Existe um paradoxo no centro do debate global sobre inteligência artificial que a maioria dos líderes empresariais ainda não percebeu: em determinadas configurações, ter alguma regulação é pior do que não ter nenhuma. Não porque a regulação seja desnecessária — pelo contrário. Mas porque regulação mal calibrada, direcionada ao lado errado da cadeia de valor, produz exatamente o oposto do que promete: produtos menos seguros, empresas com menos incentivo a investir em qualidade e consumidores mais expostos a riscos.

Essa conclusão não vem de um ensaio filosófico nem de um manifesto libertário antiregulação. Ela é o resultado central de um estudo publicado em 20 de julho de 2026 no Proceedings of the National Academy of Sciences (PNAS), uma das revistas científicas mais respeitadas do mundo, por pesquisadores das universidades de Cornell e Carnegie Mellon — dois dos mais influentes centros de pesquisa em computação e política de tecnologia dos Estados Unidos.

Para CEOs, CFOs e gestores de PD&I no Brasil, esse estudo chega em momento estratégico. O país está no meio de um dos mais importantes debates legislativos de sua história recente: a tramitação do PL 2.338/2023, o Marco Legal da Inteligência Artificial, aprovado pelo Senado em dezembro de 2024 e ainda aguardando votação final na Câmara dos Deputados. E ao mesmo tempo, o cenário de incentivos fiscais para inovação tecnológica — liderado pela Lei do Bem (Lei nº 11.196/2005) — está no seu melhor momento histórico, com o software e a inteligência artificial já dominando os projetos declarados ao MCTI.

Este artigo conecta essas três histórias: a ciência sobre regulação de IA, o cenário regulatório brasileiro em construção e o mecanismo fiscal que já permite às empresas inovadoras brasileiras recuperar entre 20% e 34% do que investem em PD&I — inclusive em projetos de inteligência artificial.

1. O Estudo que Mudou o Debate: Quando Regular Pouco É Pior Que Não Regular

1.1 O Problema que os Pesquisadores Queriam Resolver

O professor Benjamin Laufer, então doutorando no Cornell Tech, partiu de uma observação simples e incômoda: há pouca compreensão empírica sobre os efeitos reais de diferentes abordagens regulatórias para IA. A maioria das propostas de regulação ainda está em estágio de draft legislativo — são, como o próprio Laufer declarou ao Cornell Chronicle, “tatear no escuro”. E se é para tatear no escuro, vale pelo menos raciocinar sobre quais movimentos podem te levar contra a parede antes de dar o passo.

Trabalhando com seu orientador Jon Kleinberg — professor catedrático de Ciência da Computação e Ciência da Informação em Cornell — e com Hoda Heidari, professora assistente em Carnegie Mellon, Laufer desenvolveu um modelo teórico para estimar os efeitos da regulação de IA na cadeia produtiva da tecnologia. O artigo foi publicado na edição de 20 de julho de 2026 do PNAS com o título “The Backfiring Effect of Weak AI Safety Regulation” (DOI: 10.1073/pnas.2509768123).

1.2 A Arquitetura do Modelo

O modelo parte de uma premissa realista sobre como a indústria de IA efetivamente funciona. Existem dois tipos principais de players:

Os criadores gerais (general-purpose AI creators): empresas que desenvolvem os grandes modelos de base — os LLMs (Large Language Models), os modelos de visão computacional, os sistemas de processamento de linguagem natural. São empresas como OpenAI, Google, Anthropic, Meta, Mistral, e seus equivalentes nacionais e regionais. Elas produzem o “motor” da IA.

Os especialistas downstream (domain specialists): empresas que pegam esses modelos de base e os adaptam para aplicações específicas — uma ferramenta de atendimento ao cliente, um sistema de diagnóstico médico, um modelo de precificação dinâmica, um assistente jurídico, uma plataforma de recrutamento. No Brasil, esse é o perfil da maioria das empresas que hoje “desenvolvem IA”: elas não criam o modelo base, mas criam a aplicação.

No modelo de Laufer, Kleinberg e Heidari, o regulador define um requisito mínimo de segurança — que pode se aplicar ao criador geral, ao especialista downstream, ou a ambos — com penalidades severas para quem não cumprir. Em seguida, o criador geral desenvolve o modelo, estabelecendo seus atributos iniciais de segurança e desempenho. Os especialistas refinam o modelo para suas aplicações e a receita gerada é distribuída entre os dois grupos por meio de um processo de barganha.

