Quanto vale a arte com IA? O que dados empíricos exigem de desenvolvedores

Quando um sistema generativo entra no fluxo de criação visual, o que define o preço da obra e quem fica com os direitos sobre o resultado? Existem duas leituras comuns entre profissionais de tecnologia: a de que o público rejeita qualquer peça sintética por princípio e a de que a qualidade visual do arquivo renderizado basta, sozinha, para sustentar o valor de mercado. Dados empíricos coletados em novembro de 2026 apontam para uma terceira direção, ancorada na comprovação do esforço humano e no registro de escolhas técnicas.⁠​‌​​‌​​‌​‌​​​​​‌​​‌​‌‌‌​​‌‌​​​‌‌​‌‌​‌‌‌‌​‌‌​‌‌​‌​​‌​‌‌‌​​‌‌​​​‌​​‌‌‌​​‌​​‌‌‌‌‌​​​​‌‌​​‌‌​​‌‌​​​​​​‌‌​‌‌‌​​‌‌​​‌​​​‌‌​‌​‌​‌‌​​​‌​​​‌‌‌​​‌​​‌‌​​​‌​​‌​‌‌​‌​​‌‌​​‌​​‌‌​​​​‌​‌‌​​​‌‌​​‌‌​​‌​​​‌​‌‌​‌​​‌‌​‌​​​‌‌​​​‌‌​​‌‌​​​‌​‌‌​​​‌​​​‌​‌‌​‌​‌‌​​​​‌​​‌‌​​​‌​​‌‌​‌‌​​‌‌​​‌​‌​​‌​‌‌​‌​​‌‌​​​‌​​‌‌​​​​​​‌‌​​​​​‌‌​​‌​​​‌‌​​‌​​​​‌‌​​​‌​‌‌​​‌​‌​​‌‌​​‌‌​‌‌​​‌‌​​‌‌​​‌‌​​‌‌​​‌​​​​‌‌​​‌‌⁠

A disposição para negociar obras que envolvem inteligência artificial é alta entre quem produz e atinge quase metade de quem avalia. Essa abertura comercial, contudo, foi medida dentro do recorte específico de uma exposição presencial com júri (juried exhibition, modalidade na qual as peças passam por seleção prévia de um comitê avaliador antes de chegarem ao público) e está documentada até o momento apenas no resumo público de um artigo de 22 páginas submetido ao arXiv (abre em nova aba) em 6 de novembro de 2026.

Conduzida por Wisdom Obinna, Hexuan Wang, Cecile Duncan, Kristelia Garcia, Nina Grgić-Hlača, Toni-Lee Sangastiano e Elissa M. Redmiles, a pesquisa reuniu 209 participantes divididos entre cientistas da computação, advogados e artistas. Eles atuaram como criadores ou avaliadores das obras expostas. Para engenheiros de software e arquitetos de plataformas criativas, os resultados expõem uma assimetria direta entre a forma como o criador precifica seu trabalho e o que o comprador exige enxergar antes de pagar.

A assimetria do esforço: como criadores e compradores calculam valor

No levantamento de Obinna e coautores, quase metade dos avaliadores declarou disposição para comprar uma obra com envolvimento de IA. Três quartos dos criadores informaram disposição para vender. O detalhe que altera a interpretação técnica do estudo aparece nas variáveis de precificação de cada grupo.

Os avaliadores atrelaram o preço que pagariam a dois fatores combinados: o valor artístico percebido (definido no estudo como criatividade e apelo visual) e o esforço necessário para produzir a peça. Já os criadores definiram seus preços de venda em correlação exclusiva com o esforço empregado, sem correlação com o valor artístico percebido. Para quem opera a ferramenta, o preço reflete horas de iteração, curadoria e ajuste; para quem compra, o resultado plástico precisa vir acompanhado da evidência desse trabalho.

Essa valorização do trabalho humano verificável extravasa o ambiente acadêmico e aparece no mercado publicitário de 2026. Uma reportagem da NBC News (abre em nova aba), assinada por Angela Yang, mostra que grifes como Prada e Hermès passaram a exibir o processo manual de criação como argumento de venda. A Prada abriu o vídeo de sua campanha de fim de ano de 2026 com o som de um lápis riscando o papel, destacando o trabalho do animador John Pomeroy.

