Emerge uma reconfiguração do papel de instituições de patrimônio (arquivos nacionais, bibliotecas, museus), Estados-nação e comunidades linguísticas: de fornecedores passivos de conteúdo digitalizado para curadores ativos do data mix usado no pré-treino e pós-treino de LLMs. Damon Crockett caracteriza os LLMs como 'máquinas discursivas' — sistemas que não apenas transmitem informação, mas produzem, normalizam e disciplinam formas de raciocínio, articulação e legitimidade discursiva. Em paralelo, Messeri & Crockett (Nature, 2024) alertam para a formação de 'monoculturas científicas' quando ferramentas de IA estreitam métodos, perguntas e perspectivas. Diferentes atores começam a operacionalizar essa leitura: (i) Portugal lançou o LLM AMALIA (FCT, INESC-ID, Centro para a IA Responsável), treinado a partir do Arquivo.pt e de dados pós-treino especificamente curados para o português europeu, com benchmarks dedicados (PT-EXAM); (ii) o Te Hiku Media (Nova Zelândia) construiu reconhecimento automático de fala em te reo Māori atingindo ~92% de precisão sob protocolos de soberania de dados liderados pela comunidade; (iii) IBM Research e parceiros desenvolvem modelos para línguas indígenas brasileiras (Guarani Mbya, entre outras); (iv) plataformas como Mukurtu codificam protocolos indígenas de acesso granular ao patrimônio digital, hoje invocados como referência para curadoria ética de corpora de IA. Leituras decoloniais (AI & Society, 2026) descrevem o status quo dos LLMs como 'colonialidade algorítmica' — inscrição de epistemologias do Norte Global na lógica dos sistemas — e propõem a curadoria do corpus como contraponto soberano.
E daí?
Se a tese de soberania discursiva consolidar-se, a geopolítica da IA deixa de ser apenas uma disputa por compute, chips e modelos para incorporar uma disputa por *corpora* e autoridade cultural. A curadoria do data mix passa a ser tratada como instrumento de política pública — comparável, em peso simbólico, a moeda, território ou jurisdição. Isso desloca o eixo regulatório: do output (alinhamento, segurança, vieses) para o input (quem decide o que entra no modelo, sob quais protocolos e em nome de qual coletivo linguístico). Para Estados pequenos e médios, comunidades indígenas e instituições de memória, abre-se uma janela estratégica para reposicionar acervos historicamente vistos como custo cultural como ativo soberano de IA. Para grandes laboratórios, cresce a pressão por contratos negociados de licenciamento de corpora — em substituição ao scraping indiscriminado.
O que muda?
Cinco deslocamentos sistêmicos: (1) instituições de patrimônio (arquivos, bibliotecas, museus, universidades) passam a ser interlocutores diretos da política de IA, com novo mandato técnico-político de curadoria; (2) o licenciamento de dados de treino torna-se instrumento de política linguística e cultural, não apenas de propriedade intelectual; (3) emergem regimes plurais de governança do corpus — dos protocolos CARE/indígenas até infraestruturas estatais como o Arquivo.pt — em tensão com a lógica de 'dado público é dado treinável'; (4) o mercado de LLMs tende à fragmentação por zonas linguístico-culturais soberanas, em paralelo (não em substituição) aos modelos globais; (5) a discussão sobre *model collapse* (Shumailov et al., Nature 2024) e degradação por dados sintéticos ganha um novo ângulo: corpora curados por instituições humanas tornam-se recurso escasso e estrategicamente valioso.
Se sinal crescer
Cenário de escalonamento (24–60 meses): (a) consolidação de uma categoria profissional de 'curador de corpus de IA' dentro de arquivos nacionais, bibliotecas e organizações comunitárias, com formação técnica em linguística computacional, ética de dados e direito autoral; (b) emergência de uma 'balança discursiva' como métrica de soberania — Estados auditam quais discursos são 'importados' e 'exportados' via LLMs estrangeiros, similar a uma balança comercial cultural; (c) cláusulas de proveniência discursiva tornam-se obrigatórias em contratos públicos de IA (UE, Mercosul, União Africana), exigindo transparência sobre que parcela do data mix vem de instituições legitimadas pela comunidade-alvo; (d) crescimento de federações de pequenos LLMs comunitários (línguas indígenas, variantes regionais, minorias linguísticas), tensionando a economia de escala dos modelos de fronteira; (e) risco contrário — captura estatal da curadoria, transformando 'soberania discursiva' em mecanismo de censura ou homogeneização nacionalista; (f) tensão crescente entre o movimento open-source/open-data e o gatekeeping soberano da curadoria, gerando novos arranjos híbridos (corpora abertos com termos de uso comunitário vinculantes, à la Mukurtu).
Imagens