1.3 Os Dois Resultados que Surpreendem

O primeiro resultado surpreendeu os próprios autores. <cite index=”78-1″>Quando as regulamentações visavam apenas as empresas que desenvolvem a tecnologia de aplicativo (os especialistas downstream), os produtos resultantes mostraram-se menos seguros do que se não houvesse regulamentação alguma.</cite>

O mecanismo é o seguinte: se o regulador exige que apenas os especialistas downstream atendam a padrões de segurança — e não os criadores gerais —, os grandes produtores de modelos de base ganham um incentivo perverso para economizar em seus próprios investimentos de segurança. Como os especialistas downstream serão os responsáveis legais pelo produto final, os criadores gerais podem redirecionar seus recursos de segurança para outros fins, alegando que a responsabilidade é da outra ponta da cadeia. <cite index=”82-1″>”Surge um comportamento de aproveitamento indevido”, disse Laufer. “A regulamentação funciona como uma ferramenta para o fornecedor geral transferir o ônus da segurança para o especialista da cadeia de valor.”</cite>

O segundo resultado é o contraponto construtivo: <cite index=”78-1″>uma regulamentação centralizada e equilibrada, que atribua responsabilidade tanto às empresas de desenvolvimento primário quanto às empresas de aplicativos, resulta não apenas em produtos mais seguros para os consumidores, mas também em maiores lucros para todas as empresas envolvidas.</cite>

O mecanismo aqui é igualmente elegante: quando tanto o criador geral quanto o especialista downstream precisam cumprir uma meta de segurança específica, a regulação age como um mecanismo de comprometimento mútuo. Cada lado sabe que o outro vai investir em segurança — e portanto pode investir com mais confiança, reduzindo a incerteza estratégica de ambos. Isso não apenas melhora a segurança do produto, mas também melhora o desempenho e a lucratividade — porque a incerteza sobre o comportamento do parceiro deixa de deprimir os investimentos.

O professor Laufer resumiu o ponto de forma que qualquer CFO entende: “Os desenvolvedores racionais que buscam maximizar sua utilidade prefeririam garantir comprometimento mútuo — e, portanto, optariam pela regulação e até a buscariam ativamente.”

1.4 O Que o Modelo Ainda Não Captura

Os próprios autores são honestos sobre as limitações do trabalho. <cite index=”78-1″>O modelo criado pelos pesquisadores ainda é bastante simplificado, mas eles pretendem expandir o trabalho analisando os impactos reais da regulamentação no desenvolvimento e na segurança dos modelos de IA.</cite>

O modelo assume, por exemplo, que os players são racionais, que a informação sobre os investimentos de segurança é verificável pelo regulador, e que a estrutura da cadeia de valor tem dois níveis. A realidade da indústria de IA é mais complexa: há múltiplas camadas de especialização, diferentes regimes de responsabilidade civil, mercados de diferentes geografias com regulações divergentes, e assimetrias de informação que o modelo teórico não incorpora plenamente. Mencionar isso não é desqualificar o estudo — é reconhecer que ele fornece insights estratégicos, não prescrições operacionais definitivas. O que ele mostra com clareza matemática é uma lógica de incentivos que qualquer executivo que lida com cadeias de fornecimento complexas vai reconhecer imediatamente.

2. O Brasil no Centro do Debate: O Marco Legal da IA e Seus Impasses

A pesquisa de Cornell e Carnegie Mellon não poderia ser mais oportuna para o Brasil. Enquanto o artigo era publicado no PNAS, o país ainda travava o debate legislativo mais significativo de sua história recente em matéria de tecnologia: a aprovação final do PL 2.338/2023, o Marco Legal da Inteligência Artificial.

2.1 O Estado Atual da Regulação Brasileira

O PL 2.338/2023 foi aprovado por unanimidade no plenário do Senado Federal em 10 de dezembro de 2024 e remetido à Câmara dos Deputados em março de 2025, onde tramita em Comissão Especial aguardando votação final. A expectativa do setor, ao longo de 2026, é de aprovação ainda neste ano — embora impasses políticos e disputas sobre pontos sensíveis do texto tenham adiado a votação em pelo menos duas ocasiões.

O texto adota o modelo europeu do AI Act em sua espinha dorsal: classificação dos sistemas de IA por nível de risco (excessivo, alto, e baixo/moderado), estabelecimento de direitos dos usuários afetados (transparência, explicação, contestação, não discriminação), criação do Sistema Nacional de Regulação e Governança de Inteligência Artificial (SIA), e previsão de sanções de até R$ 50 milhões por infração.

