11 de septiembre de 2026
Inteligencia Artificial en la Gestión Contractual: Supervisión Humana, Riesgos Legales y Gobernanza Algorítmica
Ângela Cristina Moreira de Santana; Álvaro Freitas Faustino Dias
DOI: 10.22167/2675-6528-202602295
Artículo derivado de Trabajo de Fin de Curso (TCC), con contenido basado en el trabajo original del estudiante y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege para la síntesis y organización textual.
Resumen
El advenimiento de la inteligencia artificial como tecnología disruptiva ha reconfigurado procesos económicos, institucionales y jurídicos, otorgando centralidad a la automatización contractual en la gestión de relaciones complejas. La automatización contractual se ha revelado un fenómeno jurídicamente no neutro, con opacidad decisoria, generación automatizada de cláusulas abusivas y dificultades de atribución de responsabilidad, desplazando la elaboración contractual al dominio jurídico-normativo. El estudio analizó cómo la inteligencia artificial en la automatización contractual intensificó la colisión entre eficiencia tecnológica y seguridad jurídica, y en qué medida los mecanismos de supervisión humana significativa y de gobernanza algorítmica funcionaron como instrumentos de ponderación normativa para preservar principios del derecho contractual brasileño. La investigación adoptó un enfoque cualitativo de estudio de casos múltiples, con análisis documental de cuatro casos paradigmáticos: Moffatt v. Air Canada, United States v. RealPage, Deloitte/DEWR e INSS/TRF-4ª Región, representando los contextos consumerista, concurrencial, consultivo-contractual y administrativo. El análisis identificó cinco patrones estructurales recurrentes – opacidad decisoria, sustitución de la racionalidad normativa por inferencias probabilísticas, accountability gap, asimetría informacional e incomprensión semántica – que emergieron de forma sistémica. El desenlace fragmentado del caso RealPage reforzó la conclusión de que la jurisprudencia sobre automatización decisoria aún está en formación. La gobernanza algorítmica eficaz demostró exigir la integración de mecanismos de auditabilidad, responsabilización y supervisión humana, conforme a las normas ISO 31000, COSO ERM e ISO 37301, como condición necesaria para la legitimidad de los sistemas automatizados de gestión contractual.
Palabras clave: Contratos; Gobernanza algorítmica; Inteligencia artificial; Seguridad jurídica; Supervisión humana.
1. Introducción
El advenimiento de la inteligencia artificial (IA) como tecnología disruptiva ha inaugurado un cambio de paradigma a escala global, reconfigurando procesos económicos, institucionales y jurídicos, y otorgando a la automatización contractual una centralidad creciente en la gestión de relaciones complejas. Históricamente, el Derecho se adapta a las innovaciones tecnológicas, tensando conceptos tradicionales e impulsando la evolución normativa (Lessig, 2006; Zuboff, 2019). El aumento exponencial del volumen contractual y de la complejidad regulatoria ha estimulado la adopción de sistemas de automatización contractual basados en IA, haciéndola económicamente irresistible. Sin embargo, esta presión tiende a subvalorar costos difusos y a largo plazo, como la erosión de la supervisión humana y la opacidad decisoria, distorsionando el cálculo de eficiencia (Han, 2018; Posner, 2014; Shavell, 1980).
La automatización contractual ha demostrado ser un fenómeno jurídicamente no neutro, con opacidad decisoria, generación automatizada de cláusulas abusivas y dificultades de atribución de responsabilidad. En el plano normativo internacional, el Reglamento (UE) 2024/1689 – AI Act europeo – impone obligaciones de transparencia y supervisión humana. En Brasil, el PL 2338/2023, aprobado por el Senado Federal, aguardaba votación en la Cámara, y el ordenamiento nacional opera en “silencio normativo elocuente”, manteniendo la materia bajo el régimen general del Código Civil, del Código de Defensa del Consumidor y de la Ley General de Protección de Datos. Los sistemas de IA no son tecnológicamente neutros, incorporando valores y sesgos (Coeckelbergh, 2020). La elaboración de contratos, que exige interpretación normativa y ponderación de intereses, no puede ser integralmente sustituida sin comprometer la seguridad jurídica y principios como la buena fe objetiva y el equilibrio contractual (Mackaay y Rousseau, 2020; Schreiber, 2022).
A pesar de los avances en el análisis de los riesgos de la automatización decisoria (Floridi et al., 2018; Busuioc, 2021; Wachter, Mittelstadt y Floridi, 2017), la articulación sistemática entre la gobernanza algorítmica y los fundamentos del derecho privado permanece limitada. Esta brecha en el contexto brasileño se manifiesta en la ausencia de una tipología doctrinal consolidada para tratar la discriminación algorítmica en relaciones contractuales y laborales (Mendes y Mattiuzzo, 2019), evidenciando un desajuste entre la incorporación tecnológica y la capacidad del ordenamiento jurídico de absorber sus efectos. La relevancia teórica de este estudio reside en la necesidad de examinar la compatibilidad entre la racionalidad inferencial de los sistemas de inteligencia artificial y los principios estructurantes del derecho contractual, adoptando una perspectiva crítica para evidenciar los límites de compatibilidad de la tecnología con las racionalidades normativas (Schreiber, 2022; Mackaay y Rousseau, 2020; Hildebrandt, 2015).
La hipótesis central sostiene que la automatización contractual basada en inteligencia artificial no constituye una mera innovación instrumental, sino que opera una transformación ontológica silenciosa sobre el propio instituto contractual. Esta transformación es “silenciosa” porque se manifiesta inicialmente como una ganancia de eficiencia operativa, pero sus efectos normativos, como la sustitución del razonamiento jurídico por inferencia probabilística, la erosión de la supervisión humana y el vaciamiento de las categorías protectivas, solo se revelan a posteriori, cuando la litigiosidad emerge o el daño ya está consumado (Hildebrandt, 2015; Surden, 2014).
Los riesgos asociados con la automatización decisoria no se derivan de fallos episódicos, sino de características estructurales de estos sistemas, revelando una tensión permanente entre la lógica probabilística de la IA y los supuestos del Estado de Derecho. Los patrones estructurales recurrentes identificados incluyen la opacidad decisoria, la sustitución de la racionalidad normativa por inferencias probabilísticas, el accountability gap, la asimetría informacional y la incomprensión semántica (Goodfellow, Bengio y Courville, 2016; Russell y Norvig, 2021; Mittelstadt et al., 2016; Yeung, 2018).
