Há alguns anos, quando ouvíamos falar em reconstrução de crimes, imaginávamos maquetes de acrílico, manequins de plástico e narrações de peritos em tom monocórdico. Esse cenário mudou de forma abrupta. Hoje, com modelos generativos de vídeo — como versões adaptadas de diffusion models e redes neurais adversárias — é possível gerar cenas hiper-realistas de um crime a partir de vestígios, laudos e depoimentos. O Tribunal do Júri, tanto no Brasil quanto em outros países, começa a debater os limites éticos e legais dessa prática. Mas, como engenheiro de software que trabalha com IA aplicada há mais de quinze anos, vejo que a discussão jurídica está apenas arranhando a superfície de um problema técnico muito mais profundo.
Quando um juiz ou um desembargador pergunta “até que ponto a IA pode reconstruir um crime sem distorcer os fatos?”, a resposta não está nos códigos de processo penal, e sim na arquitetura dos modelos, na qualidade dos dados de treinamento e nos mecanismos de controle de viés. A questão central não é apenas se a reconstrução é admissível, mas se ela é auditável, explicável e reproduzível. Sem esses atributos, corremos o risco de transformar o tribunal em um palco para deepfakes processuais — convincentes, mas potencialmente enganosos.
O que realmente significa “reconstruir” com IA?
Do ponto de vista técnico, uma reconstrução forense por IA não é uma mera animação baseada em regras físicas. Ela envolve modelos generativos treinados em milhões de vídeos de interações humanas. O modelo “aprende” padrões de movimento, expressões faciais, trajetórias e até mesmo a dinâmica de objetos como armas ou veículos. Ao ser alimentado com dados de entrada — posição dos corpos, marcas de tiro, hodômetros, depoimentos testemunhais — o sistema completa as lacunas, gerando os quadros que faltam. O problema é que o modelo não distingue entre “preencher lacunas” e “inventar realidades alternativas plausíveis”. Todo modelo generativo carrega um grau de alucinação, por menor que seja.
Em tarefas como geração de legendas para imagens, uma alucinação pode ser inócua. No tribunal do júri, um braço que se move um centímetro a mais ou uma cabeça que vira três graus além do que a evidência permite pode decidir entre absolvição e condenação. O limiar de erro aceitável na engenharia de software — como uma margem de 5% em precisão de detecção — é completamente inadequado para o contexto jurídico, onde o ônus da prova é regido por padrões como “além da dúvida razoável”.
Além da aparência: a ausência de rastreabilidade
O maior calcanhar de Aquiles técnico dessas reconstruções é a rastreabilidade. Em um sistema tradicional de animação forense (construído quadro a quadro por um perito), cada decisão pode ser documentada e questionada. Já em uma reconstrução gerada por IA, a “caixa preta” do modelo torna virtualmente impossível responder a perguntas como: “por que a trajetória da bala foi desenhada dessa forma?” ou “com base em quais características faciais o sistema inferiu a expressão de surpresa?”. Ferramentas de Explainable AI (XAI) — como mapas de atenção, SHAP values ou contrafactuais — oferecem algum alívio, mas ainda são insuficientes para reconstruções multimodais complexas que envolvem vídeo, áudio e física simultaneamente.
Em projetos que liderei na área de visão computacional para segurança pública, aprendi que o maior risco não está no modelo em si, mas na falsa sensação de objetividade que ele gera. Um jurado vê um vídeo realista e tende a tratá-lo como evidência documental, quando na verdade é uma simulação probabilística. A diferença é sutil, mas decisiva: a evidência documental registra o que aconteceu; a reconstrução generativa estima o que provavelmente aconteceu, dentro de uma distribuição estatística. E essa distribuição depende fortemente de quem treinou o modelo e com quais dados.
O viés que não aparece na tela
Todo modelo de IA carrega vieses de seus dados de treinamento. Se uma reconstrução criminal for gerada por um modelo treinado majoritariamente em vídeos de crimes cometidos em determinados contextos socioeconômicos, com determinados perfis de vítimas e agressores, as “lacunas” preenchidas pelo modelo tenderão a reproduzir esses padrões. Em outras palavras, o sistema pode “inferir” uma agressividade maior em um réu por associação estatística, mesmo que a evidência concreta não sustente tal inferência. Esse viés é invisível para o jurado e difícil de contestar em plenário.