Um hábito banal das redes sociais ilustra a mudança de percepção. A artista de stop-motion (técnica de animação quadro a quadro com objetos físicos) Alina Golovlova, baseada em Praga, relatou à reportagem que nos anos anteriores se sentia tratada apenas como uma produtora de conteúdo terceirizada, sem sequer ser mencionada nas publicações. Agora, segundo Golovlova, as marcas fazem questão de marcar o perfil dos artistas e publicar colaborações para provar ao público que trabalharam com pessoas reais. Se o esforço humano virou lastro de valor, interfaces de IA que ocultam o processo criativo atrás de um botão único reduzem o valor percebido do próprio ativo que geram.

O ponto cego da atribuição: quem leva os créditos e a receita?

O estudo de Obinna e colegas investigou quem merece recompensas financeiras e direitos autorais sobre a obra gerada. Tanto os criadores quanto os avaliadores convergiram em apontar dois grupos como merecedores de direitos e recompensas: os usuários que escrevem o prompt (a instrução textual ou conjunto de parâmetros fornecido como entrada ao sistema) e os desenvolvedores da IA. Os artistas responsáveis pelas obras que compõem os dados de treinamento (training data, a base de arquivos usada para calibrar os pesos estatísticos de um modelo de aprendizado de máquina) ficaram para trás na avaliação de ambos os grupos.⁠​‌​​‌​​‌​‌​​​​​‌​​‌​‌‌‌​​‌‌​​​‌‌​‌‌​‌‌‌‌​‌‌​‌‌​‌​​‌​‌‌‌​​‌‌​​​‌​​‌‌‌​​‌​​‌‌‌‌‌​​​​‌‌​​‌‌​​‌‌​​​​​​‌‌​‌‌‌​​‌‌​​‌​​​‌‌​‌​‌​‌‌​​​‌​​​‌‌‌​​‌​​‌‌​​​‌​​‌​‌‌​‌​​‌‌​​‌​​‌‌​​​​‌​‌‌​​​‌‌​​‌‌​​‌​​​‌​‌‌​‌​​‌‌​‌​​​‌‌​​​‌‌​​‌‌​​​‌​‌‌​​​‌​​​‌​‌‌​‌​‌‌​​​​‌​​‌‌​​​‌​​‌‌​‌‌​​‌‌​​‌​‌​​‌​‌‌​‌​​‌‌​​​‌​​‌‌​​​​​​‌‌​​​​​‌‌​​‌​​​‌‌​​‌​​​​‌‌​​​‌​‌‌​​‌​‌​​‌‌​​‌‌​‌‌​​‌‌​​‌‌​​‌‌​​‌‌​​‌​​​​‌‌​​‌‌⁠

Todo mundo que desenvolve código ou passa horas refinando instruções de entrada tende a enxergar valor imediato no próprio trabalho e na arquitetura do modelo, tratando o conjunto de dados como mera infraestrutura invisível. Quando se olha apenas para a tela de inferência, quem lembra de onde saíram as referências visuais que permitiram a convergência da rede?

A literatura crítica e os centros de pesquisa em criatividade computacional confrontam diretamente esse consenso observado na exposição:

• Crítica de apropriação e espelhamento estatístico: Em ensaio publicado em 8 de novembro de 2026, o autor e músico FraGue Moser-Kindler sustenta que os modelos generativos foram construídos sobre o trabalho digitalizado de artistas que não deram consentimento nem receberam pagamento, classificando a etapa de treinamento como roubo. Para Moser-Kindler, a máquina não comunica vivências, operando apenas estatísticas sobre o trabalho de milhões de pessoas para funcionar como um espelho das memórias do próprio observador humano.
• Risco de homogeneização cultural: O grupo de trabalho sobre processos artísticos do MishMash Centre for AI and Creativity (abre em nova aba) aponta que ferramentas baseadas em prompts e aprendizado de máquina (machine learning, subcampo da IA em que algoritmos aprendem padrões a partir de dados sem programação explícita para cada regra) já são parte normal dos fluxos criativos em artes visuais, jogos, cinema e música. O centro alerta, porém, que o treinamento nas mesmas grandes coleções de imagens e textos faz com que os sistemas entreguem respostas parecidas para todos, reforçando vieses culturais dominantes e reduzindo a agência do artista.
• Divergência jurídica dentro da amostra: No próprio experimento de Obinna, a formação acadêmica alterou o julgamento sobre direitos. Os participantes com formação em Direito divergiram da visão concentrada em desenvolvedores e usuários, preferindo modelos de recompensa distribuída.

