top of page

LGPD e IA nas escolas e universidades: dados, privacidade e treinamento de modelos

Foto do escritor: Prof. Marcelo
Prof. Marcelo
há 6 dias
6 min de leitura

REPORTAGEM EXPLICATIVA | DADOS & PRIVACIDADE • Revisado em 14 de novembro de 2026 • EiPassei • Série especial 2026


O risco de IA educacional frequentemente começa com um dado aparentemente banal: número de matrícula, comentário de aula, dificuldade de leitura ou registro de atendimento. Isoladamente ou combinados, esses dados podem produzir inferências sobre crianças e adultos. A resolução conecta a finalidade pedagógica ao regime de proteção de dados.


Um caso que começa com uma planilha

A coordenação exporta dados de desempenho e cola a tabela num assistente externo. Minutos depois, recebe um resumo útil; ao mesmo tempo, abriu uma nova cadeia de tratamento que pode envolver armazenamento, subcontratação e reutilização não autorizada. O ganho operacional precisa ser comparado com o risco real de privacidade.


Siga o caminho do dado antes de contratar


Mapeie origem do dado, fundamento e finalidade de tratamento, destinatários, transferências, período de retenção, segurança, exclusão e possibilidade de auditoria. Não basta afirmar que o serviço “usa criptografia”: é preciso conhecer políticas de treinamento, suboperadores, controles de acesso e os riscos associados às integrações.


Uma escola que envia redações, notas e registros de comportamento a um fornecedor pode criar tratamento de dados pessoais, mesmo quando retira nomes do arquivo. Conjuntos pequenos, identificadores indiretos e cruzamentos podem permitir reidentificação.


Experimente a análise na prática

Ferramenta editorial de consulta: escolha uma situação e confira a regra. A leitura do texto normativo continua indispensável.



Dado educacional não é dado livre


Dados como matrícula, frequência, notas, interação em plataforma e trajetórias acadêmicas precisam de finalidade legítima, base legal e medidas de segurança. O art. 6º exige avaliar condições de governança, armazenamento, tratamento e proteção antes da adoção institucional da IA. Os arts. 12 e 13 pedem documentação e transparência sobre a finalidade das aplicações.


Em um projeto de tutoria digital, por exemplo, a instituição precisa identificar quais registros são coletados, por quanto tempo permanecem disponíveis, se serão transferidos a terceiros e como estudantes e responsáveis obtêm esclarecimentos. Termos contratuais não substituem análise contextual do risco.


Treinamento de modelos: onde a resolução traça as linhas


O art. 15 estabelece vedação de utilização de conteúdos de docentes e estudantes para treinar modelos de terceiros, ressalvada autorização específica; em conteúdos produzidos por crianças e adolescentes, a vedação é absoluta na hipótese descrita pela norma. O art. 41, XI, também veda utilização de dados educacionais de menores para treinamento de modelos de terceiros.


Não confunda utilização da ferramenta para produzir uma resposta com autorização para treinar o modelo a partir da informação enviada. A instituição precisa conhecer contratos, parâmetros técnicos e políticas reais de retenção antes de optar por um serviço.


O treinamento de modelos por fornecedores


O art. 15 veda utilizar conteúdos produzidos por docentes e estudantes para treinamento de modelos de terceiros, ressalvada autorização específica. Seu parágrafo único retira essa exceção para conteúdos produzidos por crianças e adolescentes: o treinamento de terceiros com tais conteúdos é vedado. O art. 41, XI também proíbe uso de dados educacionais de crianças e adolescentes para treinamento de modelos de terceiros.


A instituição deve diferenciar “processamento para responder à atividade” de “reutilização para treinar o modelo”. São finalidades distintas, e cláusulas contratuais vagas não devem obscurecer essa diferença. Para adultos, eventual autorização específica não afasta as demais exigências legais, nem transforma qualquer tratamento em proporcional.


Publicidade direcionada e comercialização


O art. 16 proíbe que sistemas de ensino e instituições utilizem IA para publicidade direcionada, perfilização mercadológica ou exploração comercial de dados educacionais de estudantes e docentes. O art. 24 reitera a vedação em qualquer etapa da Educação Básica. O art. 41, VII alcança publicidade direcionada e manipulação comportamental com dados educacionais.


Um fornecedor não pode aproveitar registros pedagógicos para segmentar anúncios por desempenho, vulnerabilidade ou comportamento escolar. O interesse mercadológico não legitima a reutilização de registros coletados na relação educacional.


Publicidade e perfilização mercadológica não são finalidade pedagógica


O art. 16 proíbe sistemas de IA destinados à publicidade direcionada, perfilização mercadológica ou exploração comercial dos dados educacionais de estudantes e docentes em sistemas e instituições de ensino. O art. 24 reforça a proteção na Educação Básica e o art. 41, VII, alcança outras utilizações incompatíveis.


Uma recomendação de leitura oferecida a um aluno é juridicamente distinta de uma inferência de vulnerabilidade ou preferência enviada a anunciantes. A transparência contratual precisa alcançar a cadeia inteira de tratamento, e não apenas a tela visível ao usuário.


Dados sensíveis e avaliações de impacto


Tratamentos envolvendo informações de saúde, deficiência, biometria ou vulnerabilidade podem configurar aplicações de alto risco, conforme o art. 40, § 1º, V. A norma prevê avaliação prévia de impacto algorítmico e, quando aplicável, relatório de impacto à proteção de dados, além de supervisão e rastreabilidade.