Um ponto de atenção específico que dialoga diretamente com as conclusões do estudo de Cornell: o PL distribui responsabilidades entre fornecedores de sistemas de IA e agentes que os aplicam em produtos e serviços. <cite index=”92-1″>Um aspecto que distingue o modelo brasileiro da sua principal referência internacional — o AI Act europeu — é a ênfase nos direitos das pessoas afetadas por sistemas de IA, com capítulo específico dedicado ao tema.</cite>

Mas o texto ainda carrega ambiguidades relevantes. <cite index=”96-1″>As críticas se concentram em três frentes principais: a inspiração europeia sem adaptação local, que pode prejudicar a competitividade do ecossistema de inovação nacional; a ambiguidade nas definições de termos como “sistema de IA” e “alto risco”, que pode gerar insegurança jurídica; e o custo de conformidade, especialmente para startups.</cite>

É exatamente aqui que o estudo de Laufer, Kleinberg e Heidari oferece uma lente útil para o debate brasileiro: se o texto final do Marco Legal concentrar exigências de segurança apenas nos agentes que aplicam IA (os especialistas downstream, que no Brasil incluem as startups, as fintechs, as healthtechs e os integradores de sistemas), sem estabelecer padrões equivalentes para os grandes fornecedores de modelos de base (que em grande medida são empresas estrangeiras), o resultado pode ser exatamente o “backfiring” descrito pelos pesquisadores: o ônus de conformidade recai sobre os menores, os locais, os que têm menos capacidade de investimento — enquanto os grandes criadores de modelos de base capturam os benefícios sem arcar com os custos de segurança.

2.2 O Vácuo Regulatório Atual e Seus Riscos

Enquanto o Marco Legal não é aprovado, o Brasil opera em um vácuo regulatório relativo. A LGPD (Lei Geral de Proteção de Dados Pessoais) cobre aspectos de tratamento de dados que permeiam os sistemas de IA, e há regulações setoriais em saúde (ANVISA), finanças (BACEN, CMN, CVM) e telecomunicações (ANATEL) que tangenciam o tema. O CNJ estabeleceu diretrizes para uso de IA no Judiciário. A ANATEL lançou em 2025 seu Sandbox regulatório para IA. Mas uma regulação horizontal e abrangente, aplicável a todos os setores, ainda não existe como lei.

Esse vácuo tem dois efeitos contraditórios para as empresas. Por um lado, permite flexibilidade de experimentação — empresas podem desenvolver e implantar sistemas de IA com menor burocracia regulatória do que seus pares europeus. Por outro, cria incerteza jurídica: empresas não sabem com clareza suas responsabilidades em caso de dano causado por sistemas de IA, o que dificulta precificação de risco, contratação de seguros e captação de investimento estrangeiro que exige compliance regulatório como critério ESG.

2.3 O Que a Pesquisa Sugere para os Próximos Passos

Para os formuladores de política no Brasil — e para os líderes empresariais que participam do debate público sobre regulação —, a mensagem do estudo pode ser traduzida em termos práticos:

Uma regulação que exija padrões mínimos de segurança apenas das startups e das empresas brasileiras que criam aplicações sobre modelos estrangeiros, sem criar obrigações equivalentes para os provedores de modelos de base, cria um desequilíbrio competitivo que pune exatamente os players que o Brasil tem maior interesse em proteger e fortalecer. Uma regulação equilibrada, que distribua responsabilidades ao longo de toda a cadeia, funciona como mecanismo de comprometimento que reduz incerteza e — contraintuitivamente — favorece o investimento em qualidade e segurança por todos os atores.

Isso não significa que o Brasil deva replicar o AI Act europeu sem adaptação. As críticas sobre custo de conformidade para startups são legítimas e devem ser incorporadas em mecanismos diferenciados — prazos de adaptação, isenções por porte, sandboxes regulatórios. Mas o princípio de que a responsabilidade deve ser distribuída ao longo de toda a cadeia de valor, e não concentrada no elo mais fraco dela, é o que a ciência está dizendo.

3. A Lei do Bem: O Incentivo Fiscal que Já Financia IA no Brasil — Enquanto o Marco Legal Ainda É Debatido

Aqui está um ponto que a maioria dos líderes empresariais brasileiros ainda não conectou de forma clara: independentemente de quando e como o Marco Legal da IA será aprovado, as empresas que já investem em desenvolvimento de IA têm hoje, disponível e em operação, um dos mais poderosos instrumentos de financiamento indireto de inovação do mundo ocidental: a Lei do Bem.

