agora?"
Resposta: a defesa depende das normas do programa. Preserve evidências de autoria (versões, anotações, histórico). Solicite, se necessário, esclarecimento à banca sobre o método do detector e seu margem de erro (falsos positivos existem). A Operadora não atua na defesa.

§18.6 "Posso citar a IARA como autora?"
Resposta: não. Diretrizes como ICMJE, WAME e COPE vedam IA como autora; autores humanos respondem pelo trabalho. Se houver obrigação de declarar uso, declare em metodologia, agradecimentos ou nota.

§18.7 "Posso citar a IARA como fonte?"
Resposta: em regra, não — o §5.16 manda tratar a IA como assistente, não como fonte primária. Exceção: quando a IA ou seu output for objeto da pesquisa (estudos em comunicação, ética, computação), pode ser citada conforme normas da área, com transparência sobre versão, data e prompt.

§18.8 "Posso usar trecho gerado pela IA sem aspas?"
Resposta: reescreva. O §5.3 manda evitar reprodução literal. Mesmo quando integrado, prefira reescrita autoral; se houver obrigação de declarar uso, declare conforme normas.

§18.9 "A IARA pode escrever artigo para mim?"
Resposta: a IARA auxilia em escrita — não escreve por você. O §5.9 veda submeter trabalho integralmente gerado por IA como próprio. Use para apoio, não para terceirização autoral.

§18.10 "A IARA pode publicar em meu nome?"
Resposta: não. A Operadora não submete, não publica nem assina trabalhos em nome do Usuário. Toda submissão é ato do Usuário, com sua responsabilidade integral.

§18.11 "Posso usar a IARA em prova online?"
Resposta: não, salvo autorização expressa da banca. O §5.10 veda uso em provas, exames e concursos em tempo real sem autorização. Pode configurar fraude acadêmica.

§18.12 "A IA contradisse outro autor que estou citando. Em quem confio?"
Resposta: sempre na fonte primária. A IA pode confundir, parafrasear mal ou alucinar. Volte ao texto do autor citado.

§18.13 "A IA me deu duas respostas diferentes para a mesma pergunta. Por quê?"
Resposta: normal. A geração é estocástica (§1.9). Para perguntas factuais, prefira ferramentas determinísticas (banco de dados, base oficial). Para perguntas analíticas, compare múltiplos outputs e construa sua própria resposta.

§18.14 "Posso usar a IARA para traduzir um capítulo de outro autor?"
Resposta: a tradução de obra de terceiro envolve direitos autorais. Se a obra está protegida, é preciso autorização do titular. Para uso acadêmico (citações breves, estudo, crítica), aplicam-se limites do art. 46 da Lei 9.610/98. A IARA não verifica titularidade nem autoriza usos.

§18.15 "A IA gerou um parágrafo idêntico a um trecho de livro. É plágio?"
Resposta: pode configurar reprodução de trecho memorizado pelo modelo. Não use como se fosse seu — reescreva ou cite o autor original (se identificável) com aspas e referência. Reporte ao suporte.

§18.16 "Posso usar a IARA para responder e-mails do meu orientador?"
Resposta: tecnicamente sim para apoio redacional. Eticamente, considere que seu orientador deposita confiança em sua autoria. Transparência é boa prática.

§18.17 "A IA recusou responder uma pergunta legítima. O que fazer?"
Resposta: reformule o prompt, contextualize o objetivo acadêmico. Se a recusa persistir e você acredita ser legítima, reporte ao suporte para avaliação. A Operadora não controla todas as recusas — algumas vêm do próprio provedor.

§18.18 "Sou orientador e descobri que meu aluno usou a IARA sem declarar. O que fazer?"
Resposta: aplique as normas do seu programa. A Operadora não atua na relação orientador-orientando. Pode-se solicitar verificação formal nos termos da §16, sempre mediante base legal.

§18.19 "Estou em concurso público e a banca não falou sobre IA. Posso usar para estudo prévio?"
Resposta: uso para estudo prévio, fora do ambiente de prova e fora do prazo da avaliação, costuma ser legítimo — desde que o produto final apresentado à banca (memorial, projeto) cumpra as obrigações da §5. Consulte o edital com atenção.

§18.20 "Quero fazer um TCC sobre IA na educação. Posso analisar outputs da IARA como objeto?"
Resposta: sim, desde que: (i) você cite a Plataforma e a versão do modelo na metodologia; (ii) preserve prompts e outputs como dados de pesquisa; (iii) submeta ao comitê de ética se houver participação humana; (iv) respeite eventuais segredos comerciais ao discutir prompts de sistema.

§18.21 "A IA gerou uma referência que existe mas o conteúdo do artigo é diferente do que ela descreveu. O que fazer?"
Resposta: situação típica de alucinação parcial. Cite o artigo somente com base no conteúdo real, lido por você. Descarte a paráfrase da IA.