La recurrencia de estos patrones estructurales subraya la urgencia de comprender los impactos de la IA en la seguridad jurídica y en los principios del derecho contractual. Este estudio se justifica por la necesidad de un análisis profundo de estos desafíos, contribuyendo al desarrollo de mecanismos de gobernanza robustos. El objetivo del trabajo es analizar empíricamente los impactos de la automatización contractual basada en inteligencia artificial sobre la seguridad jurídica, a partir de un estudio de cuatro casos paradigmáticos en distintos contextos institucionales: consumerista, concurrencial, consultivo-contractual y administrativo, examinando en qué medida los mecanismos de supervisión humana significativa y gobernanza algorítmica son capaces de mitigar riesgos estructurales derivados de la opacidad decisoria, la sustitución de la racionalidad normativa por inferencias probabilísticas, el accountability gap, la asimetría informacional y la incomprensión semántica. Desde una perspectiva empresarial, la investigación busca identificar parámetros de implementación capaces de reducir riesgos regulatorios, mejorar la gobernanza contractual y mitigar pasivos derivados del uso inadecuado de sistemas automatizados.
2. Material y Métodos
La investigación se clasificó como aplicada, exploratoria-descriptiva y cualitativa, buscando comprender los riesgos jurídicos asociados al uso de inteligencia artificial en la gestión contractual y proponer parámetros prácticos de gobernanza para organizaciones y reguladores. Se adoptó el diseño de estudio de casos múltiples, adecuado a la investigación de fenómenos contemporáneos en contexto real y bajo distintos arreglos institucionales (Yin, 2015). Las técnicas de obtención de información incluyeron investigación bibliográfica, investigación documental y levantamiento de datos secundarios públicos.
La selección de los casos siguió un muestreo teórico intencional, guiado por tres criterios acumulativos: relevancia jurídica de la controversia (evidenciada por decisión judicial, administrativa, regulatoria formal o resolución contractual públicamente documentada); uso de sistema de inteligencia artificial o automatización con impacto sobre decisiones jurídicamente relevantes (función causalmente relevante); y capacidad de evidenciar categorías centrales para la investigación (opacidad decisoria, sustitución de la racionalidad normativa, accountability gap, asimetría informacional e incomprensión semántica), para comparabilidad entre unidades investigadas bajo diferentes arreglos institucionales (Yin, 2015). Se excluyeron casos sin registro formal, sin relación directa con principios contractuales o sin documentación pública suficiente.
Las búsquedas se realizaron en las bases Scopus, Web of Science, SSRN y Google Scholar, utilizando combinaciones booleanas de descriptores en portugués e inglés, como “contracts”, “inteligencia artificial”, “artificial intelligence”, “algorithmic governance”, “algorithmic discrimination”, “contract automation”, “automated decision-making”, “legal certainty” y “AI legal liability”. El período de la investigación fue de 2010 a marzo de 2026. El hito inicial de 2010 se justifica por la consolidación del aprendizaje automático y el surgimiento de los primeros registros de litigiosidad que involucran sistemas automatizados. El hito final de marzo de 2026 corresponde a la fecha de cierre de la recopilación de datos, garantizando la actualidad y la incorporación de precedentes recientes, como el caso Deloitte/DEWR (2024-2025) y el juicio del TRF-4 (enero de 2025).
Inicialmente, se identificaron 27 casos potenciales. Tras la aplicación de los criterios de elegibilidad, se seleccionaron cuatro casos como unidades analíticas principales, acompañados de aproximadamente 40 documentos de apoyo, incluyendo decisiones judiciales, actos regulatorios, informes institucionales, registros de incidentes y artículos académicos.
Cada categoría de documento de soporte fue rescatada de una fuente específica para asegurar la trazabilidad: las decisiones judiciales y administrativas se obtuvieron en los repositorios oficiales de los tribunales y órganos competentes (Tribunal de Resolución Civil de Columbia Británica, Departamento de Justicia de los Estados Unidos, Tribunal Regional Federal de la 4ª Región); los actos regulatorios en los portales oficiales de los órganos reguladores y legislativos (Diario Oficial de la Unión Europea, Diario Oficial de la Unión, Cámara de Diputados, Departamento de Empleo y Relaciones Laborales australiano); los informes institucionales en los sitios electrónicos de las organizaciones involucradas o de sus reguladores (Deloitte Australia, DEWR); los registros de incidentes en bases especializadas (AI Incident Database, Responsible AI Collaborative); y los artículos académicos en las bases Scopus, Web of Science, SSRN y Google Scholar. La relación individualizada de los 40 documentos de soporte, con indicación de tipo, caso relacionado y fuente de acceso, se presenta en la Tabla 1.
Tabla 1. Distribución de los documentos de soporte por tipo y por caso paradigmático
| Clase de documento | Air Canada | RealPage | Deloitte/DEWR | INSS/TRF-4 | Cantidad total |
|---|---|---|---|---|---|
| Decisiones judiciales y administrativas | 2 | 4 | 0 | 2 | 8 |
| Actos regulatorios y normativos | 0 | 2 | 1 | 1 | 4 |
| Informes institucionales | 0 | 1 | 5 | 3 | 9 |
| Informes de incidentes | 2 | 0 | 4 | 1 | 7 |
| Artículos académicos y doctrinales | 6 | 3 | 0 | 3 | 12 |
| Total por cada caso | 10 | 10 | 10 | 10 | 40 |
Fuente: Datos originales de la investigación.
El análisis de los datos observó la lógica de replicación teórica para identificar patrones recurrentes en distintos entornos regulatorios. La información relevante fue extraída por una matriz analítica estandarizada que contenía: identificación institucional, sistema de IA utilizado, función decisoria, tipo de intervención algorítmica, riesgos jurídicos identificados, principios afectados, mecanismos de gobernanza existentes, evidencias documentales e incidencia de incomprensión semántica. El análisis se realizó mediante análisis de contenido, con codificación temática orientada por las categorías definidas a priori (Bardin, 2011). Los resultados tienen una finalidad analítica y explicativa, no estadística.
El proceso de codificación siguió las tres fases propuestas por Bardin (2011): pre-análisis (lectura flotante y sistematización de las categorías a priori: opacidad decisoria, sustitución de la racionalidad normativa, brecha de rendición de cuentas, asimetría informacional e incomprensión semántica); exploración del material (codificación temática manual, asociando fragmentos textuales a una o más categorías mediante la identificación de unidades de registro y de contexto); y tratamiento de los resultados (codificación consolidada en la matriz analítica estandarizada, replicada para los cuatro casos). El análisis comparativo de los resultados se realizó mediante análisis cruzado de patrones (cross-case pattern matching), técnica recomendada por Yin (2015) para estudios de casos múltiples. Se adoptó, además, un procedimiento de verificación de consistencia interna, revisando la codificación de cada caso en un momento posterior a la primera, con un intervalo mínimo de siete días, para verificar la estabilidad de los criterios aplicados. Las categorías no son mutuamente excluyentes, permitiendo que un mismo fragmento documental fuera codificado simultáneamente en más de una categoría.
