Data provenance: tracking data origin, lineage, and source authenticity
Atualizado em 21 de agosto de 2026
Proveniência de dados é o registro documentado de onde um dado veio, do que aconteceu com ele em cada etapa e de quem respondeu por ele. Ela responde a três perguntas sobre qualquer conjunto de dados: qual era a fonte original, quais transformações foram aplicadas e sob a autoridade de quem, e se aquela fonte era autêntica desde o início. A linhagem de dados responde apenas à segunda pergunta, e é por isso que os dois termos não são intercambiáveis.
A proveniência de dados virou requisito básico para organizações que administram informação digital para decidir, comprovar conformidade ou instruir processos judiciais. Conforme o volume de dados cresce e esteiras automatizadas processam conteúdo em escala, rastrear de onde o dado veio, como foi transformado e se continua confiável deixou de ser opcional.
A maioria das implementações, porém, tem um ponto cego. Elas rastreiam transformações, trocas de responsável e etapas de processamento com precisão. Quase nunca verificam se o dado de origem era autêntico. Uma esteira consegue documentar cada passo que um conjunto de dados deu, da ingestão à análise. Se as fotografias originais foram manipuladas, os documentos forjados ou as gravações sintéticas, toda a cadeia de proveniência se apoia em alicerces não verificados.
Esse ponto cego está cada vez mais difícil de ignorar. Ferramentas de IA generativa produzem imagens, documentos e áudios realistas a custo mínimo. No Brasil, o PL 2338/2023, ainda em tramitação no Congresso, propõe deveres de governança e de documentação sobre os dados usados no treinamento de sistemas de IA. Na União Europeia, o AI Act já exige que as organizações documentem a proveniência dos dados de treinamento e sejam transparentes sobre as suas fontes. A pergunta deixou de ser se vale a pena implantar proveniência de dados e passou a ser se a implantação existente verifica o dado de origem antes de rastreá-lo.
O que é proveniência de dados? Definição e conceitos centrais
Proveniência de dados é o registro documentado de onde um dado veio, do que aconteceu com ele e de quem respondeu por ele em cada etapa do seu ciclo de vida.
O conceito vem do mercado de arte, onde proveniência significa a cadeia documentada de propriedade que confirma a autenticidade de uma obra. Em sistemas de dados a função é a mesma: a proveniência é a trilha probatória que permite avaliar se um dado é confiável, completo e adequado ao uso pretendido.
As aplicações são amplas. Na governança de dados, a proveniência sustenta trilhas de auditoria e a prestação de contas prevista no art. 6º da LGPD (Lei 13.709/2018). Em IA e aprendizado de máquina, documenta os conjuntos de dados por trás do treinamento dos modelos, o que favorece a reprodutibilidade e a detecção de viés. No campo jurídico, ampara a confiabilidade dos registros levados a um processo.
Os três pilares da proveniência de dados
Um sistema de proveniência de dados que funciona cobre três frentes:
- Origem: onde o dado foi criado ou coletado, por quem, com que método e sob qual autorização. É o ponto de partida da cadeia de proveniência.
- Histórico de transformações: cada etapa de processamento aplicada depois da criação, da conversão e da agregação até a filtragem e o enriquecimento. Cada passo fica registrado com data e hora, versão da ferramenta e identidade do operador.
- Responsabilidade e acesso: quem respondeu pela guarda em cada etapa, quem acessou o dado e sob qual política de governança.
Quando as três frentes estão documentadas e são verificáveis, a organização consegue reconstruir o ciclo de vida completo de qualquer conjunto de dados e sustentar a sua confiabilidade diante de auditores, reguladores ou do juízo.
Padrões e arcabouços: W3C PROV e OpenLineage
Dois padrões moldaram a forma como as organizações constroem proveniência de dados em escala.
As especificações W3C PROV oferecem um modelo de dados de proveniência independente de domínio. Construído sobre três conceitos centrais (entidades, atividades e agentes), o W3C PROV define como representar as relações entre o dado, os processos que o criaram ou transformaram e as pessoas ou sistemas responsáveis. Publicado como Recomendação do W3C, é a ontologia de base para metadados de proveniência em setores que vão da pesquisa científica à saúde.
O OpenLineage, mantido pela LF AI & Data Foundation, é mais operacional. É um padrão aberto para coletar metadados de linhagem de esteiras de dados em execução, com integrações para Apache Airflow, Apache Spark, dbt, Snowflake e BigQuery. Desde 2020 virou o padrão de mercado para linhagem no nível da esteira, e a IBM anunciou suporte ampliado no watsonx no início de 2026.
