IA na preservação digital: como máquinas estão auditando o que humanos deixam passar

Você confia que seu acervo digital está íntegro? Hoje, não basta dizer que sim. A inteligência artificial já consegue detectar sinais imperceptíveis ao olho humano: micro-degradações em formatos, anomalias em metadados, padrões de corrupção que precedem falhas catastróficas. Mas aqui está o problema real: enquanto a IA assume essas funções de vigilância, muitas organizações — especialmente no setor público — ainda confundem backup com preservação, não auditam os vieses embutidos nesses algoritmos, e mantêm arquivistas presos em tarefas manuais que a tecnologia deveria libertar.

A Semana Nacional de Arquivos 2026 marca um ponto de inflexão. Não é mais sobre ter IA em preservação digital. É sobre governar IA em preservação digital — e isso exige um redefinição profunda do que significa ser um arquivista no Brasil.

Degradação digital é silenciosa. Um documento em TIFF pode começar a perder integridade muito antes de mostrar sintomas visíveis — mudanças em checksums, desvios em metadados de preservação, anomalias em compressão. Por anos, auditar isso dependia de análise humana, cara e ineficiente. Hoje, algoritmos de visão computacional e redes neurais conseguem monitorar em tempo real a fixidez de acervos digitais, comparando assinaturas criptográficas, detectando adulteração de arquivo e prevendo necessidade de migração de formato antes que dados se percam.

Empresa estatal brasileira de correios? Banco com acervo de 50 anos de correspondência digitalizada? Tribunal com documentação processual crítica? Todos enfrentam o mesmo risco: não é a falha que mata o acervo — é a falha que ninguém detecta até ser tarde demais.

A IA resolve parte desse problema. Mas cria outro:

Aqui está a tensão que ninguém quer falar: quando você implementa um modelo de IA para curadoria automática de acervos ou detecção de degradação, você não apenas adota uma ferramenta. Você adota seus vieses embutidos.

Um algoritmo treinado predominantemente em documentos digitalizados de arquivos europeus pode misjudge padrões de degradação em documentos históricos brasileiros — papel de qualidade diferente, processos de guarda diferentes, contextos de risco distintos. Um modelo de OCR robusto para português europeu pode falhar systematicamente em português colonial ou arcaico. Um sistema que prioriza documentos "mais importantes" por frequência de acesso pode invisibilmente descartar documentação de grupos minoritários que historicamente teve menos curadoria.

Tudo isso é preconceito algorítmico — tão real quanto discriminação humana, mas mais difícil de detectar e mais perigoso quando não documentado.

No contexto regulatório brasileiro — LGPD, Resolução CNJ, auditorias internas — quem responde por um erro de curadoria causado por IA mal auditada? Não é a máquina. É você, e seu parecer técnico.

Não é ficção científica. Essas implementações já existem em organizações que enfrentaram pressão real:

1. Monitoramento contínuo de fixidez

Sistemas baseados em IA analisam continuamente assinaturas criptográficas, detêm bit-rot, e sinalizam quando um arquivo começou a se degradar — tudo antes de você perder acesso. Em vez de auditar manualmente representativas amostrais a cada seis meses, você tem vigilância 24/7. Tribunais federais que implementaram isso reduziram tempo de identificação de problema de semanas para horas.

2. Detecção automática de degradação de formato

Quando você tem acervo em formatos obsoletos — WordPerfect, Lotus Notes, FormZip — IA consegue analisar padrões de risco e priorizar automaticamente qual arquivo precisa ser migrado primeiro. Isso não é trivial: priorização manual em acervo de milhões de documentos é infeasível. Com IA, você consegue otimizar quando migrar sem perder memória.

3. Curadoria semiautomática com auditoria humana obrigatória

Algoritmos de classificação (treinados com exemplos de bom julgamento curatorial) sugerem categorização, ligação de metadados, relacionamento entre documentos. O arquivista valida, questiona o modelo, e realimenta. Resultado: produtividade 3-5x maior sem abdicar responsabilidade técnica ou jurídica.

