Nelson Chu, Fundador e CEO da ARCOS Labs – Série de Entrevistas

Nelson Chu, fundador e CEO da ARCOS Labs, é um empreendedor em série e executivo de tecnologia com experiência que abrange infraestrutura financeira, investimentos e plataformas digitais. Antes de fundar a ARCOS Labs, passou oito anos como fundador e CEO da Percent, onde construiu uma plataforma tecnológica projetada para modernizar os mercados de crédito privado, e atualmente atua como presidente do conselho. No início de sua carreira, Chu cofundou a MySupport, uma plataforma online que conecta idosos e pessoas com deficiência a trabalhadores de apoio, posteriormente adquirida pela RISE Services, e fundou a consultoria estratégica Lumenary. Também atuou como conselheiro e investidor em empresas como BlockFi e Recharge Capital, tendo iniciado sua carreira em serviços financeiros em cargos na BlackRock, Bank of America e Merrill Lynch.

ARCOS Labs, abreviação de Applied Research in Creative Output Synthesis, desenvolve infraestrutura projetada para ajudar a IA a operar de forma responsável à medida que modelos generativos interagem cada vez mais com obras protegidas por direitos autorais, personagens e semelhanças humanas. A empresa foca em inteligência forense de PI e gestão de direitos, com tecnologia destinada a identificar e medir como ativos criativos são reproduzidos por IA, rastrear seu uso e apoiar estruturas de licenciamento e aplicação. Sua plataforma principal, VN, foi criada para dar a criadores, estúdios, agências de talentos e detentores de direitos maior visibilidade e controle sobre como sistemas de IA utilizam sua propriedade intelectual, enquanto a ARCOS também está por trás do Lightbar, uma iniciativa colaborativa para investigar modelos de treinamento de IA. A empresa emergiu publicamente do stealth em agosto de 2026 com um objetivo mais amplo de construir a infraestrutura de confiança e direitos necessária para que criadores e sistemas de IA coexistam em escala.

Você passou oito anos construindo a Percent em torno da infraestrutura necessária para trazer eficiência e transparência a um mercado fragmentado de crédito privado. Que lições da construção desse tipo de infraestrutura financeira você está aplicando agora à ARCOS Labs ao enfrentar o problema muito diferente de propriedade intelectual e gestão de direitos na era da IA generativa?

Muitas delas se mantêm. Quando iniciamos a Percent, o crédito privado era fragmentado e opaco. Cada negócio era descrito de forma diferente, de modo que nada podia ser comparado ou precificado com confiança. A primeira lição é que a padronização precisa vir antes do mercado. Passamos anos na parte menos glamourosa da infraestrutura que permitiu que um negócio fosse descrito e verificado da mesma maneira todas as vezes, e as transações eficientes só surgiram depois disso. A PI na era da IA generativa tem o mesmo problema. Não há um registro padrão do que é um ativo e quem o possui, muito menos de como esses modelos o utilizam. Até que esse registro exista, tudo a jusante permanece ad hoc, seja na aplicação ou no licenciamento.

A segunda lição é que a confiança se constrói sobre a verificação. Investidores em crédito privado nunca aceitaram a palavra de um emissor sobre o desempenho de um negócio. Eles queriam dados que pudessem checar por si mesmos. Detentores de direitos estão na mesma posição com as empresas de IA hoje. Garantias sobre salvaguardas têm muito pouco peso. Evidências que podem ser reproduzidas independentemente são o que muda a conversa.

A terceira lição trata de incentivos. Qualquer mercado fragmentado, de galinha e ovo, só funciona quando cada lado está convencido de que a solução lhe traz benefícios. Na Percent, observamos tentativas de resolver o problema para um lado ou para o outro, e isso nunca se sustentou. Em PI e gestão de direitos, os incentivos estão gravemente desalinhados no momento. Empresas de modelos querem crescer, oferecer ferramentas valiosas a seus clientes e, às vezes, criar conteúdo infrator como tática de marketing, com a Sora e a ByteDance como exemplos recentes. Enquanto isso, os detentores de direitos tentam acompanhar mudanças que nem conseguem antecipar, permanecendo relevantes numa era em que produzir conteúdo se tornou drasticamente mais fácil. A infraestrutura que vence num mercado assim é a que ambos os lados podem confiar, o que geralmente significa a que não participa diretamente da transação.

