Model card é o documento que acompanha um modelo de IA descrevendo como foi treinado, para que serve, onde falha e em quais grupos foi avaliado. A proposta original, de 2018, pedia desempenho desagregado por grupo — não a média, mas o resultado separado por perfil demográfico — junto das condições de uso pretendido e das limitações conhecidas. A prática ficou muito aquém disso, e há medição: um estudo publicado na Nature Machine Intelligence analisou 32.111 model cards entre os quase 75 mil modelos do Hugging Face e encontrou que só 44,2% dos modelos tinham o documento. Entre os que tinham, a seção de limitações estava preenchida em apenas 17,4% — contra 74,3% da seção que descreve o treino, e a de avaliação em 15,4%. Documenta-se o que promove; omite-se o que adverte. Para quem decide contratação, isso significa que o documento oficial do fornecedor raramente responde a pergunta que mais importa: onde este modelo falha.
⚠️ O contraste que define o problema
Os números por seção são o verbete inteiro. Repare em qual é bem preenchida e qual não é:
| Seção | Preenchimento | A quem interessa |
|---|---|---|
| Treino | 74,3% | Quem promove o modelo |
| Limitações | 17,4% | Quem assume o risco |
| Avaliação | 15,4% | Quem assume o risco |
| Impacto ambiental | 2,0% | Quem presta contas |
Exatamente as duas seções que interessam a quem vai colocar o modelo em produção — limitações e avaliação — são as menos preenchidas. E entre os cem modelos mais baixados, que deveriam ser os mais bem documentados, os números melhoram mas seguem baixos: limitações em 39%, avaliação em 47%.
Há ainda um detalhe que qualifica o pouco que existe: 84,8% das seções de impacto ambiental foram geradas automaticamente por ferramentas, não escritas por alguém. Presença de seção não é o mesmo que documentação.
Vale registrar o que os 44,2% significam de fato: os modelos com model card concentram 90,5% do tráfego de downloads. Ou seja, a documentação existe onde há mais uso — mas é justamente aí que a omissão de limitações pesa mais.
A regulação começou a exigir
O AI Act europeu mudou o estatuto disso. O artigo 53 obriga fornecedores de modelos de propósito geral a elaborar e manter atualizada documentação técnica — incluindo processo de treino, testes e resultados de avaliação — disponível às autoridades mediante solicitação, e a repassar informação a quem constrói produtos sobre esses modelos.
Uma ressalva de honestidade sobre prazos: as datas de entrada em vigor das obrigações e da fiscalização aparecem em análises jurídicas, e não as confirmamos diretamente no texto do regulamento. Se a data importa para a sua decisão, consulte o texto oficial ou um advogado — não este verbete.
O que isso muda na prática
Ao avaliar um modelo ou uma ferramenta de IA para marketing, o model card é ponto de partida — não é laudo. Três perguntas que os dados acima justificam fazer:
- Onde estão as limitações declaradas? Se o documento só descreve capacidades, ele está no grupo dos 82,6% que não preencheram essa seção. Ausência de limitação declarada não é ausência de limitação.
- Em que a avaliação foi feita? Conjunto de dados, idioma e recorte de público. Modelo avaliado só em inglês não tem resultado conhecido em português.
- O desempenho está desagregado? Média esconde falha concentrada em subgrupo — que é exatamente o que a proposta original queria evitar, e o que o verbete de viés algorítmico mostra em números.
A conclusão operacional é a mesma que atravessa todo este glossário: a documentação do fornecedor não substitui o seu teste. Monte de 50 a 100 casos reais da sua operação e meça — é o único dado sobre o seu caso.
Sobre como ler resultados de avaliação, veja benchmark de IA; sobre o que treina o modelo, dataset.
Fontes
- What’s documented in AI? Systematic analysis of 32K AI model cards — Nature Machine Intelligence
- Model Cards for Model Reporting — Mitchell et al., a proposta original
- AI Act, artigo 53 — obrigações de documentação para modelos de propósito geral
Leitura das fontes em 17/08/2026.