3. Resultados y Discusión
Fundamentación Teórica y Tecnológica: Inteligencia Artificial y Automatización Contractual
La inteligencia artificial (IA) es un campo que desarrolla sistemas capaces de captar información y actuar en base a objetivos definidos, aproximando capacidades cognitivas humanas mediante aprendizaje basado en datos (Russell y Norvig, 2021). Su base es el Aprendizaje Automático (ML), donde los algoritmos extraen regularidades de grandes bases de datos y ajustan su rendimiento (Mitchell, 1997). Sobre el ML, opera el Procesamiento del Lenguaje Natural (PLN), que permite tanto la IA predictiva, para clasificación y análisis de escenarios jurídicos, como la IA generativa, para producir documentos con apariencia de redacción humana a partir de correlaciones estadísticas (Jurafsky y Martin, 2024).
En el contexto jurídico, esta integración impulsa la automatización de la gestión contractual en plataformas de “document automation y contract analytics”, insertadas en el “legal analytics” (Abbott, 2020). La IA generativa redacta cláusulas y la IA predictiva evalúa riesgos, pero ambas encuentran límites en la comprensión del contenido normativo y axiológico de las relaciones jurídicas (Ashley, 2017). Su racionalidad estadística, basada en correlaciones históricas, ignora la interpretación de preceptos, juicios de validez y ponderación de principios, desplazando la decisión de lo normativo a lo probabilístico.
La automatización eleva la eficiencia en tareas repetitivas de baja complejidad normativa, pero datos sesgados o desactualizados pueden comprometer la seguridad jurídica. El impacto en el ciclo contractual es transversal, pero no homogéneo: en las fases precontractual y de ejecución, las ganancias de escala son reales y los riesgos mitigables por supervisión humana cualificada. Sin embargo, en la fase de formación, donde el “drafting” exige interpretación normativa y captación de la intencionalidad negocial, la sustitución algorítmica introduce riesgos estructurales de homogeneización indebida y de reproducción acrítica de patrones históricamente asimétricos, tensionando la compatibilidad entre la lógica probabilística y las exigencias éticas y normativas del Derecho contractual.
Teoría Contractual Contemporánea, Constitucionalización del Derecho Privado y Automatización Algorítmica
El contrato, en la doctrina civilista, es un negocio jurídico bilateral o plurilateral fundado en el acuerdo de voluntades para crear, modificar o extinguir relaciones jurídicas patrimoniales (Gonçalves, 2020; Diniz, 2021). La tradición clásica del Derecho Contractual, basada en la autonomía de la voluntad y la mínima intervención estatal, se vio tensionada por la constatación de que la igualdad formal no garantiza el equilibrio material (Atiyah, 1979).
En Brasil, la Constitución de 1988 y el Código Civil de 2002 sometieron la autonomía privada a los límites de la función social del contrato y de la preservación del equilibrio contractual (Diniz, 2021; Tartuce, 2023). La buena fe objetiva, la función social y el equilibrio contractual actúan como criterios de validez, interpretación y patrones de conducta para la intervención correctiva, especialmente en situaciones de asimetría informacional (Martins-Costa, 2018; Marques, 2021).
El choque entre la concepción relacional del contrato, basada en la confianza, y el análisis económico del derecho, centrado en la asignación eficiente de riesgos, revela un conflicto de racionalidades. El análisis económico, alineado a la lógica algorítmica de la IA, reduce al individuo a métricas de desempeño, convirtiendo al sujeto contractual en un perfil estadístico (Posner, 2014; Han, 2018). En contraste, la tradición clásica, que define al ser humano como animal político, enfatiza la capacidad deliberativa sobre lo justo y el bien común (Aristóteles, Política, Libro I, 1253a). La sabiduría práctica, o phronesis, que adapta la norma general al caso concreto, es sustituida por inferencias probabilísticas en los sistemas de IA.
La incorporación acrítica de la IA compromete principios como la buena fe y el equilibrio contractual al sustituir la interpretación jurídica por probabilidades matemáticas (Surden, 2014), alterando la esencia del acto jurídico de instrumento normativo y consensual a mecanismo predictivo-actuarial (Hildebrandt, 2015; Zuboff, 2019). Esto vacía las categorías protectivas del derecho privado contemporáneo, que presuponen sujetos capaces de deliberación, no objetos de inferencia estadística.
Riesgos Jurídicos en la Elaboración Contractual: Opacidad decisoria, Sesgos, Asimetría Informacional, Incomprensión Semántica y “Accountability Gap”
La opacidad decisoria, o fenómeno de caja negra, caracteriza la dificultad de interpretar los procesos internos de decisión en sistemas de IA, especialmente en modelos de aprendizaje profundo (Goodfellow; Bengio y Courville, 2016; Russell y Norvig, 2021). En el contexto jurídico, esta imposibilidad de reconstruir el recorrido decisorio vacía las exigencias de motivación, transparencia y responsabilidad, limitando la imputación de responsabilidad y la eficacia de la tutela jurisdiccional (Mittelstadt et al., 2016).
Los sesgos algorítmicos son distorsiones sistemáticas que producen decisiones o recomendaciones injustas, discriminatorias o desproporcionadas, amplificando desigualdades estructurales (O’Neil, 2016). La reproducción de sesgos en bases de datos compromete el equilibrio contractual al reiterar patrones asimétricos, favoreciendo a agentes económicamente más fuertes, lo que puede atentar contra la función social del contrato. En casos extremos, la explotación algorítmica de la asimetría informacional puede configurar una situación análoga a la lesión (art. 157 del Código Civil de 2002).
En los cuatro casos analizados, el sesgo no se manifiesta con igual nitidez. En el caso RealPage, la estandarización de precios se aproximó al riesgo doctrinal al favorecer a los arrendadores en detrimento de los arrendatarios. En los casos Air Canada, Deloitte/DEWR e INSS/TRF-4, el problema fue error informacional, incomprensión semántica y opacidad decisoria, sin evidencia de trato diferenciado entre individuos. La comprobación empírica de sesgo exige prueba de impacto distributivo desproporcional, lo que explica la concentración del litigio en opacidad decisoria y error informacional, y no en discriminación comprobada.