O arco maior também é familiar. O crédito privado se tornou uma classe de ativos mainstream assim que a infraestrutura para medi‑lo existiu, e acredito que a PI está no início da mesma transição.

O que o convenceu de que proteger trabalhos criativos da IA generativa exigia uma nova camada de infraestrutura técnica, em vez de, principalmente, leis de direitos autorais melhores, políticas de moderação de conteúdo ou marca d’água?

Fundamentalmente, os modelos são uma solução tecnológica e, se você quer proteger a criatividade dos modelos, será necessária uma solução técnica. A lei de direitos autorais continua vaga, fato evidente em casos como Cox, Anthropic e também no que está acontecendo na Alemanha com a GEMA. O conceito de uso justo ainda é uma questão em aberto e ainda não foi decidido, e os tribunais, como deveriam, demorarão muito para se pronunciar. A moderação de conteúdo depende dos próprios modelos para se moderarem, o que exige muito deles e é quase impossível, dado o que observamos. A marca d’água é uma ideia promissora, mas também depende das pessoas se policiando e pode ser removida facilmente. Com tudo isso em mente, sabíamos que a única maneira real de avançar era fazer isso nós mesmos e oferecer uma resposta tecnológica para esse problema muito real e muito significativo.

O VN foi projetado para medir o quão próximo o conteúdo gerado por IA se assemelha a personagens protegidos, obras criativas e semelhanças humanas. Em nível técnico, como o sistema determina quando uma saída cruzou a linha de mera semelhança para algo que deveria preocupar um detentor de direitos?

Nós deixamos a decisão final ao usuário. Nosso papel é determinar quão estatisticamente similar a saída é, garantindo que capturemos cada pose e possibilidade, e então compará‑la ao personagem protegido, obra criativa ou semelhança humana. Alguns usuários têm um limiar abaixo do qual não podem publicar o trabalho. Empresas maiores tendem a ser mais rigorosas porque todo o conteúdo produzido deve ser deles. Usuários “prosumer”, que experimentam por diversão, podem aceitar um limiar mais alto e permitir mais variações.

Ao realizar testes forenses para um estúdio, agência de talentos ou cliente similar, fornecemos uma análise de exposição:

• Quais modelos geram o conteúdo com maior precisão
• Quais modelos podem produzi‑lo de forma alguma
• Quais modelos poderiam colocá‑lo em situações problemáticas

Em última análise, nosso trabalho é fazer a análise e fornecer os resultados, mas como o cliente usa isso é totalmente decisão dele.

Seu teste do Seedance 2.5 encontrou salvaguardas muito mais fortes em torno de personagens reconhecíveis do que em torno de propriedade intelectual menos proeminente. O que essa disparidade nos revela sobre como as empresas de IA estão atualmente construindo suas proteções de direitos autorais, e por que a PI de cauda longa é particularmente difícil de proteger?

Cada empresa de IA é diferente, e cada uma se preocupa com essa questão em graus variados. Quando o Seedance 2.0 foi lançado no início deste ano, a ByteDance reconheceu rapidamente o problema que havia criado para si mesma devido ao backlash e começou a melhorar suas salvaguardas. Alguns modelos bem‑conhecidos e populares parecem indiferentes, seja por escolha ou por descuido, mas respeitar a propriedade intelectual nunca será visto como um erro; eles ainda não chegaram a essa conclusão.

Proteger a cauda longa é difícil por causa do funcionamento da tecnologia:

Verificações ao nível do prompt: Examinar o prompt de entrada em busca de conteúdo infrator, permitindo que o modelo decida se prossegue. Infelizmente, mesmo ao examinar o prompt, muitas formas de contorná‑lo permanecem. Eles podem formular de forma ligeiramente diferente, descrever o personagem sem nomeá‑lo, usar erros de digitação. Prompts podem facilmente driblar detectores, e os modelos também podem hallucinar saídas que diferem do prompt do usuário e incluir um personagem infrator.

Verificações de análise da saída: Escanear cada saída contra um banco de dados de personagens conhecidos. Personagens reconhecíveis acionam maior sensibilidade, enquanto personagens de cauda longa podem passar despercebidos porque ainda não foram incluídos no banco de dados, e, portanto, a fiscalização abrangente é inevitavelmente desafiadora.