Se IA cuida de detectar degradação, migração de formato, e triagem inicial de acervo — o que faz um arquivista em 2026?

Ele audita. Ele questiona. Ele é responsável por rastreabilidade.

O novo perfil de profissional de preservação digital precisa dominar:

• Literacia em algoritmos: entender como modelos de IA fazem escolhas, reconhecer quando um resultado é suspeito ou enviesado
• Cadeia de custódia computacional: registrar cada decisão de IA, cada mudança de formato, cada assinatura criptográfica — criando um rastro inaudível legível para futuras auditorias
• Governança de risco: saber quando confiança em IA é apropriada e quando é negligência
• Documentação do viés: manter registro de quais dados treinaram o modelo, quais populações de documentos podem estar sub-representadas, e que impacto isso tem em decisões sobre o que preservar

Não é mais um trabalho de execução técnica. É um trabalho de responsabilidade executiva.

E a maior parte das organizações públicas e empresariais ainda está recrutando como se fosse 2015.

Vamos ser diretos. Quando você implementa IA em preservação digital sem auditoria, você não está modernizando — você está apostando.

Aposta de que o algoritmo está certo. Aposta de que não há viés. Aposta de que quando um auditor (LGPD, CNJ, tribunal de contas) perguntar "como vocês definiram critério de descarte?" você consegue responder com documentação sólida.

Muitas organizações perdem essa aposta.

O custo real é triplo:

1. Risco regulatório: descarte de documentação sem rastreabilidade explícita viola LGPD (art. 6º) e normas de proteção de acervo público
2. Risco de negócio: perda de documentação crítica que futuros processos precisarão — prova de conformidade, defesa jurídica, auditoria
3. Risco de memória: acervos institucionais que servem futuro (pesquisa, história, accountability) são destruídos por máquinas não auditadas

Nenhum desses riscos aparece em dashboard de IA.

Se você vai usar IA em preservação — e você deveria, porque é ineficiente ignorar — aqui está o que precisa estar em lugar:

Rastreabilidade: cada decisão de IA (descarte, migração, reclassificação) é registrada com timestamp, versão do modelo, e parâmetros usados. Isso não é luxo — é defensibilidade legal.

Auditoria de viés: antes de usar modelo de IA em acervo, você testa: ele degrada sistematicamente certos tipos de documento? Ele falha em idiomas minoritários? Ele prioriza tipos documentais que refletem quem digitalizou vs. quem realmente precisa? Documentar isso.

Validação humana obrigatória em decisões críticas: IA detecta degradação? Bom, automático. IA recomenda descarte? Aqui entra arquivista qualificado. Essa distinção é crucial.

Certificação e conformidade: acervos preservados com IA devem estar em infraestrutura que cumpre ISO 16363 (Digital Repository Certification) — e isso precisa incluir validação de como IA foi implementada.

Soberania digital: se você armazena memória institucional (especialmente órgão público), dados críticos devem estar em infraestrutura soberana, nacional, rastreável. Cloud genérico não é solução — é transferência de risco.

Tudo isso junto: ecossistema integrado de governança.

A maioria das organizações que consultamos responde: "Não, ainda não." Ou então: "Sim, compramos ferramenta X de fornecedor Y." O segundo grupo raramente consegue responder com segurança:

• Como foi treinado esse modelo?
• Quais dados representam seu acervo específico?
• Como você detecta erro ou viés?
• Se uma auditoria questionar uma decisão de IA, você tem documentação?

Se não consegue responder, IA em preservação deixa de ser vantagem competitiva e vira passivo de conformidade.

A Semana Nacional de Arquivos 2026 vai evidenciar o fosso: organizações que governam IA em preservação com rigor vão ter acervos mais seguros, profissionais mais qualificados, e defensibilidade clara em auditorias. Organizações que implementaram IA sem estrutura vão descobrir o custo — quando for tarde demais para remediar.