La opacidad decisoria también crea condiciones para el error sobre el contenido de la declaración (art. 139 del CC/2002) y, si hay omisión consciente de información relevante, puede configurar dolo (art. 147 del CC/2002). Las cláusulas automáticas formalmente válidas, pero incompatibles con la intención de las partes, son anulables. Si son abusivas (art. 51 del CDC), son nulas de pleno derecho.
La asimetría informacional constituye un riesgo autónomo, ya que incluso con sistemas auditables, la parte vulnerable rara vez tiene acceso, tiempo o conocimiento para verificar la racionalidad de las cláusulas o precios generados algorítmicamente (Yeung, 2018).
Una limitación estructural de la IA es la distinción entre sintaxis y semántica en el dominio jurídico. Los modelos de PLN identifican patrones lingüísticos, pero su actuación se restringe al plano sintáctico. El experimento mental de la Habitación China ilustra que un sistema puede manipular símbolos con perfección sintáctica sin comprender su significado normativo (Searle, 1980). En el derecho, esto significa que los sistemas de PLN reordenan símbolos con sofisticación formal, pero permanecen incapaces de comprender su sentido normativo (Hildebrandt, 2015).
El razonamiento jurídico exige la atribución de un sentido normativo fundamentado en principios, valores y contextos institucionales. La corrección formal de cláusulas o inferencias algorítmicas no asegura la conformidad material con el ordenamiento, generando una simulación formal de juridicidad que oculta inconsistencias materiales. Esta limitación es clara en contratos de alta complejidad, como fusiones y adquisiciones (M&A), donde la estandarización algorítmica tiende a reproducir acríticamente cláusulas de mercado sin adecuación al caso concreto, produciendo formulaciones disfuncionales o litigiosas.
La incapacidad de la IA para captar el contexto normativo genera graves consecuencias ante eventos extraordinarios e imprevisibles. La Teoría de la Imprevisión (arts. 317 y 478 del CC/2002) presupone un agente capaz de percibir que las circunstancias divergen de las contratadas. Un sistema entrenado con datos históricos aplicaría las obligaciones tal como están escritas, sin distinguir el incumplimiento ordinario de la fuerza mayor, por carecer de contextualización normativa. Por lo tanto, la supervisión humana significativa es esencial en momentos de ruptura.
El homo economicus algorítmico aplicaría la multa, mientras que el animal político aristotélico, con phronesis y flexibilidad cognitiva, renegociaría. La creación de soluciones de beneficio mutuo en crisis exige reconocimiento de contexto, ponderación de intereses, empatía e imaginación normativa, facultades que definen la insustituibilidad del agente humano.
El “accountability gap”, derivado de la fragmentación de la responsabilidad entre desarrolladores, operadores y usuarios, se aborda en la sección de gobernanza algorítmica, que examina mecanismos de explicabilidad, auditoría y evaluación de sesgos (Barocas y Selbst, 2016; Goodfellow, Bengio y Courville, 2016).
Gobernanza Algorítmica: Fundamentos Teóricos y Dilemas Regulatorios
La gobernanza algorítmica, según Yeung (2018), es el conjunto de mecanismos institucionales, técnicos y normativos que estructuran, guían o corrigen decisiones y conductas por sistemas algorítmicos. El paso de la regulación por normas a la regulación por código (“code is law”, Lessig, 2006) desplaza la definición de lo lícito y lo ilícito a la arquitectura técnica de los sistemas, generando la “techno-regulation” (Hildebrandt, 2015).
Este desplazamiento genera cuatro dilemas regulatorios. El primero es la opacidad versus la eficiencia: el requisito de explicabilidad integral puede reducir el rendimiento predictivo de los modelos de aprendizaje profundo (Pasquale, 2015; Kroll et al., 2017). Esto se manifestó en el caso INSS/TRF-4, donde la licitud del uso de la herramienta no eximió a la Administración del deber de explicación inteligible.
El segundo dilema es la responsabilidad distribuida (accountability gap): las decisiones algorítmicas resultan de cadenas que involucran a múltiples agentes, lo que exige superar el paradigma bipolar autor/víctima de la responsabilidad civil clásica (Bodó et al., 2018; Kroll et al., 2017).
El tercer dilema es la captura regulatoria invertida: la complejidad técnica de los sistemas puede exceder la capacidad de comprensión y fiscalización de los órganos de control, fenómeno descrito como “black box society” por Pasquale (2015). Esto fue evidente en el caso RealPage, donde los propios usuarios no comprendían la lógica de fijación de precios.
El cuarto dilema es normativo-temporal: la velocidad del desarrollo tecnológico supera el ritmo legislativo, creando un “silencio normativo elocuente” en Brasil. La gobernanza eficaz depende de la combinación entre normas estatales principistas y autorregulación sectorial con rendición de cuentas externa verificable (Teubner, 2012).
La articulación de estos dilemas con los cinco patrones estructurales identificados en el análisis empírico demuestra que la gobernanza algorítmica no es una respuesta técnica aislada, sino un arreglo institucional multiescalar que combina normas jurídicas generales (Código Civil, CDC, LGPD), patrones técnicos internacionales (ISO 31000, ISO 37301, ISO/IEC 42001, NIST AI RMF) y mecanismos internos de control organizacional (compliance, auditoría, comités de ética), en consonancia con el COSO ERM (2017).
Estudio de Casos Paradigmáticos: Análisis Práctico y Evidencias
El análisis empírico examinó situaciones concretas donde sistemas automatizados produjeron efectos jurídicamente relevantes en contextos de consumo, competencia, consultoría contractual y administrativo. Los casos evidencian que la IA introduce opacidad decisoria, intensifica asimetrías informacionales, reproduce discriminaciones estructurales y dificulta la imputación de responsabilidad, exigiendo la reinterpretación de institutos como la buena fe objetiva, la transparencia y el deber de información (Katsh y Rabinovich-Einy, 2017).
Atención Automatizada y Responsabilidad: El Caso Air Canada y la Vinculación Jurídica de Información Errónea Proporcionada por Chatbots.
En el caso “Moffatt v. Air Canada” (2024 BCCRT 149), el Civil Resolution Tribunal de Columbia Británica debatió la responsabilidad jurídica por el uso de un chatbot que proporcionó información incorrecta sobre tarifas funerarias y reembolso. El consumidor, confiando en la información, adquirió pasajes y se le negó el reembolso. La aerolínea alegó que el chatbot era una mera herramienta informativa, sin carácter vinculante. El tribunal rechazó esta tesis, reconociendo que el sistema integra la estructura comunicacional de la proveedora, imputando los errores informacionales a la organización.
