Governança de dados sintéticos para treinamento de IA

Governança de dados sintéticos para treinamento de IA é o conjunto de controles que garante que todo dado artificialmente gerado — por GAN, modelo de difusão ou LLM — usado para treinar ou ajustar um modelo tenha proveniência documentada, proporção de mistura com dado real controlada e qualidade estatística verificada antes de entrar em produção. Não é o mesmo problema que classificar dado pessoal sensível: o dado sintético, por definição, não veio de uma pessoa ou de um evento real, então o risco não é privacidade — é qualidade e proveniência. Um dataset sintético mal auditado não vaza CPF de ninguém; ele degrada o próprio modelo, silenciosamente, meses antes de alguém perceber de onde veio o problema. A Gartner projetou, já em 2021, que 60% do dado usado em desenvolvimento de IA e projetos analíticos seria gerado sinteticamente até 2024 (Gartner, via MIT Technology Review Brasil) — a tendência que tornou este artigo necessário: dado sintético deixou de ser exceção de laboratório e virou parte estrutural de qualquer pipeline de dados para IA.

Dado sintético não é dado real anonimizado — a diferença que muda o risco

Governança de dados para IA, o outro cluster deste hub, resolve uma pergunta diferente: qual dado real — pessoal, confidencial, estratégico — pode entrar em qual ferramenta de IA. Este artigo cobre o caso oposto: dado que nunca existiu como evento real, produzido por um modelo generativo para imitar as propriedades estatísticas de um dado real sem carregar o registro original.

Essa distinção não é semântica — muda qual disciplina de governança se aplica:

	Dado real (mesmo anonimizado)	Dado sintético
Origem	Coletado de pessoa, evento ou sistema real	Gerado por modelo (GAN, difusão, LLM) a partir de um dado real ou de uma distribuição-alvo
Risco principal	Privacidade, base legal, retenção (LGPD)	Fidelidade estatística, proveniência, degradação recursiva do modelo
Pergunta de governança	"Este dado pode ir para este prompt ou treinamento?"	"Este dado sintético representa a realidade o suficiente, e sei de onde ele veio?"
Framework de referência	LGPD, classificação de dados, anonimização	Métricas de fidelidade e privacidade sintética, proveniência (lineage), NIST AI RMF

Anonimização e pseudonimização — mecanismos que a LGPD define para reduzir risco de dado real, detalhados em LGPD e IA generativa — não resolvem o problema de proveniência do dado sintético, porque ele já não é dado pessoal por definição (quando bem construído). O erro mais comum é tratar "sintético" como sinônimo de "seguro" só por não ser pessoal — quando na verdade carrega um risco técnico próprio, detalhado a seguir.

Por que dado sintético virou parte estrutural do pipeline de dados de IA

Três motivos práticos explicam a adoção acelerada: dado sintético resolve escassez de dado real para casos raros (fraude, falha de equipamento, evento clínico incomum), permite testar e treinar sistemas sem expor dado sensível de cliente ou paciente, e custa uma fração do dado real coletado e rotulado manualmente. É essa combinação — custo, escala, contorno de restrição de privacidade — que sustenta a trajetória que a própria Gartner descrevia, já em 2021, como saindo de apenas 1% do dado usado em projetos de IA para a maioria em poucos anos (Gartner, via TechMonitor).

Isso não torna dado sintético dispensável de controle — torna o controle mais urgente, porque a velocidade de adoção superou a maturidade dos processos de auditoria, o mesmo padrão de visibilidade documentado para sistemas inteiros em inventário de sistemas de IA (AI-BOM) — aqui, o objeto que falta inventariar é o próprio dataset.

O risco que a maioria ignora: colapso de modelo (model collapse)

O risco mais sério e menos discutido em reuniões de dados de IA no C-level não é vazamento — é degradação silenciosa. Colapso de modelo (model collapse) é o fenômeno em que um modelo generativo, treinado repetidamente sobre dado produzido por outros modelos (incluindo por ele mesmo, em gerações sucessivas), perde progressivamente a capacidade de representar a diversidade real da distribuição original — os eventos raros desaparecem primeiro, depois o próprio centro da distribuição se distorce.

