Setenta e cinco por cento das empresas devem usar IA generativa para criar dado sintético até o fim de 2026, segundo a Gartner — salto vindo de menos de 5% em 2023. O motivo é simples: dado sintético promete o que todo time de dado quer — volume, realismo estatístico e velocidade — sem o atrito de pedir aprovação para usar dado real de cliente. O problema mora na segunda metade da frase que ninguém termina: sem o atrito, mas não necessariamente sem o risco.
O erro mais comum não é usar dado sintético. É assumir que gerá-lo equivale a resolver a parte de privacidade e compliance do projeto de uma vez. A LGPD não exclui dado sintético do próprio escopo por definição — exclui dado verdadeiramente anonimizado, com a ressalva explícita de que ele deixa de contar como anônimo se puder ser revertido com meios razoáveis disponíveis. Pesquisa recente mostra que essa ressalva não é teórica.
O sintoma: dado sintético virou sinônimo de dado seguro
O padrão se repete: o time de dado gera uma versão sintética de uma base sensível, roda a métrica de privacidade padrão da ferramenta escolhida, vê o selo "seguro" na tela e distribui o resultado pra QA, pra um parceiro externo ou pra um pipeline de treino — sem checar se o gerador foi testado contra ataque real, sem perguntar se aquele uso exigia mais rigor do que uma métrica de distância estatística consegue garantir.
O artigo 12 da LGPD é claro sobre onde essa suposição quebra: dado anonimizado só sai do escopo da lei quando o processo de anonimização não pode ser revertido com os meios técnicos razoavelmente disponíveis no momento do tratamento. Gerar dado sintético a partir de uma base real é, por definição, um processo de anonimização como qualquer outro — está sujeito ao mesmo teste, não a um regime de exceção só porque o método usa IA generativa em vez de mascaramento tradicional.
A ANPD já mostrou que trata a fronteira entre conteúdo sintético e dado pessoal com seriedade, não como zona cinzenta. Na Nota Técnica 1/2026, a agência tratou conteúdo sintético gerado por IA que identifica uma pessoa real como dado pessoal sujeito à LGPD — o caso concreto era um deepfake, mas o princípio por trás vale pra qualquer saída artificial que ainda carregue informação suficiente pra apontar de volta pra alguém real. "Foi gerado por IA" não é, sozinho, argumento de defesa.
Onde dado sintético realmente acelera o projeto
Quando o uso é bem definido, dado sintético resolve gargalo real — e o ganho de velocidade é genuíno, não hype de fornecedor.
- Ambiente de desenvolvimento e teste sem fila de aprovação. Times de engenharia esperam semanas por uma versão mascarada e aprovada da base de produção. Dado sintético gerado a partir do schema e da distribuição estatística elimina essa fila — o time testa contra algo estatisticamente parecido sem tocar em nenhum registro real de cliente.
- Reforço de classe rara em treino de modelo. Fraude, churn de cliente grande, falha de equipamento crítico — eventos raros que o dado real não tem em volume suficiente pra treinar um modelo bem. Dado sintético gerado especificamente pra essas classes minoritárias melhora a acurácia sem esperar anos de coleta.
- Compartilhamento entre squads e com parceiro externo. Um parceiro de integração ou uma consultoria terceira precisa de dado realista pra validar uma API ou um relatório — sem que isso signifique expor a base real de cliente a um novo perímetro de risco.
- Demonstração comercial e prova de conceito. Vender um produto de dado ou apresentar um dashboard a um cliente em potencial exige volume e realismo visual, não os registros reais de outro cliente aparecendo na tela por engano.
Nos quatro casos, o dado sintético substitui um dado real que só precisava parecer real, não ser rastreável até um indivíduo depois.
Onde dado sintético engana quem só olhou a métrica de privacidade
O ponto cego aparece quando a fidelidade estatística que torna o dado útil é a mesma fidelidade que o torna reversível. Um gerador ajustado demais aos dados de treino aprende padrões específicos demais — inclusive de registros individuais raros — e reproduz esse aprendizado na saída sintética de forma que um atacante consegue explorar.
Um estudo apresentado na conferência acadêmica FASE 2026 testou exatamente essa lacuna: métodos de geração sintética que passaram nas métricas de privacidade padrão do mercado ainda vazaram informação sob ataque de inferência de associação e de reconstrução, recuperando uma fração real dos registros originais. A métrica media distância estatística entre distribuições; o ataque estimava a distribuição real por trás dela. São perguntas diferentes, e passar na primeira não responde a segunda.
Dado sintético que passa na métrica de privacidade e falha no ataque de reconstrução não é anônimo — é anônimo até alguém testar.
Essa é exatamente a "reversão com meios razoavelmente disponíveis" que o artigo 12 da LGPD usa como critério. Se um ataque de inferência publicado em conferência acadêmica de 2026 consegue reconstruir parte da base original, esse meio já é razoavelmente disponível — o que significa que o dado sintético gerado por aquele método nunca deixou de ser dado pessoal aos olhos da lei, mesmo com o selo "anonimizado" da ferramenta.