§18.22 "Posso compartilhar minha conta IARA com colega de pesquisa?"
Resposta: compartilhamento de conta é vedado pelos Termos de Uso. Cada Usuário deve ter sua conta. Histórico, consentimentos e registros são individuais e nominativos.

§18.23 "A IARA me ajuda em revisão sistemática?"
Resposta: apoia tarefas auxiliares (sumarização, extração inicial), mas não substitui o protocolo PRISMA: definição de PICO, estratégia de busca em bases, dupla checagem por revisores humanos, avaliação de risco de viés. O rigor metodológico é seu.

§18.24 "Posso usar para gerar imagens, gráficos ou ilustrações?"
Resposta: a IARA, em sua versão atual, foca em texto. Funções multimodais futuras serão regidas por adendos a este Aviso. Não use a Plataforma para gerar conteúdo gráfico sem que isso esteja explicitamente disponível como feature.

§18.25 "A versão antiga deste Aviso era diferente. Qual vale?"
Resposta: a versão vigente é a publicada nesta página (atualmente v2.1, 17/05/2026). Versões anteriores são preservadas e disponibilizadas pelo DPO mediante solicitação. Para fatos ocorridos sob versão anterior, aplica-se a versão então vigente.

Apêndice — Modelo de Declaração de Uso de IA

Para auxiliar o Usuário a cumprir a obrigação da §5.6 (declaração de uso), apresenta-se modelo declaratório que pode ser adaptado a metodologia, agradecimentos ou nota específica do trabalho. Não substitui normas específicas do programa, periódico ou conselho profissional.

O Usuário deve ajustar o modelo aos fatos reais do uso, sem inflar nem omitir. Declarações falsas ou omissões podem ser tratadas pelas instituições como fraude.

Apêndice — Registro de Prompts

Recomenda-se, em conformidade com a §5.17, manter registro estruturado de prompts e outputs significativos. Sugestão de campos:

• Data e hora;
• Feature utilizada (Avaliador, PENCER, Copywriting, Chat, Agente de Referências, Editor);
• Prompt enviado (ou resumo, se extenso);
• Output recebido (ou referência ao arquivo gerado);
• Trecho do trabalho em que foi utilizado;
• Grau de adoção (literal, reescrito, descartado);
• Verificações realizadas (fontes consultadas, dados cruzados).

O registro protege o Usuário em eventual contestação e facilita a declaração transparente ao programa.

Apêndice — Checklist de Conformidade Antes da Submissão

Antes de submeter qualquer trabalho que tenha utilizado funcionalidades de IA da Plataforma, recomenda-se verificar:

• Revisão integral. Li o texto inteiro, do início ao fim, com atenção a cada parágrafo?
• Referências. Verifiquei todas as referências em fontes primárias? Há DOI válido? O ano confere? O autor existe?
• Citações diretas. Cada citação textual foi conferida no original?
• Dados. Estatísticas e números têm fonte oficial e citada?
• Leis e jurisprudência. Artigos, parágrafos e súmulas estão corretos?
• Voz autoral. O texto soa como meu? Reescrevi trechos que pareciam de IA?
• Normas do programa. Conheço e cumpri as regras do meu programa, banca ou periódico?
• Declaração de uso. Declarei o uso de IA onde exigido?
• Registro. Tenho registro dos prompts, outputs e decisões para eventual contestação?
• Coerência. O trabalho tem coerência interna, sem contradições entre seções?
• Originalidade. A contribuição intelectual principal (problema, hipóteses, defesa, conclusão) é claramente minha?
• Marca obrigatória. Mantive a nota declaratória nos arquivos exportados que repassei a terceiros?
• Sem dados sensíveis indevidos. Não inseri dados pessoais sensíveis de terceiros sem base legal?
• Comitê de ética. Se houve pesquisa com humanos, há aprovação do CEP/CONEP?
• Coautores cientes. Em trabalho colaborativo, todos os coautores conhecem e concordam com o uso de IA?

§19 — Contato

• DPO: mentor@fabioportela.com.br
• Suporte: suporte@pesquisadordesucesso.com.br
• Operadora: ATHENEO MENTORIA E CURSOS ACADÊMICOS LTDA. — CNPJ 52.735.279/0001-55
• Endereço: ST SCN Quadra 02 Bloco D Loja 310 1º Pavimento, Parte 469, Escritório Virtual, CEP 70712-904, Brasília/DF

Cláusula de salvaguarda

Caso qualquer disposição deste Aviso seja considerada inválida, ilegal ou inexequível, as demais permanecerão em pleno vigor. A interpretação se dará no sentido de preservar a finalidade primordial: deixar claras as capacidades, limitações e responsabilidades envolvidas no uso de IA generativa em contexto acadêmico, em benefício de todas as partes.