Há ainda o viés de confirmação algorítmica: se o modelo é alimentado com a hipótese da acusação (por exemplo, “o réu estava com raiva”), ele pode gerar uma reconstrução que reforça essa hipótese, simplesmente porque os dados de treinamento associam raiva a certos movimentos faciais e corporais. A defesa, por sua vez, não tem meios técnicos para gerar uma contra-reconstrução com o mesmo nível de realismo, a menos que tenha acesso a recursos computacionais e expertise equivalentes. O resultado é uma assimetria informacional que pode comprometer a paridade de armas processuais.
Infraestrutura: o gargalo esquecido
Outro ponto que notei na prática é que a geração de vídeos forenses realistas com IA exige poder computacional considerável — normalmente clusters com GPUs de última geração ou serviços de cloud computing com instâncias otimizadas para inferência de modelos multimodais. Isso levanta questões práticas: quem custeia essa infraestrutura? O Ministério Público, com orçamento público, pode bancar a reconstrução, enquanto a Defensoria Pública, com recursos limitados, não. O simples fato de uma das partes apresentar uma reconstrução visual impactante já cria um desnível de persuasão, independentemente da qualidade técnica da prova.
Se considerarmos a escalabilidade desse tipo de prova, o cenário se agrava. Pequenas comarcas, sem acesso a nuvem ou a especialistas em IA, podem ficar à margem da “modernização” processual. A tecnologia, nesse caso, em vez de democratizar o acesso à justiça, aprofunda desigualdades regionais e institucionais.
O que a engenharia de software pode oferecer
A boa notícia é que não estamos indefesos diante desses riscos. Como engenheiros e arquitetos de sistemas, podemos projetar soluções que tragam transparência e verificabilidade para reconstruções forenses por IA.
- Proveniência criptográfica: cada quadro gerado pode ser associado a um hash imutável dos dados de entrada e dos parâmetros do modelo. O uso de blockchain ou de registros de log assinados digitalmente permite que a defesa audite todo o processo de geração, do laudo pericial ao vídeo final.
- Modelos abertos e versionados: em vez de sistemas proprietários fechados, as reconstruções devem usar modelos cujo código-fonte, pesos e dados de treinamento sejam públicos e auditáveis. Isso permite que peritos indicados pela defesa ou pelo juízo repliquem o experimento e verifiquem a consistência dos resultados.
- Métricas de incerteza embutidas: o sistema de reconstrução deve exibir, junto com o vídeo, indicadores de confiança (como mapas de calor de regiões “inventadas” versus “baseadas em evidência”). Jurados e juízes precisam ver que partes da cena são reconstruções diretas dos laudos e quais são preenchimentos probabilísticos.
- Contra-reconstrução assistida: ferramentas de IA podem ser oferecidas igualmente para ambas as partes, com interfaces que simplifiquem a geração de versões alternativas (por exemplo, alterando apenas um parâmetro: trajetória alternativa, ângulo de visão etc.). Isso reduz a assimetria técnica.
Os limites que a tecnologia impõe (e não o direito)
O Tribunal do Júri, ao estudar limites para a reconstrução de imagens por IA, está fazendo a pergunta certa, mas partindo de premissas erradas. Não se trata de proibir ou permitir genericamente o uso dessa tecnologia. Trata-se de estabelecer critérios mínimos de engenharia — auditabilidade, explicabilidade, replicabilidade e equidade de acesso — para que a IA seja uma ferramenta de elucidação, não um instrumento de sugestão subliminar.
Um juiz não precisa entender como funciona uma rede neural convolucional para tomar uma decisão sobre admissibilidade. Mas ele precisa de um padrão técnico objetivo que diga: “este sistema atende aos requisitos de transparência X, Y e Z”. A responsabilidade de definir esses padrões não é apenas dos juristas, é também nossa — engenheiros, arquitetos de software e especialistas em IA que trabalham com sistemas críticos.
Vivemos um momento paradoxal: a mesma tecnologia que pode dar vida a evidências silenciosas também pode criar ilusões forenses perigosas. O antídoto não é o temor ou a proibição prematura, mas o rigor metodológico. E rigor, em engenharia, começa com o reconhecimento honesto das limitações — e com a construção de sistemas que tornem essas limitações visíveis, não ocultas.
Como profissional que já viu modelos de IA serem usados para o bem e para o mal em contextos de segurança, minha recomendação é clara: antes de regular, é preciso compreender. E antes de usar, é preciso verificar. O tribunal do futuro não será decidido por imagens, mas pela confiança que elas merecem. E confiança, no fim das contas, é uma questão de engenharia.