O estudo de referência é de Shumailov et al., publicado na Nature em 2024: "AI models collapse when trained on recursively generated data" (Nature 631, 755–759, 2024). Os autores demonstram, matemática e empiricamente, que o uso indiscriminado de conteúdo gerado por modelo para treinar a próxima geração produz um defeito irreversível: a cauda da distribuição original — casos raros, respostas menos comuns — desaparece de forma consistente a cada geração de treinamento recursivo, mesmo com mais volume de dado.

Por que "só um pouco" de dado sintético já é risco

O ponto mais contraintuitivo do achado de Shumailov et al. é que o colapso não exige treinamento 100% sintético — proporções pequenas de dado recursivamente gerado, sem controle de proveniência, já produzem perda mensurável de diversidade ao longo de gerações sucessivas. Isso muda a pergunta que a governança precisa responder: não é "posso usar dado sintético?", é "consigo provar que fração do meu dataset é sintética, e dessa fração, quanto já passou por mais de uma geração de modelo?" Sem lineage documentado, essa pergunta não tem resposta — por isso proveniência, e não volume, é o controle central deste artigo.

A boa notícia vem do Stanford Institute for Human-Centered AI (HAI): o AI Index Report 2026 resume o estado da pesquisa com uma frase direta — "dado sintético não substitui dado real, mas qualidade de dado e pós-processamento mostram potencial". Colapso é o risco de substituir dado real por sintético em treinamento recursivo sem controle; misturar dado sintético como complemento, com proporção e proveniência monitoradas, é prática diferente e administrável — a diferença entre as duas não é técnica, é de governança.

Mistura sintético/real: o controle que substitui a proibição

Proibir dado sintético não é realista, dado o quanto ele já está embutido em ferramentas de geração de dado de teste, augmentação de dataset e simulação. O controle que funciona na prática tem três camadas:

1. Rotulagem de origem obrigatória em todo dataset de treino. Cada lote incorporado ao pipeline carrega um campo de origem: real, sintético, ou sintético derivado de sintético (a geração recursiva que mais preocupa Shumailov et al.). Sem esse campo, "quanto do nosso modelo foi treinado sobre dado sintético?" não tem resposta verificável.
2. Teto de proporção sintética por caso de uso, definido antes do treinamento — não depois do resultado ruim. Casos de alto impacto (crédito, saúde, contratação) justificam teto mais conservador do que um teste interno de baixo risco.
3. Revalidação de fidelidade a cada geração de retreinamento, não só na aprovação inicial — a distribuição de um gerador sintético pode se afastar da real com o tempo, e só medir de novo revela isso.

Essa disciplina de revalidação contínua é a mesma lógica já aplicada em gestão de risco de modelo de IA — ali o objeto validado é o modelo em produção; aqui é o dataset que alimenta o próximo ciclo de treinamento dele.

Como auditar a proveniência de um dataset sintético

Auditoria de proveniência cobre duas famílias de métrica, e confundi-las é um erro comum:

Família de métrica	O que mede	Pergunta que responde
Fidelidade estatística	Quão bem a distribuição sintética reproduz a distribuição real (distribuições marginais, correlação entre variáveis, preservação de estrutura)	"Este dado sintético é útil — ele representa a realidade o suficiente para treinar um modelo confiável?"
Privacidade	Se é possível inferir, a partir do dado sintético, se um registro específico esteve no dataset de treino original (disclosure de participação) ou inferir um atributo sensível sobre alguém que esteve	"Este dado sintético, mesmo não sendo dado pessoal, ainda vaza informação sobre quem gerou o dado original?"

Um framework de consenso publicado em 2025 na revista Patterns (Pilgram et al., "A consensus privacy metrics framework for synthetic data") recomenda ir além de métricas simples de distância registro-a-registro — que podem sugerir risco onde não há, ou esconder risco real — e medir diretamente disclosure de participação (dá para saber se alguém específico estava no dataset original?) e disclosure de atributo (dá para inferir uma característica sensível sobre essa pessoa?).