Os dois padrões se concentram em rastrear o que acontece com o dado depois que ele entra no sistema. Nenhum deles verifica se o dado de origem era autêntico antes da ingestão.
A TrueScreen faz a verificação da fonte com rigor forense, com carimbo do tempo qualificado e assinatura digital, seguindo a ISO/IEC 27037 e a LGPD.
Proveniência de dados e linhagem de dados: uma distinção decisiva
"Proveniência de dados" e "linhagem de dados" são usados como sinônimos. Não deveriam ser.
| Critério | Linhagem de dados | Proveniência de dados |
|---|---|---|
| Pergunta respondida | Quais transformações foram aplicadas e quais sistemas tocaram o dado | De onde o dado veio, quem autorizou cada etapa e se a fonte era autêntica |
| Escopo | O caminho técnico pelos sistemas: tabelas de origem, processos de ETL, painéis, modelos | Linhagem mais contexto: autorização, finalidade, política de governança e autenticidade da fonte |
| Autenticidade da fonte | Fora do escopo: um arquivo de origem manipulado é rastreado como qualquer outro | No centro: o arquivo original é verificado antes de entrar na esteira |
| Uso típico | Depuração de esteiras, análise de impacto, planejamento de migração | Comprovação de conformidade, trilhas de auditoria, processos judiciais, transparência sobre dados de treinamento de IA |
| Relação | Um subconjunto da proveniência | Um superconjunto que já inclui a linhagem |
Onde a linhagem termina e a proveniência começa
A linhagem de dados mapeia o caminho técnico que o dado percorre pelos sistemas: das tabelas de origem, passando pelos processos de ETL, até painéis ou modelos. Ela responde "quais transformações foram aplicadas?" e "quais sistemas tocaram este dado?". A linhagem é um artefato técnico, útil para depurar esteiras, analisar impacto e planejar migrações.
A proveniência de dados inclui a linhagem, mas vai além. Ela captura o contexto de cada etapa: quem autorizou a coleta, por que uma transformação foi aplicada, quais políticas de governança regeram o acesso e se a fonte atendia aos requisitos de autenticidade. A linhagem conta o que aconteceu. A proveniência conta por quê, por quem e sob qual autoridade.
Dito de outro modo: a linhagem é um subconjunto da proveniência. Uma organização com linhagem completa sabe como o dado circulou pelos seus sistemas. Uma organização com proveniência completa sabe também se aquele dado merecia confiança desde o começo.
Por que confundir os dois termos custa caro
É aqui que a distinção morde. Um sistema de linhagem vai documentar fielmente cada transformação aplicada a um conjunto de fotografias de sinistro manipuladas. Vai rastrear essas imagens pela ingestão, pela normalização, pelo armazenamento e pela análise. E nunca vai sinalizar que as imagens de origem eram forjadas, porque linhagem não checa autenticidade de fonte.
As implicações regulatórias são diretas. No Brasil, o art. 37 da LGPD (Lei 13.709/2018) obriga o controlador a manter registro das operações de tratamento, e o art. 6º impõe o dever de prestar contas sobre a origem e a qualidade do dado. Linhagem sozinha não atende a essas exigências. Proveniência, com verificação da fonte, atende.
Por que a proveniência de dados importa para IA e aprendizado de máquina
Sistemas de IA treinados em conjuntos massivos de dados transformaram a proveniência de dados, antes uma preocupação de engenharia, em um problema de conformidade.
Qualidade do dado de treinamento e confiabilidade do modelo
Modelos de aprendizado de máquina herdam as características do dado com que foram treinados. Se os conjuntos de treinamento contêm imagens manipuladas, texto sintético apresentado como genuíno ou documentos com metadados alterados, os modelos levam essas distorções adiante. A proveniência é o modo como uma organização verifica a qualidade e a autenticidade do dado de treinamento antes que ele molde o comportamento do modelo.
Quem coloca IA em produção precisa cada vez mais demonstrar que o dado de treinamento foi coletado licitamente, representa a população que diz descrever e não foi contaminado por conteúdo sintético. Sem proveniência, essas afirmações são apenas suposições.
Regulação: a LGPD hoje, o projeto de lei de IA em tramitação
No Brasil não existe hoje uma obrigação legal específica sobre proveniência dos dados de treinamento. O PL 2338/2023, ainda em tramitação no Congresso, prevê deveres de governança e de documentação para sistemas de alto risco e, se aprovado, tornará explícito o que a LGPD já cobra de forma indireta pelos arts. 6º e 37.