E os números do próprio governo confirmam que IA e software já dominam os projetos declarados à Lei do Bem. Em junho de 2026, o secretário Daniel Almeida, do MCTI, declarou ao lançar o FormP&D 2026: <cite index=”102-1″>”O software tem se destacado entre os projetos de fomento, com o agro e a inteligência artificial ganhando destaque.”</cite> O próprio FormP&D 2026 já conta com 72 áreas tecnológicas detalhadas para classificação de projetos, <cite index=”106-1″>cobrindo com mais granularidade campos como biotecnologia, inteligência artificial, Internet das Coisas, eletrônica de precisão.</cite>

Esse é um sinal inequívoco: o governo está ativo e ampliando o suporte a projetos de IA dentro do arcabouço da Lei do Bem. A questão não é se IA se enquadra — ela se enquadra, e o MCTI está estruturando sua avaliação técnica para isso. A questão é se sua empresa está aproveitando.

3.1 O Arcabouço Legal

A Lei do Bem é estruturada em três camadas normativas que se complementam:

Lei nº 11.196/2005, Capítulo III (artigos 17 a 26) — texto integral disponível em planalto.gov.br/ccivil_03/_ato2004-2006/2005/lei/l11196.htm — institui os incentivos fiscais automáticos e define os requisitos gerais de elegibilidade para empresas que realizem pesquisa tecnológica e desenvolvimento de inovação tecnológica.

Decreto nº 5.798/2006 — disponível em planalto.gov.br/ccivil_03/_ato2004-2006/2006/decreto/d5798.htm — regulamenta a Lei e detalha as categorias de atividades elegíveis (pesquisa básica dirigida, pesquisa aplicada, desenvolvimento experimental e tecnologia industrial básica), com base no Manual de Frascati da OCDE.

Instrução Normativa RFB nº 1.187/2011 — disponível no portal do antigo MCTIC — disciplina os procedimentos operacionais, a escrituração contábil e as obrigações acessórias perante a Receita Federal.

A Portaria MCTI nº 9.563, de novembro de 2025, atualizou o prazo de entrega do FORMP&D para 31 de agosto de cada ano e introduziu procedimentos simplificados de análise para projetos já avaliados por Embrapii, Finep ou pela legislação de TICs. O FormP&D 2026, lançado em junho deste ano, traz ainda integração com bases de dados governamentais e identificador único por projeto — modernizações que tornam o processo mais ágil e auditável.

3.2 Quem Pode Usar

Quatro requisitos cumulativos determinam a elegibilidade:

1. Estar tributada no regime de Lucro Real;
2. Apurar lucro fiscal no exercício em que pretende fruir os benefícios;
3. Manter regularidade fiscal perante a Receita Federal (CND ou CPD-EN);
4. Realizar atividades de PD&I enquadráveis nos critérios do Decreto 5.798/2006.

Não há aprovação prévia de projetos, não há credenciamento, não há fila. A empresa aplica os benefícios diretamente na apuração tributária e presta contas ao MCTI via FORMP&D após o encerramento do exercício.

3.3 O Que é “Inovação Tecnológica” em IA — e Onde Está o Nó

Esse é o ponto mais crítico para gestores de tecnologia. A Lei do Bem não financia todo e qualquer uso ou implantação de IA. Ela financia atividades que apresentem três características simultâneas, consolidadas pela jurisprudência técnica do MCTI com base no Manual de Frascati:

Novidade (para a empresa): o projeto deve envolver algo que a empresa ainda não desenvolveu ou produziu — não precisa ser inédito no mundo, mas precisa ser novo para aquela organização.

Risco tecnológico: deve haver incerteza técnica genuína sobre os resultados. Isso é o que distingue desenvolvimento experimental de manutenção e engenharia rotineira. Um projeto de fine-tuning de modelo para um domínio em que não existe benchmark, com incerteza sobre alcançar a acurácia necessária, tem risco tecnológico. A implantação de uma API de LLM existente com parâmetros padrão, não.

Sistematicidade: o projeto deve ser conduzido de forma organizada, com objetivos definidos, recursos alocados e cronograma — o que se traduz em documentação contemporânea à execução.