Na camada de proveniência — de onde veio o dado, que modelo gerou, com que parâmetros, treinado sobre qual dado original — o padrão técnico que já emerge é o mesmo usado para inventariar sistemas de IA como um todo: o CycloneDX ML-BOM, mantido pela OWASP, cobre identidade do dataset de treino e de avaliação como campo formal do inventário — detalhado em inventário de sistemas de IA (AI-BOM). Um dataset sintético sem essa ficha é, na prática, um dataset que a empresa não consegue defender numa auditoria — não porque seja necessariamente ruim, mas porque não há como provar que não é.

Ferramentas e frameworks técnicos de geração e governança

Três técnicas dominam a geração hoje, cada uma com um perfil de risco diferente: GANs (duas redes competem, uma gerando e outra distinguindo sintético de real — alta fidelidade, mas risco de memorizar registros se mal reguladas), modelos de difusão (geram dado por remoção progressiva de ruído — dominantes em imagem, cada vez mais usados em dado tabular) e LLMs (geram texto e tabela por prompt — via mais acessível, mas a mais exposta a colapso recursivo se o próprio dado gerado alimentar o retreinamento do mesmo modelo ou de um sucessor).

Plataformas como MOSTLY AI e Gretel.ai empacotam essas técnicas com privacidade diferencial e trilha de auditoria embutidas — mas não substituem a governança: a plataforma garante que a geração seja tecnicamente sólida, a empresa continua responsável por rotular origem, definir teto de mistura e revalidar fidelidade. No nível de framework, o NIST AI Risk Management Framework trata proveniência de dado como parte da função "Map" — mapear contexto e origem de cada insumo antes de gerenciar risco, segundo o NIST AI Resource Center — a mesma função que orienta o framework de governança de IA da empresa como um todo.

O que já é obrigação no Brasil — e o vácuo que a própria ANPD reconhece

A camada regulatória sobre dado sintético no Brasil ainda está se formando, mas não é vazia — e tem um dado concreto direto da própria autoridade. A ANPD conduz, com prazo até dezembro de 2026, um Sandbox Regulatório em Inteligência Artificial e Proteção de Dados, com três soluções selecionadas em teste; uma delas, da empresa Metatext (produto Guardion.AI), usa justamente dado sintético como parte do tratamento (Mastropasqua Advocacia, cobertura do sandbox). No comunicado oficial de resultados do primeiro ciclo, publicado em julho de 2026, a própria ANPD reconhece que "os dados sintéticos precisam de incremento em seu protocolo de ação" (ANPD — Publicados primeiros resultados do Sandbox Regulatório em Inteligência Artificial) — ou seja: a autoridade já identificou, na prática, que não existe protocolo consolidado de boas práticas para dado sintético, e está construindo esse protocolo a partir da experiência real dos participantes do sandbox.

Para o C-level, a leitura correta não é "ainda não é lei, então não precisa agir agora" — é o oposto: a futura diretriz vai nascer da experiência prática de empresas como as do sandbox. Quem já documenta proveniência, mistura e fidelidade hoje entra na próxima fase de regulação com evidência pronta; quem não documenta nada corre atrás do protocolo depois que ele virar obrigação. O panorama mais amplo da regulação brasileira de IA está em Marco Legal da IA no Brasil (PL 2338).

Como a governança de dados sintéticos se conecta ao resto do programa

Nenhum controle desta lista funciona isolado — cada um depende do artefato vizinho já coberto neste hub:

Controle	Onde se conecta
Classificação e proveniência do dataset sintético	Campo formal do inventário em inventário de sistemas de IA (AI-BOM)
Distinção entre dado real e sintético	Complementar a governança de dados para IA, que cobre classificação de dado real/sensível
Revalidação de fidelidade por geração de retreinamento	Mesma disciplina de gestão de risco de modelo de IA
Framework de referência (função Map)	Framework de governança de IA, NIST AI RMF
Base legal quando o dado original é pessoal	LGPD e IA generativa
Papéis e comitê de decisão	Pilar governança de IA na prática

Na Jetpacks, essa camada entra no Launchpad, primeiro estágio do método Flight Plan (quatro estágios de cerca de duas semanas cada, por área): mapeamos onde dado sintético já circula nos projetos de IA da empresa e em que proporção se mistura com dado real, produzindo o mapa de impacto inicial. O Flight Plan desenha o processo de rotulagem de origem e o teto de mistura por caso de uso; o Booster capacita o time técnico a aplicar isso no próprio pipeline de dados; e o Mission Control acompanha se a proporção sintética documentada continua dentro do teto aprovado a cada ciclo de retreinamento. Como parceira oficial da Replit no Brasil, a Jetpacks já aplicou essa abordagem em empresas como Hypera Pharma, Volvo, BMR Medical e C12 Brasil.