La decisión protegió la confianza legítima y el deber de información adecuada, reafirmando la buena fe objetiva en la fase precontractual. La información influyó en la voluntad del contratante, configurando culpa in contrahendo (art. 422 del CC/2002) y conducta prohibida por el venire contra factum proprium. El caso evidenció el riesgo de desinformación algorítmica y la inadecuación de estrategias empresariales para diluir responsabilidad vía tecnología. En gobernanza, el precedente indica la necesidad de controles robustos sobre sistemas de atención automatizada, con revisión de contenido, supervisión humana, registros auditables y actualización normativa. En el derecho brasileño, esto se armoniza con la responsabilidad objetiva del proveedor (arts. 6º, III, y 14 del CDC) y la revisión de decisiones automatizadas (art. 20 de la LGPD). Los principios afectados fueron la buena fe objetiva, la confianza legítima, el deber de información y la prohibición al venire contra factum proprium. La intervención algorítmica fue de sustitución, con el chatbot ocupando el lugar del atendente humano sin supervisión previa de la respuesta. Se identificó error informacional factual, no incomprensión semántica en el sentido estricto.
Caso RealPage: Fijación de Precios Algorítmica e Impactos en el Equilibrio Contractual
En el caso United States v. RealPage, Inc. (n.º 1:24-cv-00710, M.D.N.C., 2024), el Departamento de Justicia de los Estados Unidos cuestionó el uso de software de fijación de precios de alquiler basado en IA en el mercado inmobiliario, en el ámbito del derecho de la competencia. La plataforma recopilaba y procesaba datos agregados del mercado, incluida información estratégica compartida entre competidores, para sugerir valores de alquiler que maximizaran los ingresos. Aunque formalmente eran recomendaciones, estas sugerencias ejercían una influencia relevante, reduciendo la autonomía decisoria en la formación de precios y operando como una alineación indirecta de conductas económicas.
La consecuencia jurídica fue la imputación de posible violación a las normas antimonopolio, bajo el fundamento de que el intercambio de datos sensibles y el uso de un algoritmo común podrían producir efectos equivalentes a la fijación concertada de precios (Ezrachi y Stucke, 2016). En el derecho privado, la fijación de precios estandarizada restringe la autonomía de los arrendatarios, quienes no acceden a la lógica algorítmica ni logran determinar si el precio se deriva de una formación competitiva o de una coordinación indirecta, aproximándose a la lesión por aprovechamiento de la condición de necesidad (art. 157 del CC/2002) cuando se aplica de modo estructural. Los principios afectados fueron libre competencia, libre iniciativa, transparencia, buena fe objetiva y autonomía privada. El riesgo identificado fue el de cartelización algorítmica, con sistemas opacos sincronizando decisiones económicas. Como lección de gobernanza, el caso demuestra la necesidad de auditoría de algoritmos, límites al intercambio de datos sensibles y programas de compliance competitivo adaptados a la IA. En Brasil, la conducta podría ser examinada a la luz de la Ley nº 12.529/2011.
En una actualización posterior (24 de noviembre de 2025), el Departamento de Justicia y RealPage llegaron a un acuerdo para resolver la demanda federal sin admisión de responsabilidad, a través de restricciones conductuales de siete años. Paralelamente, el litigio multidistrital privado en Tennessee sumó acuerdos por más de 359,9 millones de dólares, también sin admisión de culpa. Las demandas estatales en Kentucky y Nueva Jersey vieron rechazadas sus solicitudes de desestimación en febrero y marzo de 2026, y los tribunales reconocieron como plausible la misma teoría de coordinación algorítmica que la demanda federal no llegó a resolver. El resultado es, por lo tanto, fragmentado y no consolidado.
Caso Deloitte/DEWR: Elaboración Consultiva con IA Generativa y Responsabilidad por Citas Fabricadas.
En diciembre de 2024, el Departamento de Empleo y Relaciones Laborales de Australia (DEWR) contrató a Deloitte para revisar el Marco de Cumplimiento Dirigido (TCF), un sistema automatizado para la aplicación de sanciones administrativas. El objeto contractual era un informe técnico-jurídico sobre la legalidad y la adecuación normativa del sistema. Tras su publicación, los investigadores identificaron referencias académicas inexistentes, citas judiciales fabricadas y errores materiales. Deloitte reconoció el uso de IA generativa, presentó una versión corregida y devolvió parte de la remuneración.
Jurídicamente, el caso evidenció el cumplimiento defectuoso de una obligación de resultado. La prestación fue aceptada tras correcciones, con una reducción negociada del precio, además de un impacto reputacional y financiero para la consultoría. El precedente demuestra que el “accountability gap” puede recaer sobre el propio operador que, al adoptar IA generativa sin protocolo de verificación de outputs, absorbió los costos de la ausencia de supervisión humana cualificada. Los principios afectados fueron la buena fe objetiva, la transparencia, la confianza legítima, la diligencia profesional, la eficiencia administrativa y la rendición de cuentas (accountability). El riesgo identificado fue el de la incomprensión semántica de la IA generativa: producción de contenido jurídicamente verosímil, pero materialmente falso. La intervención se caracterizó como sustitución, ocupando la IA el lugar de la investigación y redacción jurídica humana sin verificación previa de las referencias. Como lección de gobernanza, el precedente demuestra que el uso de IA en servicios técnicos de alta densidad normativa exige supervisión humana cualificada, validación integral de fuentes, rastreabilidad de autoría, divulgación del uso de IA y controles contractuales específicos.
Caso INSS: Automatización Decisoria en la Administración Pública Previsional
Un precedente paradigmático fue dictado por el Tribunal Regional Federal de la 4ª Región en el proceso nº 5001305-13.2023.4.04.7005 (28 de enero de 2025), discutiendo la validez de una decisión administrativa previsional dictada en el contexto del modelo digital de atención del INSS. Los hechos se derivaron del rechazo de un beneficio previsional tras un procesamiento predominantemente automatizado, con reducida intervención humana. La parte demandante alegó ausencia de motivación suficiente e imposibilidad de comprender los criterios de la negativa. El tribunal reconoció la licitud del uso de herramientas tecnológicas por parte de la Administración, pero afirmó que la automatización no exime del deber constitucional y legal de motivación: el administrado debe recibir una explicación clara e inteligible de las razones del rechazo, bajo pena de invalidez de la decisión y violación al debido proceso administrativo. En el plano de la protección de datos, la hipótesis configura la situación del art. 20 de la LGPD, que garantiza al titular el derecho de solicitar revisión de decisiones tomadas únicamente con base en tratamiento automatizado.