<cite index=”108-1″>A aplicação da Lei do Bem a projetos de software, dados e inteligência artificial é possível, mas exige cuidado na caracterização do que efetivamente constitui inovação tecnológica. O principal desafio está em diferenciar rotinas de engenharia e evolução contínua de esforços experimentais com incerteza técnica, método, testes e ganho mensurável. Em ambientes digitais, a robustez do enquadramento depende menos do uso de tecnologias avançadas e mais da capacidade de demonstrar problemas técnicos reais, alternativas avaliadas, métricas de desempenho e documentação consistente.</cite>

3.4 Quais Projetos de IA São Elegíveis à Lei do Bem

Para tornar esse raciocínio concreto, veja a distinção entre atividades elegíveis e não elegíveis em projetos de IA:

3.5 Os Benefícios Fiscais Detalhados

A Lei do Bem oferece um conjunto articulado de incentivos que, combinados, geram retorno fiscal de 20% a 34% sobre os dispêndios operacionais com PD&I:

Dedução adicional de 60% a 80% sobre dispêndios operacionais elegíveis na apuração do IRPJ e da CSLL — somada à dedutibilidade integral já garantida como despesa operacional. Cada R$ 1,00 gasto em PD&I elegível gera R$ 1,60 a R$ 1,80 de dedução do lucro tributável.

O percentual base de 60% pode ser elevado para:

• 70% se o número de pesquisadores e tecnólogos com vínculo empregatício aumentar em relação ao ano anterior;
• 80% se esse aumento for de pelo menos 5%;
• Adicional de 20% para patente concedida no exercício.

Redução de 50% do IPI em equipamentos novos adquiridos para uso exclusivo em PD&I — relevante para servidores de processamento, GPUs para treinamento de modelos, workstations de pesquisa.

Depreciação acelerada integral no próprio ano de aquisição, para fins de IRPJ e CSLL, de qualquer bem adquirido para PD&I.

Alíquota zero de IRRF em remessas ao exterior para registro e manutenção de patentes — relevante para empresas que patenteiam suas arquiteturas ou processos de IA.

3.6 Dispêndios Elegíveis em Projetos de IA

São elegíveis os dispêndios diretamente vinculados à execução de projetos de PD&I em IA:

• Salários e encargos de engenheiros de machine learning, cientistas de dados, pesquisadores, engenheiros de software que atuem nos projetos (não a 100% do tempo — apenas o tempo efetivamente dedicado ao projeto, apontado e documentado);
• Custo de infraestrutura computacional dedicada ao projeto (serviços de nuvem, GPU, armazenamento) — não a infraestrutura de produção;
• Aquisição de datasets curados e licenciados especificamente para o projeto;
• Ferramentas de anotação, avaliação e monitoramento de modelos vinculadas ao projeto;
• Contratação de pesquisadores, laboratórios, universidades e centros tecnológicos parceiros (ICTs);
• Custo de publicações técnicas, participação em conferências científicas vinculadas ao projeto;
• Custos de patenteamento de processos ou arquiteturas desenvolvidos.

3.7 Estimativa de Retorno Fiscal

Para uma empresa de tecnologia com 20 engenheiros e cientistas de dados que invista R$ 6 milhões por ano em PD&I de IA, sendo R$ 5 milhões em dispêndios operacionais (salários, infraestrutura, licenças) e R$ 1 milhão em CAPEX (servidores, GPUs):

Dedução adicional de 60% sobre R$ 5 milhões = R$ 3 milhões deduzidos do lucro tributável; Benefício direto aplicando alíquota combinada IRPJ + CSLL (34%): R$ 1,02 milhão só nesse item; Depreciação acelerada dos R$ 1 milhão em equipamentos: efeito de caixa adicional relevante; Redução de 50% do IPI em equipamentos qualificados.

Se a empresa aumentou seu quadro de pesquisadores em relação ao ano anterior, a alíquota sobe para 70% — o benefício direto passa para R$ 1,19 milhão sobre os mesmos R$ 5 milhões de dispêndio operacional. Com geração de patente concedida no exercício: R$ 1,36 milhão, um retorno de 27,2% sobre o dispêndio operacional, apenas pelo mecanismo fiscal.

4. A Conexão Estratégica: Regulação de IA e Lei do Bem Não São Temas Separados

Existe uma conexão que ainda é pouco explorada no debate público e que é diretamente relevante para líderes de tecnologia e inovação: a forma como o Marco Legal da IA será construído no Brasil vai influenciar diretamente o perfil de projetos de PD&I elegíveis à Lei do Bem nos próximos anos.