Na União Europeia o quadro já é obrigatório: o AI Act exige que fornecedores de modelos de uso geral publiquem um resumo detalhado dos dados de treinamento, com fontes, métodos de coleta e etapas de processamento. Empresas brasileiras que ofertam serviços no mercado europeu respondem por essa exigência.
A Gartner reforçou essa trajetória ao colocar a proveniência digital entre as dez principais tendências tecnológicas estratégicas para 2026, prevendo que organizações sem capacidade adequada de proveniência podem enfrentar risco sancionatório na casa dos bilhões até 2029.
A camada que falta: a autenticidade do dado de origem
A maioria dos sistemas de proveniência de dados começa a rastrear no ponto de ingestão. Eles documentam o que acontece dentro da infraestrutura da organização. E presumem que o dado que chega é genuíno.
Quando a proveniência rastreia dado manipulado
Uma seguradora recebe fotografias que documentam danos em um imóvel. As imagens entram no sistema de gestão de sinistros, são etiquetadas, armazenadas e encaminhadas para avaliação. O sistema de proveniência registra tudo: data e hora do envio, formato do arquivo, local de armazenamento, regulador designado, desfecho da decisão.
Em nenhum ponto dessa cadeia alguém verifica se as fotografias são reais. Os metadados podem ter sido alterados. As imagens podem ter sido geradas por IA. As coordenadas de GPS podem ter sido falsificadas. A cadeia de proveniência está tecnicamente completa e substantivamente vazia: documenta o tratamento de conteúdo possivelmente fraudulento com o mesmo esmero que daria a uma evidência autêntica.
Ferramentas de IA generativa já produzem fotografias de sinistro realistas, prontuários e documentos jurídicos. Sem verificação da fonte, sistemas de proveniência documentam o tratamento de conteúdo não verificado e chamam isso de governança.
Proveniência digital como camada de verificação da entrada
A proveniência digital preenche essa lacuna. Enquanto a proveniência de dados rastreia o que acontece com o dado dentro dos sistemas, a proveniência digital verifica autenticidade e integridade no momento da criação ou da captura.
Um sistema de proveniência digital sela cada arquivo com resumo criptográfico, carimbo do tempo qualificado, identificadores do dispositivo e dados de geolocalização no ato da aquisição. Qualquer alteração posterior fica imediatamente detectável. Os sistemas de proveniência de dados podem então rastrear essas entradas com confiança, porque o ponto de partida da cadeia foi autenticado.
As duas disciplinas trabalham juntas. A proveniência de dados precisa da proveniência digital na camada de entrada pela mesma razão que uma auditoria de cadeia de suprimentos precisa de matéria-prima verificada. Sem entradas autenticadas, o rastreamento seguinte é apenas escrituração de conteúdo não verificado.
Como a TrueScreen fecha a lacuna de autenticidade na proveniência de dados
A TrueScreen é a plataforma de autenticidade de dados que entrega a camada de verificação da fonte ausente na proveniência de dados tradicional. Por meio de captura, verificação e certificação com rigor forense, a TrueScreen assegura a autenticidade, a rastreabilidade e o valor jurídico do conteúdo digital desde o momento da aquisição.
Certificação com rigor forense no ponto de captura
Todo arquivo certificado pela TrueScreen recebe um selo digital e um carimbo do tempo qualificado emitido por um prestador de serviços de confiança qualificado internacional. O processo captura identificadores do dispositivo, geolocalização e o horário, e gera resumos criptográficos que tornam detectável qualquer alteração posterior à captura.
A metodologia segue a ISO/IEC 27037 para o tratamento de evidência digital e a ISO/IEC 27001 para segurança da informação, e o tratamento de dados pessoais observa a LGPD. Cada ativo certificado vem com um pacote forense: arquivos originais, relatório em PDF, JSON legível por máquina e certificação em XML.
Integração com os fluxos de dados corporativos
A TrueScreen funciona em dispositivos móveis, ambientes de desktop e sistemas corporativos por meio do SDK e da API da sua plataforma. As organizações embutem a aquisição com rigor forense nos fluxos de coleta que já existem, de modo que o conteúdo seja autenticado antes de chegar às esteiras, aos sistemas de sinistro ou aos repositórios de evidência.
Em seguros, equipes de campo capturam fotografias certificadas que entram na esteira de sinistros com proveniência verificada. Na construção, a documentação de obra é selada no ato da captura. Em processos judiciais, a evidência digital chega com certificação admissível em juízo, da aquisição até a apresentação, cabendo ao juiz apreciar a prova nos termos do art. 371 do CPC. Em cada caso, o sistema de proveniência de dados recebe entradas autenticadas em vez de arquivos não verificados, e a cadeia inteira resiste ao escrutínio.