A velocidade também importa. Para modelos de geração de imagens, verificar uma única imagem é relativamente rápido. A geração de vídeo, porém, requer a varredura de muitos quadros, o que pode desacelerar significativamente a produção e afetar a experiência do usuário.

Equilibrar essas preocupações é delicado, mas alguns modelos se esforçaram para resolver isso. Em última análise, depende de o modelo estar disposto e interessado em respeitar a propriedade intelectual.

Um modelo pode recusar um pedido direto de gerar um personagem protegido por direitos autorais, mas ainda reproduzir esse personagem quando recebe uma descrição suficientemente detalhada. Como os testes de segurança de IA devem evoluir além das simples taxas de recusa de prompt para identificar esse tipo de reprodução indireta?

Este é um problema claro. Quando um modelo consegue reproduzir um personagem a partir de uma descrição detalhada ou mesmo muito simples, isso indica que o personagem está profundamente incorporado nos dados de treinamento. Isso levanta uma questão totalmente separada sobre como os dados foram coletados, e isso está sendo debatido nos tribunais atualmente.

Os testes de segurança precisam ir além da análise de prompts e evoluir para a análise das próprias saídas. Os modelos geram imagens por difusão, construindo gradualmente uma visão do resultado. Por causa desse processo e da forma como foram treinados, podem reproduzir inadvertidamente personagens protegidos por direitos autorais, tanto em primeiro plano quanto em segundo plano, e às vezes sem nenhum prompt. A única forma confiável de detectar isso é testar o modelo diretamente e medir o que ele realmente produz.

A detecção de semelhança inevitavelmente levanta questões sobre falsos positivos. Como você distingue entre influência criativa legítima, semelhança coincidente e uma reprodução estatisticamente significativa o suficiente para que um estúdio ou detentor de direitos queira investigar?

Esse trabalho exigirá refinamento contínuo. A semelhança visual mais precisa que um ser humano pode reconhecer imediatamente deve servir como ponto de partida, e isso é o que pode ser feito bem hoje. Quando se entra em criações sintéticas ou questões de estilo, torna‑se muito mais difícil provar e ainda mais difícil aplicar.

Pegue o Superman como exemplo. Se um modelo criasse um Superman genérico com os olhos de Christopher Reeve, o queixo de Henry Cavill, as maçãs do rosto de outro ator, etc., esses traços criariam um Superman extremamente difícil de reverter e mapear de volta à sua origem.

Dois fatores mantêm os falsos positivos sob controle. O primeiro é que nunca nos baseamos em um único número de similaridade isolado. Os resultados são benchmarked de modo que semelhança genérica possa ser separada da reprodução real, e cada teste é reproduzível: as mesmas entradas nas mesmas condições produzem os mesmos números. O segundo é que a análise se mapeia às questões jurídicas que um detentor de direitos realmente teria que responder. Para personagens e obras criativas, a questão é “semelhança substancial”. Para marcas e semelhanças, trata‑se da “probabilidade de confusão”, ou seja, se um observador comum seria enganado a pensar que a saída é a coisa real. Nosso trabalho é colocar um número defensável e repetível por trás dessas questões. Se algo chega ao nível de investigação, isso sempre cabe ao detentor de direitos decidir.

Modelos generativos mudam rapidamente e podem se comportar de forma muito diferente após uma atualização. Como os detentores de direitos podem avaliar continuamente centenas de modelos e potencialmente milhares de ativos protegidos sem que o processo de monitoramento se torne proibitivamente caro ou tecnicamente inviável?

É quase impossível, e é por isso que os detentores de PI estão ficando para trás e mal conseguem acompanhar os modelos mais recentes dos EUA e da Ásia.

Realisticamente, eles precisam de alguém em seu time que consiga acompanhar o ritmo e lutar em seu nome. Foi por isso que começamos. Vimos que esses estúdios precisavam de uma empresa de tecnologia que acompanhasse a velocidade desses modelos de geração, e ninguém mais estava se posicionando para fazer isso.

A outra metade da resposta está na manutenção de registros. Um modelo pode se comportar de forma muito diferente após uma atualização, então uma pontuação que não esteja vinculada a um ponto no tempo não tem valor. Cada resultado que produzimos registra qual modelo foi testado, quando foi testado, contra qual ativo protegido foi testado e quais foram os números. Isso transforma o monitoramento de um problema impossível e sempre‑ativo em algo administrável: quando um modelo é atualizado, você refaz o teste e compara com o registro ao invés de começar do zero.