4.1 Conformidade como Motor de PD&I

As exigências do PL 2.338/2023 — em especial para sistemas classificados como de alto risco — incluem obrigações de avaliação de impacto, documentação técnica, mecanismos de supervisão humana, detecção de viés, rastreabilidade de decisões e explicabilidade dos modelos. O desenvolvimento de qualquer um desses mecanismos, quando não existe solução pronta no mercado e envolve incerteza técnica genuína, é potencialmente elegível à Lei do Bem.

Em outras palavras: o esforço de conformidade regulatória em IA, quando realizado internamente com rigor técnico e documentação adequada, pode ser parcialmente financiado pelo governo federal por meio da Lei do Bem. Isso transforma o custo de conformidade — frequentemente visto como puramente operacional — em investimento com retorno fiscal.

Sistemas de IA explicável (XAI) para atender ao direito à explicação previsto no PL, ferramentas de detecção e mitigação de viés para cumprir o direito à não discriminação, mecanismos de auditoria para rastreabilidade de decisões, arquiteturas de supervisão humana com capacidade de override em sistemas de alto risco — todos esses desenvolvimentos, quando realizados por empresas no Lucro Real que apurem lucro fiscal, têm elegibilidade altamente provável à Lei do Bem, desde que documentados e estruturados como projetos de PD&I.

4.2 A Dinâmica de Incentivos que o Estudo Ilumina — E o Que Ela Significa para as Empresas

Há outro ângulo que o estudo de Cornell ilumina de forma indireta para empresas brasileiras: a lógica do comprometimento mútuo que a regulação bem calibrada oferece tem um equivalente no relacionamento entre empresa e governo via Lei do Bem.

Quando uma empresa estrutura seus projetos de PD&I com a governança correta — documentação técnica contemporânea, centros de custo segregados, relatórios de acompanhamento de projetos, evidências de risco tecnológico —, ela está fazendo exatamente o que o estudo descreve como “comprometimento crível”. Ela sinaliza ao MCTI que os projetos são reais, que os dispêndios são elegíveis e que o benefício é merecido. Isso reduz o risco de glosa, aumenta a previsibilidade do benefício e cria uma relação de confiança com o regulador que, ao longo do tempo, se traduz em processos de análise mais ágeis.

Empresas que constroem essa governança desde o início acumulam vantagem competitiva não apenas no produto — pelo conhecimento desenvolvido nos projetos — mas também no capital — pelo benefício fiscal sistematicamente capturado. É um círculo virtuoso que a maioria das empresas brasileiras ainda não entrou.

4.3 A Janela Temporal: Por Que Agir Agora Importa

Existem três razões concretas para não adiar a estruturação da Lei do Bem:

Primeiro: cada exercício fiscal encerrado sem aproveitamento é benefício perdido definitivamente. A Lei do Bem não permite carregar deduções não utilizadas para anos seguintes. O exercício de 2026, que está em andamento agora, fecha em dezembro. Empresas que não estructurarem seus projetos até lá perdem o benefício de 2026.

Segundo: o FormP&D 2026 foi lançado em junho com integração às bases de dados da Receita Federal. O cruzamento automático de informações amplia a capacidade do governo de identificar inconsistências entre o que é declarado e o que está na contabilidade da empresa. Isso reforça a necessidade de estruturação contábil contemporânea — não retrospectiva.

Terceiro: com a aprovação iminente do Marco Legal da IA, as empresas que já têm projetos de PD&I estruturados e documentados estarão na posição ideal para simultaneamente cumprir as exigências regulatórias e recuperar fiscalmente os custos de conformidade. As que não estruturaram terão que fazer as duas coisas ao mesmo tempo — sem o benefício fiscal.

5. Os Obstáculos Reais em Projetos de IA — e Como Superá-los

A aplicação da Lei do Bem a projetos de IA tem desafios específicos que merecem atenção. O mais comum é a confusão entre desenvolvimento experimental e engenharia de software rotineira.

Em um time de tecnologia, parte do trabalho é inovação genuína — exploração de novas arquiteturas, treinamento experimental, pesquisa de métodos —, e parte é manutenção, refatoração de código existente, implantação de features com tecnologias consolidadas. Apenas a primeira parte é elegível. O desafio é separar as duas de forma que seja defensável perante os avaliadores técnicos do MCTI.