FAQ

O que é governança de dados sintéticos para treinamento de IA?

É o conjunto de controles que garante proveniência documentada, mistura controlada com dado real e qualidade estatística verificada para todo dado artificialmente gerado usado em treinamento de IA. Diferente da governança de dado real, o foco não é privacidade — é fidelidade, rastreabilidade e o risco de degradação do próprio modelo.

Qual é a diferença entre dado sintético e dado anonimizado?

Dado anonimizado é dado real que passou por um processo para remover identificação pessoal — continua sendo, em essência, uma observação de um evento real. Dado sintético nunca correspondeu a um evento real: é gerado por um modelo para reproduzir as propriedades estatísticas de uma distribuição, sem carregar o registro original.

O que é colapso de modelo (model collapse)?

É a degradação progressiva de um modelo generativo treinado repetidamente sobre dado produzido por outros modelos, sem controle de proveniência. O estudo de referência, publicado na Nature em 2024 por Shumailov et al., mostra que essa prática apaga primeiro os casos raros da distribuição original e, ao longo de gerações sucessivas, distorce até o centro dela — mesmo com proporções pequenas de dado sintético não controlado.

É seguro misturar dado sintético com dado real no treinamento, e quanto é demais?

É seguro com controle, mas não existe percentual universal. O Stanford HAI resume no AI Index Report 2026: dado sintético não substitui dado real, mas complementa com ganho real quando proporção e proveniência são monitoradas. O risco está em substituir, não em misturar com disciplina — e mesmo proporções pequenas de dado sintético recursivo, sem controle, já produzem perda mensurável de diversidade. Por isso o teto certo é definido por caso de uso, com revalidação a cada novo ciclo de retreinamento — não copiado de outro artigo.

A ANPD já regula o uso de dado sintético no Brasil?

Ainda não existe uma norma específica publicada. Mas a ANPD já trata o tema na prática, dentro do Sandbox Regulatório em Inteligência Artificial e Proteção de Dados em curso até dezembro de 2026 — e reconheceu, no comunicado de resultados do primeiro ciclo, que o protocolo de ação para dado sintético ainda precisa de incremento. A expectativa é que a diretriz futura nasça justamente dessa experiência prática.

Como saber de onde veio um dataset sintético que minha empresa já usa?

Verificando se existe ficha de proveniência: qual modelo gerou o dado, com que parâmetros e sobre qual dado original, e se já passou por mais de uma geração de treinamento recursivo. Se não existe, o primeiro passo não é descartar o dataset — é registrá-lo no inventário de sistemas de IA e tratar a origem como desconhecida até prova em contrário.

Conclusão: governar dado sintético é governar o que o modelo aprende amanhã

Dado sintético não é um atalho sem custo de governança — é uma ferramenta poderosa cujo risco não aparece no incidente de privacidade que todo mundo já sabe procurar, e sim na qualidade silenciosamente decrescente de um modelo que ninguém audita duas vezes. Com a Gartner projetando maioria do dado de IA como sintético e a ANPD já reconhecendo que o protocolo de boas práticas ainda está em construção, a empresa que documenta proveniência e mistura hoje sai na frente — tanto do colapso de modelo quanto da próxima rodada de exigência regulatória.

Se sua empresa já usa dado sintético em algum projeto de IA e não sabe responder com precisão que proporção ele representa em cada pipeline de treinamento, o diagnóstico gratuito da Jetpacks — uma conversa de 30 a 45 minutos — mapeia onde esse dado circula hoje e desenha, com o método Flight Plan, o processo de proveniência e o teto de mistura por caso de uso antes que a falta de controle vire um modelo que ninguém sabe explicar.