Se vieron afectados los principios de legalidad, motivación, transparencia, debido proceso legal, contradicción, defensa amplia, eficiencia administrativa y rendición de cuentas estatal. El riesgo identificado fue el de opacidad decisoria: decisiones cuyo razonamiento no puede ser reconstruido dificultan el control judicial, la defensa técnica y la responsabilización por errores administrativos. La intervención algorítmica se caracterizó como automatización predominante, con reducida intervención humana directa, prevaleciendo la opacidad decisoria sobre la incomprensión semántica. Como lección de gobernanza, el precedente demuestra que los sistemas de IA o automatización utilizados por el poder público deben incorporar explicabilidad, revisión humana efectiva, rastros de auditoría, documentación técnica y canales recursivos accesibles. En materia estatal, la eficiencia tecnológica no sustituye las garantías procesales.
Análisis Comparativo, Síntesis Analítica y Conclusión de los Casos.
El análisis comparativo de los casos permitió identificar patrones estructurales recurrentes en el uso de sistemas de inteligencia artificial en contextos decisorios jurídicamente relevantes. La característica común a todos los casos es que los efectos normativos negativos de la automatización solo se percibieron a posteriori, cuando surgió la litigiosidad o el daño ya se había consumado. Esto confirma el calificador “silenciosa”: la transformación del contrato en mecanismo predictivo-actuarial se procesa bajo la apariencia de eficiencia operativa, sin evidencia inmediata del compromiso normativo subyacente.
El primer patrón es la opacidad decisoria, presente en diferentes grados en todos los casos. La dificultad de reconstruir los criterios algorítmicos compromete la verificabilidad de las decisiones, afecta el deber de motivación y debilita el control jurídico (Pasquale, 2015; Mittelstadt et al., 2016). Su manifestación más intensa ocurrió en el caso INSS/TRF-4, donde la ausencia de explicabilidad comprometió el contradictorio y la amplia defensa; la más difusa, en RealPage, donde la opacidad de la fijación de precios impidió la detección de la coordinación algorítmica por los propios usuarios.
El segundo patrón consiste en la sustitución parcial de la racionalidad normativa por racionalidad inferencial basada en correlaciones estadísticas. Estos sistemas operan a partir de patrones extraídos de datos históricos y producen resultados formalmente consistentes, sin garantía de adherencia a los criterios jurídicos aplicables (Surden, 2014; Kroll et al., 2017). Esto fue evidente en el caso Deloitte/DEWR, donde la IA generativa produjo referencias jurídicas plausibles en la forma, pero inexistentes en el plano factual, y en Air Canada, donde el chatbot procesó la consulta sin acceso al significado normativo de las reglas tarifarias.
El tercer patrón se refiere al “accountability gap”, la dificultad de atribuir claramente la responsabilidad cuando las decisiones mediadas por tecnología provienen de cadenas distribuidas entre desarrolladores, operadores, proveedores y usuarios finales (Bodó et al., 2018). Los cuatro casos lo manifiestan de formas distintas: en Air Canada, la empresa intentó transferir el riesgo al usuario; en RealPage, la responsabilidad se fragmentó entre la plataforma y las administradoras; en Deloitte/DEWR, el vacío recayó sobre el propio operador; en INSS, la Administración invocó la legalidad del sistema para eximirse del deber de motivación.
El cuarto patrón consiste en la ampliación de las asimetrías informacionales, sobre todo cuando solo una de las partes posee conocimiento o control sobre el funcionamiento del sistema empleado. Esto restringe la impugnación, afecta la transparencia y compromete el equilibrio de las relaciones jurídicas (Yeung, 2018; Zuboff, 2019).
El quinto patrón se refiere a la incomprensión semántica. Los sistemas de IA generativa manipulan símbolos con alta coherencia sintáctica, pero sin acceso al significado normativo de los elementos que procesan (Searle, 1980; Hildebrandt, 2015). En el caso Deloitte/DEWR, esto se tradujo en la creación de citas inexistentes; en el caso Air Canada, en la incapacidad del chatbot para comprender correctamente el contenido normativo de las reglas tarifarias aplicables.
La recurrencia de estos cinco patrones demuestra que los riesgos asociados a la automatización decisoria no se derivan de fallos episódicos, sino de características estructurales de estos sistemas, que revelan una tensión permanente entre la lógica probabilística de la IA y los supuestos del Estado de Derecho, especialmente la fundamentación, el control y la interpretación normativa (Hildebrandt, 2015).
Tabla 2. Distribución de los documentos de soporte por tipo y por caso paradigmático [TABLA 2]
Fuente: Datos originales de la investigación.
Cuadro 3. Confrontación de los cuatro casos por categoría analítica
| Categoría | Air Canada | RealPage | Deloitte/DEWR | INSS/TRF-4 |
|---|---|---|---|---|
| Tipo de intervención algorítmica | Sustitución, el chatbot reemplazó al agente humano como interfaz oficial, sin supervisión previa de la respuesta | Soporte con influencia estructural, recomendaciones formalmente presentadas como sugerencias, pero con fuerte adherencia de las administradoras | Sustitución, la IA generativa ha sustituido la investigación y la redacción jurídica humana en la elaboración de extractos del informe | Automatización predominante, decisión generada por flujo automatizado, con reducida intervención humana directa |
| Opacidad decisoria | Difusa: falla puntual del chatbot, no de la lógica general del sistema | Intensa: lógica de precificación inaccesible incluso para los propios usuarios (administradoras) | Moderada: el informe técnico no reveló el proceso de generación de las citas | Máxima: la ausencia de explicabilidad comprometió el contradictorio y la amplia defensa |
| Sustitución de la racionalidad normativa | El chatbot procesó la consulta sin comprender el significado normativo de las reglas arancelarias | Formación de precios desplazada de la decisión autónoma a la inferencia algorítmica coordinada | La IA generativa produjo referencias jurídicas plausibles en forma, pero inexistentes en el plano fáctico | El procesamiento automatizado reemplazó la motivación individualizada por la inferencia estadística |
| Brecha de rendición de cuentas | La empresa intentó transferir el riesgo al usuario; tesis rechazada por el tribunal | Responsabilidad fragmentada entre la plataforma (RealPage) y las administradoras de propiedades | La falta de responsabilidad recayó sobre el propio operador (la consultoría) | La administración invocó la legalidad del sistema para eximirse del deber de motivación |
| Asimetría informacional | El consumidor confió en el canal oficial sin medios para verificar la información proporcionada | Inquilinos sin ningún acceso a la lógica algorítmica de fijación de precios | El Contratante (DEWR) confió en la entrega sin un mecanismo previo de verificación de fuentes | Administrado sin acceso a los criterios que fundamentaron el rechazo |
| Incomprensión semántica | El chatbot manipuló símbolos sin acceso al significado normativo de las reglas arancelarias | Patrón poco evidente en este caso; riesgo concentrado en la coordinación de precios | Manifestación más intensa: creación de citas y precedentes jurídicamente inexistentes | Patrón poco evidente; riesgo concentrado en la opacidad y la ausencia de motivación |
Fuente: Resultados originales de la investigación.