O segundo ponto cego é mais sutil: qualidade caindo geração após geração quando um modelo é retreinado repetidamente sobre dado majoritariamente sintético, sem reintrodução de sinal real — ele aprende a reproduzir os próprios vieses em vez do padrão que existia na base original. A mesma lógica que já defendemos sobre dado limpo — qualidade é sempre relativa ao uso, nunca um padrão absoluto vale pra fidelidade sintética: bom o suficiente pra testar uma tela de cadastro pode ser péssimo o suficiente pra treinar um modelo de risco de crédito.
Cinco perguntas antes de aprovar dado sintético em produção
Nenhuma das cinco exige comprar ferramenta nova — exige decidir o escopo antes de gerar o dado, não depois de distribuí-lo.
- Pra que uso exato ele vai servir — teste interno, treino de modelo ou dado compartilhado externamente? O risco tolerável muda por completo entre os três. Teste interno tolera mais fidelidade e menos escrutínio; dado que sai da empresa exige o oposto.
- O gerador foi auditado contra ataque de reconstrução e inferência de associação — ou só contra métrica de distância estatística? Se a resposta é só a segunda, a avaliação de privacidade está incompleta, não errada por definição.
- Esse dado sintético seria reidentificável com os meios razoáveis disponíveis a quem for recebê-lo? É a pergunta que o artigo 12 da LGPD já faz — e é ela que decide se o dado ainda é pessoal ou não, independente do rótulo que a ferramenta deu.
- A fidelidade cobre o caso extremo que o teste ou o treino precisam capturar, sem replicar o registro raro que também é o mais identificável? Fidelidade e privacidade puxam em direções opostas; a decisão precisa nomear qual delas pesa mais nesse uso específico.
- Existe plano pra reintroduzir dado real periodicamente, evitando degradação por gerações sucessivas de treino só com dado sintético? Sem esse plano, o modelo aprende a reproduzir os próprios vieses em vez do padrão real que a base original carregava.
A segunda e a terceira são as que mais times pulam — e são exatamente as que a checklist de governança de qualquer piloto de IA com dado real já cobre antes do primeiro prompt: mapear o que entra, checar a base legal, documentar por escrito. Dado sintético não substitui essa disciplina — só muda em qual etapa dela a pergunta certa aparece.
A pergunta certa não é se dá pra usar — é qual dado sintético pra qual uso
Dado sintético não é atalho de compliance nem é armadilha por definição. O erro caro não está em nenhum dos dois extremos — nem em rejeitar a tecnologia por medo, nem em tratá-la como isenção automática de LGPD porque "não é dado real". Está em pular a etapa de nomear, por escrito, pra qual uso específico aquele dado sintético foi aprovado, com qual nível de auditoria de privacidade por trás.
Empresa que trata dado sintético como aceleração de teste e treino, com escopo declarado e auditoria real de reversibilidade, ganha exatamente a velocidade que a Gartner projeta pra maioria do mercado até 2026. Empresa que trata o rótulo "sintético" como sinônimo automático de "sem risco" descobre a diferença — como sempre — no primeiro incidente, quando alguém pergunta se aquele dado realmente nunca poderia ser revertido.
Perguntas que sempre voltam
Fechando, as dúvidas mais comuns sobre dado sintético, privacidade e LGPD.
O que são dados sintéticos e pra que servem?
Dados sintéticos são registros artificiais gerados por algoritmo — hoje, majoritariamente por IA generativa — que reproduzem os padrões estatísticos de uma base real sem conter nenhum registro real dela. Servem principalmente pra três usos: acelerar ambiente de teste e desenvolvimento sem esperar aprovação de mascaramento, reforçar classes raras em treino de modelo (fraude, churn, falha crítica) e viabilizar compartilhamento de dado realista com parceiro externo ou em demonstração comercial, sem expor a base de cliente original.
Dado sintético dispensa a LGPD?
Não automaticamente. A LGPD exclui do próprio escopo apenas dado verdadeiramente anonimizado — e o artigo 12 é explícito ao dizer que dado deixa de contar como anônimo se puder ser revertido com meios técnicos razoavelmente disponíveis no momento do tratamento. Gerar dado sintético é um processo de anonimização como outro qualquer, sujeito ao mesmo teste. Pesquisa de 2026 já mostrou métodos de geração sintética aprovados por métrica padrão de privacidade que ainda permitiram reconstruir parte real da base original sob ataque — o que os mantém, legalmente, no escopo de dado pessoal.
Dado sintético é seguro contra vazamento de informação real?
Depende do método e de como ele foi auditado, não do rótulo "sintético" por si. Um gerador ajustado demais aos dados de treino aprende padrões de registros individuais raros e pode reproduzi-los na saída de um jeito que um ataque de inferência de associação ou de reconstrução consegue explorar — mesmo quando a métrica de privacidade padrão da ferramenta classifica o resultado como seguro. A métrica mede distância estatística entre distribuições; o ataque estima a distribuição real por trás dela. Sem auditoria contra os dois tipos de ataque, "passou na métrica" não equivale a "está seguro".