A separação não exige mudanças no processo de desenvolvimento — exige mudanças na documentação do processo. Registro de horas por projeto e por tipo de atividade, atas de reuniões técnicas que registrem as hipóteses testadas e descartadas, versionamento de experimentos com métricas de desempenho, relatórios técnicos de acompanhamento que identifiquem os problemas técnicos enfrentados e as soluções tentadas — tudo isso transforma atividades que já estão sendo realizadas em evidências auditáveis de PD&I.

O segundo obstáculo é a segregação contábil. As despesas com PD&I precisam ser alocadas em centros de custo específicos na contabilidade, vinculadas a projetos identificáveis. Isso não é complicado de implementar — mas precisa ser feito desde o início do projeto, não retrospectivamente.

O terceiro é a defesa técnica. Após o envio do FORMP&D, o MCTI pode diligenciar os projetos. Uma defesa técnica robusta não é apenas argumentação jurídica — é demonstração de que o projeto encontrou problemas técnicos reais, que as soluções não eram triviais, que as alternativas foram avaliadas e que o resultado tecnológico gerado é relevante. Para projetos de IA, isso inclui referenciar a fronteira científica da área (publicações, benchmarks, estado da arte), demonstrar por que as soluções existentes não resolviam o problema específico e apresentar os experimentos realizados com suas métricas.

6. A Brinn Consulting: Por Que o Parceiro Certo Faz Diferença em Projetos de IA

A Brinn Consulting (www.brinnconsulting.com.br) é especializada no mapeamento, estruturação e defesa técnica de projetos para a Lei do Bem, com experiência crescente em projetos de software, dados e inteligência artificial — exatamente os segmentos que o MCTI sinalizou como dominantes no portfólio da Lei do Bem.

O desafio específico de projetos de IA é que a linha entre desenvolvimento elegível e engenharia rotineira é técnica, não jurídica. Um consultor sem profundidade técnica em machine learning e desenvolvimento de software vai produzir relatórios genéricos que não resistem a uma diligência do MCTI com avaliadores especializados. Esse é o risco que a escolha do parceiro de consultoria pode criar ou eliminar.

Estes são os diferenciais da Brinn que têm relevância direta nesse contexto:

Corpo técnico com larga expertise em incentivos fiscais de PD&IT: engenheiros e profissionais com formação técnica em diferentes áreas da inovação tecnológica — incluindo software e IA — constroem defesas técnicas que dialogam com os avaliadores do MCTI na mesma linguagem técnica que eles usam. Em um ambiente em que o FormP&D já tem 72 áreas tecnológicas específicas de classificação, o alinhamento técnico do consultor com o projeto é determinante para o sucesso da avaliação.

Mapeamento 360°: a Brinn identifica em tempo real todas as oportunidades de fomento complementares — Finep, BNDES, Embrapii, editais da FAPESP, CNPq, FAPERJ, programas setoriais de IA e digitalização. Para empresas que desenvolvem IA e estão se preparando para a conformidade com o Marco Legal, o potencial de financiamento combinado é significativamente maior do que a Lei do Bem isoladamente.

Gestão e execução integral de todas as etapas, com possibilidade de trabalho in company: do diagnóstico técnico inicial à entrega do FORMP&D, incluindo a montagem de centros de custo, a construção de processos de documentação técnica contemporânea e o acompanhamento de eventuais diligências do MCTI, a Brinn pode operar como extensão do time interno — inclusive presencialmente.

Honorários com fee fixo, direto e não cumulativo: sem modelos de sucesso percentual que inflem o custo em projetos de grande escala, com previsibilidade orçamentária que o CFO pode planejar.

Brinn Day: o workshop gratuito anual da Brinn Academy capacita times técnicos e de gestão a identificar atividades de PD&I, entender os conceitos do MCTI e montar a governança interna de captura de projetos. Para empresas que estão começando a estruturar a Lei do Bem, o Brinn Day é o ponto de partida correto.

Apólice de Seguro de Responsabilidade Civil Profissional: cobertura formal sobre as atividades de consultoria — um diferencial que o CFO deve exigir de qualquer parceiro que assine dossiês técnicos que fundamentam benefícios fiscais substanciais.

Garantia vitalícia de apoio junto à RFB e ao MCTI: se anos após a entrega do FORMP&D surgir questionamento da Receita Federal ou do MCTI, a Brinn permanece responsável pelo suporte técnico de defesa, sem prazo e sem custo adicional. Em um ambiente regulatório que está em formação — onde o próprio Marco Legal ainda está sendo construído —, essa garantia de suporte de longo prazo é uma proteção estratégica real.