Proposiciones emergentes del enfrentamiento entre los casos:
P1: cuanto mayor es la distancia entre el operador del sistema y el usuario final vulnerable, mayor es la probabilidad de fragmentación del accountability gap entre múltiples agentes (observado en RealPage e INSS).
P2: la incomprensión semántica se manifiesta con mayor intensidad en actividades de generación de contenido en lenguaje natural (Deloitte/DEWR) que en actividades de clasificación o decisión binaria (INSS).
P3: la opacidad decisoria tiende a ser más fácilmente impugnable por la parte afectada cuando existe un canal formal de revisión humana previsto en la ley (LGPD, art. 20 – caso INSS) que cuando dicho canal no existe (caso RealPage).
Los casos indican que la incompatibilidad entre IA y derecho no es absoluta: la responsabilidad del proveedor, la exigencia de motivación administrativa, el control de la competencia y las sanciones contractuales operan como formas de reabsorción normativa de los efectos de la automatización, aunque incompletas (Lessig, 2006; Teubner, 2012). Sin embargo, sin transparencia decisoria, supervisión humana cualificada y responsabilidad inequívocamente atribuida, la tecnología compromete la seguridad jurídica y convierte las ganancias de eficiencia en riesgo institucional.
Tabla 2. Marco de Cumplimiento Algorítmico Aplicado a la Gestión Contractual
| Categoría | Air Canada | RealPage | Deloitte/DEWR | INSS/TRF-4 |
|---|---|---|---|---|
| Tipo de intervención algorítmica | Sustitución, el chatbot reemplazó al agente humano como interfaz oficial, sin supervisión previa de la respuesta | Soporte con influencia estructural, recomendaciones formalmente presentadas como sugerencias, pero con fuerte adherencia de las administradoras | Sustitución, la IA generativa ha sustituido la investigación y la redacción jurídica humana en la elaboración de extractos del informe | Automatización predominante, decisión generada por flujo automatizado, con reducida intervención humana directa |
| Opacidad decisoria | Difusa: falla puntual del chatbot, no de la lógica general del sistema | Intensa: lógica de precificación inaccesible incluso para los propios usuarios (administradoras) | Moderada: el informe técnico no reveló el proceso de generación de las citas | Máxima: la ausencia de explicabilidad comprometió el contradictorio y la amplia defensa |
| Sustitución de la racionalidad normativa | El chatbot procesó la consulta sin comprender el significado normativo de las reglas arancelarias | Formación de precios desplazada de la decisión autónoma a la inferencia algorítmica coordinada | La IA generativa produjo referencias jurídicas plausibles en forma, pero inexistentes en el plano fáctico | El procesamiento automatizado reemplazó la motivación individualizada por la inferencia estadística |
| Brecha de rendición de cuentas | La empresa intentó transferir el riesgo al usuario; tesis rechazada por el tribunal | Responsabilidad fragmentada entre la plataforma (RealPage) y las administradoras de propiedades | La falta de responsabilidad recayó sobre el propio operador (la consultoría) | La administración invocó la legalidad del sistema para eximirse del deber de motivación |
| Asimetría informacional | El consumidor confió en el canal oficial sin medios para verificar la información proporcionada | Inquilinos sin ningún acceso a la lógica algorítmica de fijación de precios | El Contratante (DEWR) confió en la entrega sin un mecanismo previo de verificación de fuentes | Administrado sin acceso a los criterios que fundamentaron el rechazo |
| Incomprensión semántica | El chatbot manipuló símbolos sin acceso al significado normativo de las reglas arancelarias | Patrón poco evidente en este caso; riesgo concentrado en la coordinación de precios | Manifestación más intensa: creación de citas y precedentes jurídicamente inexistentes | Patrón poco evidente; riesgo concentrado en la opacidad y la ausencia de motivación |
Fuente: Elaborado a partir de ISO 31000:2018; ISO 37301:2021; ISO/IEC 42001:2023; NIST AI RMF 1.0; COSO ERM (2017).
Aplicabilidad Práctica del Marco: Cómo Utilizar la Lista de Verificación en la Rutina de Cumplimiento Contractual
El marco presentado en la Tabla 2 no es solo un instrumento clasificatorio, sino una herramienta operativa para guiar la implementación, el monitoreo y la auditoría de sistemas de inteligencia artificial aplicados a la gestión contractual. Cada uno de los cinco ejes – gobernanza, gestión de riesgos, controles operativos, transparencia y monitoreo continuo – corresponde a una etapa concreta del ciclo de vida contractual, permitiendo al profesional de compliance, jurídico o de tecnología identificar qué control debe ser accionado.
En la práctica, el eje Gobernanza corresponde a la fase anterior a la contratación de cualquier sistema de IA, exigiendo que el área de compliance apruebe la política de uso responsable y designe un AI Officer, cuya ausencia en los casos analizados contribuyó a la materialización del riesgo jurídico. El eje Gestión de Riesgos opera en la contratación o actualización del sistema, por medio de inventario y clasificación de riesgo, replicando el criterio del PL 2338/2023 y del AI Act europeo.
Los Controles Operacionales exigen que toda entrega técnico-jurídica generada con apoyo de IA generativa sea sometida a validación humana documentada antes de la transmisión a terceros, replicando la lección del caso Deloitte/DEWR. El eje Transparencia impone informar al contratante que una comunicación fue generada o apoyada por IA, replicando el entendimiento del caso Air Canada, que desestimó la tesis del chatbot como herramienta neutra sin efectos vinculantes.
Finalmente, el Monitoreo Continuo debe integrar la rutina de auditoría periódica, con registro de indicadores de precisión, error e impacto jurídico, permitiendo identificar precozmente señales de riesgo que, en los cuatro casos estudiados, solo fueron percibidas a posteriori. El checklist no es un documento estático, sino una guía de decisión a ser recorrida siempre que la organización inicia, opera o cierra el uso de IA en contexto contractual.