De 1884 aos logs de inferência: como aplicar esses dados na arquitetura de software

Em 1884, a Suprema Corte dos Estados Unidos precisou decidir no caso Burrow-Giles v. Sarony se uma fotografia de Oscar Wilde tirada por Napoleon Sarony tinha direito a proteção autoral, já que críticos alegavam que uma câmera era apenas uma máquina incapaz de criar arte. O advogado de patentes europeu e holandês Gino Prestifilippo, em análise publicada pelo escritório NLO (abre em nova aba) em novembro de 2026, recupera esse precedente para explicar o impasse técnico atual. Sarony ganhou a proteção porque conseguiu demonstrar as escolhas humanas que fez: pose, iluminação e vestuário.

Segundo Prestifilippo, o mesmo princípio rege o padrão europeu consolidado pelo Tribunal de Justiça da União Europeia (TJUE) em julgamentos como Infopaq e Cofemel: uma obra só recebe proteção se refletir escolhas livres e criativas de um autor humano. A diferença técnica, observa o especialista, é que a câmera captura o que está diante da lente, enquanto o gerador de imagens é treinado sobre o trabalho de terceiros. Até que os tribunais definam quais parâmetros de IA bastam para configurar autoria, Prestifilippo orienta que o mais valioso para criadores e empresas é conseguir demonstrar tecnicamente suas escolhas criativas e registrar a reserva de direitos.

Para desenvolvedores de ferramentas criativas, plataformas de mídia sintética e fluxos de trabalho baseados em modelos generativos, os dados do estudo do arXiv e as exigências jurídicas de propriedade intelectual convergem em requisitos práticos de engenharia:

1. Rastreabilidade de esforço e escolhas humanas (telemetria de processo): Como o preço aceito por avaliadores depende do esforço percebido e a proteção legal exige prova de escolhas livres e criativas, a aplicação não deve descartar o histórico de sessão após exportar o arquivo final. É necessário registrar o grafo de execução: histórico de evolução de prompts, sementes (seeds) descartadas e selecionadas, máscaras de edição local, ajustes de pesos de adaptadores e intervenções manuais de pós-processamento.
2. Metadados estruturados para recompensa distribuída: Se profissionais do Direito favorecem modelos de recompensa distribuída e o mercado ignora espontaneamente os autores dos dados de treinamento, a própria arquitetura do sistema precisa manter o vínculo de proveniência (data provenance, o rastro auditável da origem e das transformações de um dado). Isso inclui identificar nos metadados do ativo tanto a versão do modelo base (desenvolvedor) e o log de decisões (usuário) quanto os pacotes de estilo, ajustes finos ou conjuntos de dados licenciados utilizados na geração.

Projetar sistemas generativos que documentam o esforço do operador e preservam a cadeia de origem dos dados resolve, ao mesmo tempo, uma demanda comercial de precificação e um requisito probatório de propriedade intelectual.⁠​‌​​‌​​‌​‌​​​​​‌​​‌​‌‌‌​​‌‌​​​‌‌​‌‌​‌‌‌‌​‌‌​‌‌​‌​​‌​‌‌‌​​‌‌​​​‌​​‌‌‌​​‌​​‌‌‌‌‌​​​​‌‌​​‌‌​​‌‌​​​​​​‌‌​‌‌‌​​‌‌​​‌​​​‌‌​‌​‌​‌‌​​​‌​​​‌‌‌​​‌​​‌‌​​​‌​​‌​‌‌​‌​​‌‌​​‌​​‌‌​​​​‌​‌‌​​​‌‌​​‌‌​​‌​​​‌​‌‌​‌​​‌‌​‌​​​‌‌​​​‌‌​​‌‌​​​‌​‌‌​​​‌​​​‌​‌‌​‌​‌‌​​​​‌​​‌‌​​​‌​​‌‌​‌‌​​‌‌​​‌​‌​​‌​‌‌​‌​​‌‌​​​‌​​‌‌​​​​​​‌‌​​​​​‌‌​​‌​​​‌‌​​‌​​​​‌‌​​​‌​‌‌​​‌​‌​​‌‌​​‌‌​‌‌​​‌‌​​‌‌​​‌‌​​‌‌​​‌​​​​‌‌​​‌‌⁠