7. A Lição do Estudo de Cornell para o Executivo Brasileiro

A pesquisa de Laufer, Kleinberg e Heidari tem uma mensagem que vai além da política de IA: as regras que governam a produção de tecnologia importam, e regras mal calibradas produzem resultados piores que a ausência de regras. Isso é verdadeiro na regulação estatal — mas também é verdadeiro na governança corporativa interna.

Empresas que estabelecem internamente regras claras para seus projetos de PD&I — definindo o que é desenvolvimento experimental e o que é engenharia rotineira, documentando a execução de forma contemporânea, segregando os dispêndios de forma auditável — estão criando a infra-estrutura de comprometimento mútuo que o estudo descreve como fundamental para o funcionamento dos incentivos. O “regulador” nesse caso é o MCTI, as penalidades são as glosas, e o comprometimento é a documentação técnica robusta.

O Brasil está construindo, ao mesmo tempo, o arcabouço regulatório para a IA e o ecossistema de incentivos fiscais que vai financiar quem inova nessa área. As duas construções estão acontecendo em paralelo. Empresas que entendem essa confluência e estruturam suas operações para aproveitar ambas — cumprindo as exigências regulatórias enquanto recuperam fiscalmente os custos de desenvolvimento — sairão à frente.

As que esperarem o arcabouço estar completo para agir terão esperado o custo que poderiam ter recuperado.

Fale com a Brinn Consulting

Se sua empresa desenvolve soluções de inteligência artificial, está se preparando para a conformidade com o Marco Legal da IA, ou simplesmente quer entender quais dos seus projetos tecnológicos se qualificam para os incentivos da Lei do Bem, a Brinn Consulting está pronta para conversar.

Agende agora um diagnóstico gratuito e descubra quanto sua empresa pode recuperar ainda neste exercício fiscal.

🌐 Site: www.brinnconsulting.com.br ✉️ E-mail: contato@brinnconsulting.com.br 📱 Telefone/WhatsApp: (81) 98455-8367

Innovate More, Innovate Better.

Fontes Consultadas

• Notícia original: Site Inovação Tecnológica — “Regulamentação forte da IA é melhor para consumidores e empresas” (24/07/2026). Disponível em: https://www.inovacaotecnologica.com.br/noticias/noticia.php?artigo=regulamentacao-forte-ia&id=010150260724
• Artigo científico: Laufer, B., Kleinberg, J., Heidari, H. “The backfiring effect of weak AI safety regulation”. Proceedings of the National Academy of Sciences, v. 123, n. 30, e2509768123, 20 jul. 2026. DOI: 10.1073/pnas.2509768123
• Cornell Chronicle: https://news.cornell.edu/stories/2026/07/weak-ai-regulation-may-backfire-making-products-less-safe
• arXiv (preprint): https://arxiv.org/abs/2503.20848
• PL 2338/2023 — Senado Federal: https://www25.senado.leg.br/web/atividade/materias/-/materia/157233
• Câmara dos Deputados — PL 2338/2023: https://www.camara.leg.br/proposicoesWeb/fichadetramitacao?idProposicao=2487262
• Lei do Bem: Software e IA dominam projetos (ConvergênciaDig/Consecti): https://consecti.org.br/lei-do-bem-software-e-ia-dominam-projetos-de-inovacao-mcti-simplifica-acesso-e-cria-identificador-unico/
• MCTI lança FormP&D 2025 (Brinn Consulting): https://www.brinnconsulting.com.br/2025/06/20/mcti-formpd-2025-lei-do-bem/
• Tendências em PD&I 2026-2027 (Brinn Consulting): https://www.brinnconsulting.com.br/2026/01/15/tendencias-pdi-2026-2027/
• Lei nº 11.196/2005 (Lei do Bem): https://www.planalto.gov.br/ccivil_03/_ato2004-2006/2005/lei/l11196.htm
• Decreto nº 5.798/2006: https://www.planalto.gov.br/ccivil_03/_ato2004-2006/2006/decreto/d5798.htm
• Instrução Normativa RFB nº 1.187/2011: https://antigo.mctic.gov.br/mctic/opencms/legislacao/outros_atos/instrucoes_normativas/Instrucao_Normativa_SRFMF_n_1187_de_29082011.html
• Brinn Consulting: https://www.brinnconsulting.com.br