La utilización de sistemas de inteligencia artificial en la elaboración automatizada de contratos compromete la racionalidad normativa del derecho contractual de forma graduada. En el contexto consumerista (Air Canada), el compromiso ocurre en la fase precontractual, por la desinformación algorítmica que frustra la buena fe y la confianza legítima. En el concurrencial (RealPage), por la sustitución opaca de la formación autónoma de voluntad económica, con riesgo de cartelización algorítmica. En el consultivo-contractual (Deloitte/DEWR), por el vaciamiento de la obligación de resultado, vía incomprensión semántica que produce simulación formal de juridicidad. En el administrativo (INSS), por la supresión del deber de motivación y de las garantías procesales constitucionales. En todos los casos, el compromiso es silencioso, manifestándose inicialmente como eficiencia y revelando su contenido disruptivo solo cuando emerge la litigiosidad.
La automatización contractual basada en IA no constituye una mera innovación instrumental, sino que promueve un desplazamiento estructural del contrato del dominio normativo al dominio predictivo-actuarial. La erosión de la supervisión humana, la sustitución del razonamiento jurídico por inferencia probabilística y el vaciamiento de las categorías protectoras solo emergen a posteriori, bajo la apariencia inicial de ganancia de eficiencia operativa. La incomprensión semántica, identificada como patrón autónomo, confirma que la corrección sintáctica no asegura la conformidad material con la buena fe objetiva, el equilibrio contractual y la función social del contrato, pudiendo configurar vicios del consentimiento o cláusulas abusivas. En el plano regulatorio brasileño, el régimen general proporciona protección parcial, con la LGPD asegurando la revisión de decisiones automatizadas (art. 20), el CDC imponiendo responsabilidad objetiva por defectos informacionales y el Código Civil exigiendo buena fe en todas las fases del contrato. Las organizaciones con gobernanza algorítmica formalizada pueden estar en conformidad anticipada cuando se promulgue el Marco Legal de la IA, lo que representa una ventaja competitiva y mitigación de pasivos. Los cuatro precedentes analizados son recientes (2024-2025) y fueron dictados por órganos de primera instancia o de jurisdicción limitada, lo que impone cautela en cuanto a su generalización, como ilustra el caso RealPage, que tuvo un desenlace federal por acuerdo y acciones estatales paralelas que reconocieron la plausibilidad de la teoría de coordinación algorítmica. La jurisprudencia sobre automatización algorítmica aún está en formación, lo que indica la necesidad de que la doctrina sistematice criterios para evitar la sobre-generalización o la subestimación de los riesgos jurídicos de la automatización contractual.
4. Conclusión
El estudio analizó cómo la inteligencia artificial en la automatización contractual intensificó la colisión entre eficiencia tecnológica y seguridad jurídica, y en qué medida mecanismos de supervisión humana significativa y de gobernanza algorítmica funcionaron como instrumentos de ponderación normativa para preservar principios del derecho contractual brasileño. Se verificó que la automatización contractual, en distintos contextos institucionales, generó cinco patrones estructurales recurrentes: opacidad decisoria, sustitución de la racionalidad normativa por inferencias probabilísticas, accountability gap, asimetría informacional e incomprensión semántica. Estos patrones emergieron de forma sistémica en los casos consumerista, concurrencial, consultivo-contractual y administrativo, confirmando que la transformación del contrato en mecanismo predictivo-actuarial se procesa silenciosamente, bajo la apariencia de eficiencia operacional, revelando sus efectos disruptivos solo cuando emerge la litigiosidad. La incomprensión semántica, identificada como patrón autónomo, confirmó que la corrección sintáctica no asegura conformidad material con la buena fe objetiva, el equilibrio contractual y la función social del contrato, pudiendo configurar vicios del consentimiento o cláusulas abusivas.
La principal contribución del estudio reside en la proposición de un marco de cumplimiento algorítmico, que ofrece parámetros prácticos para la implementación, monitoreo y auditoría de sistemas de inteligencia artificial en la gestión contractual, alineándose a normas internacionales y mitigando los riesgos identificados. Sin embargo, el análisis de precedentes recientes (2024-2025), proferidos por órganos de primera instancia o de jurisdicción limitada, impone cautela en cuanto a la generalización, como ilustra el desenlace fragmentado del caso RealPage, que refuerza la conclusión de que la jurisprudencia sobre automatización decisoria permanece en formación. Se sugiere que la doctrina sistematice criterios para evitar la sobre-generalización o subestimación de los riesgos jurídicos de la automatización contractual, profundizando la comprensión de los límites de compatibilidad entre la lógica probabilística de la inteligencia artificial y las racionalidades normativas del derecho.
Referencias Bibliograficas
Busuioc, M. 2021. Accountable artificial intelligence: holding algorithms to account. Public Administration Review 81(5): 825-836.
Coeckelbergh, M. 2020. Al ethics. MIT Press, Cambridge, MA, United States.
Floridi, L.; Cowls, J.; Beltrametti, M.; Chatila, R.; Chazerand, P.; Dignum, V.; Luetge, C.; Madelin, R.; Pagallo, U.; Rossi, F.; Schafer, B.; Valcke, P.; Vayena, E. 2018. Al4People: an ethical framework for a good Al society. Minds and Machines 28: 689-707.
Han, B.-C. 2018. Sociedade do cansaço. Vozes, Petrópolis, RJ, Brasil.
Lessig, L. 2006. Code: version 2.0. Basic Books, New York, NY, United States. Link/DOI: https://codev2.cc/
Mackaay, E.; Rousseau, S. 2020. An economic analysis of contract law. Edward Elgar, Cheltenham, England. Link/DOI: https://www.e-elgar.com/shop/usd/contract-law-and-economics
9781847206008.html
Posner, R. A. 2014. Economic analysis of law. 9. ed. Wolters Kluwer, New York, NY, United States. Link/DOI: https://aspenpublishing.com/products/posner-economic-analysis-of-law-9e
Schreiber, A. 2018. Manual de direito civil contemporâneo. Saraiva, São Paulo, SP, Brasil. Link/DOI:
https://www.grupogen.com.br/
Shavell, S. 1980. Damage measures for breach of contract. Bell Journal of Economics 11(2): 466-490.
Link/DOI: http://www.law.harvard.edu/faculty/shavell/pdf/11_Bell_J_Econ_466.pdf
Wachter, S.; Mittelstadt, B.; Floridi, L. 2017. Transparent, explainable, and accountable AI for robotics.
Science Robotics 2(6): eaan6080. Link/DOI: https://doi.org/10.1126/scirobotics.aan6080
Zuboff, S. 2019. The age of surveillance capitalism. PublicAffairs, New York, NY, United States. Link/DOI: https://www.hachettebookgroup.com/titles/shoshana-zuboff/the-age-of-surveillance
capitalism/9781610395694/
Artículo originario del Trabajo de Conclusión de Curso de la Especialización en Compliance y ESG del MBA USP/Esalq
Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy
