Em meio à euforia com a decisão favorável à GEMA no processo contra a Suno, quero abrir um parênteses para falar sobre um tema que a maioria provavelmente já ouviu mencionar, mas que poucos realmente entendem: os modelos de atribuição.

Meu objetivo com este artigo é explicar, de forma simples, o que são, para que servem e qual é o estado atual dessa tecnologia.

Um modelo de atribuição é, essencialmente, uma tecnologia projetada para analisar um arquivo gerado com inteligência artificial e tentar determinar quais obras podem ter influenciado esse resultado. Vamos complexificando essa definição aos poucos.

Esse arquivo pode ser uma música, uma imagem ou um vídeo. A ideia por trás dos modelos de atribuição é tentar reconstruir, de trás para frente, quais obras do treinamento influenciaram aquele resultado.

A confiabilidade dessa ferramenta é incerta para mim. Mas se aprendi algo em mais de dez anos trabalhando com tecnologia é que nada é impossível. Ainda assim, mais adiante vou contar alguns detalhes técnicos e conceituais que mostram por que esse é um desafio extremamente complexo.

Mas antes, o que seria possível fazer com um modelo de atribuição?

Uma das primeiras ideias que surgiram quando começou a se discutir o impacto da IA foi analisar cada output dos modelos. Assim, seria possível determinar o grau de influência de cada obra e distribuir royalties entre os criadores de forma proporcional. Com o tempo, porém, essa possibilidade foi perdendo força diante da enorme dificuldade de colocá-la em prática.

Isso exigiria não só um nível de confiabilidade extremamente alto, mas também me parece impossível imaginar um cenário em que todas as respostas geradas por todos os modelos do mundo sejam auditadas por um modelo de atribuição.

Estamos falando de bilhões de respostas por dia. Mesmo que a análise fosse extremamente precisa, o custo computacional seria enorme. E mesmo supondo que apenas uma amostra fosse auditada, ainda restaria um desafio igual ou mais complexo: definir um padrão aceito por toda a indústria e conseguir que as empresas o adotem.

Tenho a sensação de que existem formas melhores de encarar esse problema.

Por outro lado, os modelos de atribuição poderiam funcionar bem como ferramentas de enforcement.

No caso do PLAI by GEMA, por exemplo, um modelo de atribuição poderia analisar um resultado gerado, identificar quais obras o influenciaram e verificar se essas obras pertencem ao catálogo devidamente licenciado. Diferente de um sistema de fingerprint de áudio, que só funciona se o output for uma cópia reconhecível do original, aqui o output é uma síntese nova, então é preciso atribuição para reconstruir essa cadeia. Nesse contexto, um modelo de atribuição poderia se tornar uma ferramenta para verificar o cumprimento de licenças ou até para apresentar evidências em litígios relacionados ao uso não autorizado de obras.

Pessoalmente, esse caso de uso me parece muito mais razoável.

Qual é o estado atual dessa tecnologia?

Embora o conceito ainda esteja longe de ser uma tecnologia madura, já existem várias empresas tentando resolver esse problema.

Musical AI

A Musical AI é uma plataforma de gestão de direitos para treinamento e geração com IA. Por um lado, permite que os titulares licenciem seu catálogo de forma controlada, monitorando ou restringindo seu uso. Por outro, analisa os outputs gerados e calcula qual proporção de cada resultado vem de qual fonte, separando composição de gravação.

Em julho de 2026, a SOCAN se tornou sua primeira sociedade de gestão parceira. O acordo contempla duas ferramentas separadas: consentimento, para que os compositores decidam se sua obra entra no treinamento, e atribuição, para medir sua influência em um resultado específico, distinguindo composição de gravação. É o primeiro caso em que a Musical AI sai do terreno de acordos pontuais com gravadoras e distribuidoras para entrar no das sociedades de gestão.

Sureel AI

A Sureel AI constrói um "DNA de IA" para cada obra, decompondo-a em seus elementos para rastrear como os modelos de IA a utilizam.

A STIM, sociedade sueca de direitos musicais, foi pioneira ao apostar nessa startup. Em setembro de 2025, nomeou a Sureel sua fornecedora de atribuição, tornando-se a primeira sociedade de gestão a confiar seu repertório a uma tecnologia desse tipo. Com isso, montou a primeira licença coletiva de IA para música do mundo.

A Warner a comprou em junho deste ano, com o objetivo de deter a tecnologia capaz de comprovar como um catálogo é usado. A Sureel continua operando como plataforma independente, e em julho a IMPF e a IMPEL, dois organismos de editoras independentes, anunciaram que vão testá-la com repertório limitado em um ambiente fechado, sem uso para treinamento, antes de negociar condições reais.

ProRata

A ProRata nasceu em 2024, criada por Bill Gross, o mesmo que inventou o modelo de pagamento por clique na publicidade online. Captou $25 milhões em sua rodada inicial e mais $40 milhões em setembro de 2025, liderados pela Touring Capital. Desde o lançamento, mantém um acordo estratégico com a Universal Music para explorar sua tecnologia aplicada à música, mas esse acordo ainda não se transformou em produto.

Onde a tecnologia já funciona é em texto. O Gist Answers, seu motor de respostas com IA, distribui 50% da receita entre mais de mil editoras de acordo com o peso de cada fonte em cada resposta, e segundo Gross já é lucrativo. Se conseguirem levar esse mecanismo para a música, seria o modelo mais próximo do que a maioria imagina quando pensa em atribuição. Por enquanto, ainda é a ponta solta do negócio.

Pippa

Por último, e a mais recente, está a Pippa, uma startup de vídeo generativo lançada em maio de 2026 que paga artistas toda vez que sua ferramenta gera conteúdo a partir de um estilo associado a eles, $0,005 por imagem e $0,003 por segundo de vídeo. Além disso, reserva um pool de 5% da receita de assinaturas do qual os artistas participantes vão recebendo ao longo do tempo.

Também é um projeto bem mais incipiente que os demais citados aqui: hoje declara cerca de 800 assinantes pagos e apenas quatro artistas com acordo assinado, com mais quatro em conversação.

A opinião do presidente da CISAC

Björn Ulvaeus, músico e presidente da CISAC, fez o discurso de abertura do AI for Good Summit em Genebra, "The Future Needs Creators". Se ainda não assistiram, recomendo, a mensagem é muito potente.

Björn não parece ser muito favorável aos modelos de atribuição. Ele chega a dizer: "Para mim, rastrear o output sempre foi a pergunta errada." Minha impressão é que ele quer dizer que esses modelos não devem ser o principal mecanismo para calcular distribuições. Seu argumento se baseia em como os modelos funcionam de fato, de forma probabilística. Eles não produzem cópias de nenhuma música, criam novas sínteses a partir de tudo que aprenderam.

Sua proposta está mais alinhada ao licenciamento de catálogos e à distribuição da receita das assinaturas de IA.

Conclusão

Mesmo mantendo o ceticismo, os modelos de atribuição podem chegar a um grau significativo de confiabilidade e eficiência. Ainda assim, não acredito que vão ter o papel de protagonistas que se imaginava no início, mas sim um papel de enforcement.

Quanto mais penso nisso, mais impraticável me parece a ideia de que compensar criadores por output se torne um padrão. Tenho a impressão de que o presidente da CISAC, em seu discurso, tentou deslocar a conversa dessa ideia para a que hoje parece mais viável: o licenciamento de catálogos.