A detecção resolve apenas parte do problema. Quando um sistema identifica que um modelo de IA pode reproduzir um personagem ou semelhança protegidos, o que deve acontecer a seguir, e que mecanismos técnicos poderiam eventualmente permitir que criadores especificassem se sua PI pode ser bloqueada, licenciada ou usada sob condições específicas?

Existem dimensões legais e técnicas. Legalmente, o detentor da PI decide como prosseguir. Ele pode usar a evidência que fornecemos como base para um processo, ou utilizá‑la nas negociações com desenvolvedores de modelos. A escolha cabe a ele.

Tecnicamente, um detentor de direitos deveria poder consentir e optar por modelos específicos que possam gerar seu produto ou PI. Ele deveria controlar a saída, evitando um cenário de “livre para todos”. Em vez de ser forçado a restrições rígidas, ele deveria poder monetizar cada geração sob termos predefinidos. Isso reflete práticas em outras indústrias, portanto deve ser aplicado aqui também.

Será que a mesma infraestrutura usada para detectar uso não autorizado de IA pode, em última instância, viabilizar um mercado legítimo de licenciamento, onde sistemas de IA possam determinar programaticamente quem possui um ativo, quais permissões estão disponíveis e como a compensação deve fluir de volta ao detentor de direitos?

Se a infraestrutura for capaz de descobrir se uma saída gerada por IA se parece com uma PI, então ela também deve ser a responsável por organizar o licenciamento. Ela pode identificar qual é a PI na saída gerada, quem é o detentor de direitos, se ele deve ser creditado por isso e, finalmente, fazer a compensação fluir por meio dela. A tecnologia é fundamentalmente a mesma. É um motor de fidelidade que produz evidência estatística verificável e reproduzível de um lado ou de outro. Se uma saída ultrapassa o limiar onde um observador poderia razoavelmente confundi‑la com a coisa real, o detentor de direitos tem direito à compensação.

A única condição é que quem operar essa camada deve permanecer neutro. Não pode gerar conteúdo por si mesmo, nem tomar partido em nenhum acordo individual. Seu papel é fornecer a ambas as partes o mesmo registro confiável e deixá‑las transacionarem diretamente. Essa neutralidade é a razão pela qual os detentores de direitos estariam dispostos a registrar seus catálogos nela desde o início.

À medida que vídeos gerados por IA se aproximam da qualidade e consistência necessárias para produção profissional, como você acha que será a relação entre empresas de IA e Hollywood? Você espera que a gestão de direitos se torne uma camada de verificação externa ao redor dos modelos, ou algo que eventualmente terá de ser incorporado diretamente nos próprios modelos?

É um mundo interessante que estamos entrando, já que as empresas de IA tornaram a produção de conteúdo muito mais barata do que nunca. Como resultado, podemos esperar uma proliferação de conteúdo, alguns bons, outros ruins, alguns com bom gosto, outros sem. Hollywood tradicionalmente se vê como árbitro de gosto, criando obras que as pessoas amam e se apaixonam. A IA agora oferece a ferramenta mais poderosa que já existiu para contadores de histórias.

Sobre a segunda parte da pergunta, acho que a resposta honesta é ambas, em sequência. As verificações de aplicação provavelmente serão incorporadas aos modelos ao longo do tempo, porque é onde são mais baratas e rápidas de executar. Mas a camada de referência, ou seja, o registro do que existe, quem o possui e sob quais termos pode ser usado, precisa permanecer independente, assim como a verificação. Uma empresa de modelo não pode ser quem avalia seus próprios resultados, e os detentores de direitos não entregarão seus catálogos a uma empresa cujo negócio é gerar derivados deles. É similar aos mercados financeiros, onde as empresas conduzem a conformidade internamente, mas ainda respondem a auditores externos.

A gestão de direitos acontecerá quando Hollywood e empresas de IA se unirem para decidir como desejam coexistir. No final das contas, o objetivo deles é o mesmo: criar novos conteúdos que as pessoas amem. Só precisa ser feito da maneira correta.

Obrigado pela ótima entrevista, leitores que desejam saber mais devem visitar ARCOS Labs.