A LGPD continua aplicável. O Enunciado CD/ANPD nº 1/2023 esclarece que a utilização de diferentes bases legais para dados de crianças e adolescentes depende da prevalência do melhor interesse. Portanto, nem todo tratamento se legitima automaticamente por um termo de consentimento genérico.


Dados sensíveis e alto risco


O art. 40, § 1º, V enquadra como alto risco aplicações que envolvam tratamento de dados pessoais sensíveis, inclusive saúde, biometria, deficiência e vulnerabilidade. Nesses casos, o § 2º exige medidas reforçadas, como avaliação de impacto algorítmico, relatório de impacto à proteção de dados quando aplicável, supervisão qualificada e auditabilidade.


A proteção de privacidade precisa ser conciliada com acessibilidade. O art. 36, § 3º preserva tecnologias assistivas voltadas à eliminação de barreiras, desde que atendam proporcionalidade, supervisão e proteção de direitos. Isso exige desenho cuidadoso, não exclusão automática de estudantes com deficiência.


Checklist antes de enviar dados a um chatbot


Verifique a finalidade acadêmica, a política institucional, a classificação dos dados, a base legal, o contrato do fornecedor, a retenção, possíveis usos para treinamento e meios de exclusão ou revisão. Para pesquisa científica, considere aprovação ética e termos de consentimento aplicáveis. Se for possível alcançar o objetivo com dados agregados ou sintéticos, avalie essa alternativa.


Anonimização não é apenas remover o nome: bases pequenas, combinações com outras fontes e registros de comportamento podem permitir reidentificação. O uso de IA exige avaliar risco real de exposição, sobretudo quando estudantes são menores de idade.


Checklist de segurança antes do primeiro prompt


Evite inserir nome completo, número de matrícula, CPF, dados clínicos, notas identificáveis, imagem de menores e registros disciplinares em assistentes públicos sem avaliação institucional. Utilize desidentificação efetiva, controle de acesso e mecanismos seguros de intercâmbio quando houver necessidade legítima.


Os guias oficiais da ANPD sobre controladores e operadores, pesquisa e segurança da informação oferecem parâmetros adicionais de governança. Em processos institucionais, documentar escolhas é tão importante quanto selecionar ferramentas.


Exemplo comentado

Uma escola disponibiliza planilha de notas e registros comportamentais de crianças a um serviço externo de IA que informa usar os dados para treinar seus modelos. A situação contraria as vedações dos arts. 15 e 41, XI, além de exigir análise de proteção de dados.


PRIVACIDADE | Dado pseudonimizado não é necessariamente anônimo.

A avaliação precisa considerar possibilidade de reidentificação e a finalidade de tratamento, mesmo sem nomes visíveis.


Os quatro controles mínimos antes de uma integração

  1. Minimização: compartilhar só o que for necessário.

  2. Finalidade: impedir reutilização para publicidade e treinamento proibido.

  3. Segurança: governar acessos, retenção e operadores.

  4. Revisão: registrar riscos e reavaliar contratos e funcionalidades.


Fontes para aprofundar

Os documentos abaixo oferecem a fundamentação normativa e referências complementares de integridade, metodologia ou governança. Os materiais internacionais são recomendações e não substituem a resolução brasileira.








Continue pela sua dúvida





Referências bibliográficas (ABNT)


AUTIO, Chloe et al. Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. Gaithersburg: NIST, 2024. DOI: 10.6028/NIST.AI.600-1.


BRASIL. Autoridade Nacional de Proteção de Dados. Guia orientativo: tratamento de dados pessoais para fins acadêmicos e pesquisas. Brasília, DF: ANPD, 2024.


BRASIL. Autoridade Nacional de Proteção de Dados. Guia orientativo para definições dos agentes de tratamento de dados pessoais e do encarregado. Brasília, DF: ANPD, 2022.


BRASIL. Autoridade Nacional de Proteção de Dados. Guia orientativo sobre segurança da informação para agentes de tratamento de pequeno porte. Brasília, DF: ANPD, 2024.


BRASIL. Autoridade Nacional de Proteção de Dados. Enunciado CD/ANPD nº 1, de 22 de maio de 2023. Brasília, DF: ANPD, 2023.


BRASIL. Conselho Nacional de Educação. Resolução CNE/CP nº 1, de 11 de novembro de 2026. Diário Oficial da União: seção 1, Brasília, DF, 12 nov. 2026.


Nota editorial: análise informativa da norma vigente em 14/11/2026. Os exemplos e as ferramentas de consulta nesta página são didáticos; sua aplicação concreta depende do contexto institucional e das demais regras jurídicas e acadêmicas. Não constitui parecer jurídico individual.


Consultoria e Assessoria Acadêmica Ei, Passei

Mais de 6 mil alunos aprovados

​

contato@eipassei.com.br

Telefone: (21) 3795-0444

WhatsApp: +55  (41) 9 8501-5076

 

​

HORÁRIO DE ATENDIMENTO

Segunda a Sexta: 09 às 20h de segunda a sexta,

Sábados: 09 às 14h (exceto feriados)

​

MATRIZES EM: São Paulo (SP), Curitiba (PR), Goiânia (GO), Vila Velha (ES), Salvador (BA).

Atendemos todas as regiões do Brasil.

 

LOCALIZAÇÃO POLO CENTRAL
Praia de Botafogo, 300. Centro Empresarial Botafogo, 22250-040

Nós aceitamos:

ei, passei

© 2026 Consultoria e Assessoria Acadêmica: Ei Passei - Grupo Universidade Unificada. Todos os direitos reservados

bottom of page