Redações da FOIA com IA do DHS prometem rapidez, mas arriscam sigilo mais profundo
O DHS planeja usar IA para recomendar redações em 100.000 a 140.000 solicitações anuais de registros públicos, apesar das evidências limitadas de que máquinas conseguem fazer julgamentos confiáveis sobre divulgação. A iniciativa de redações da FOIA com IA do DHS promete tempos de processamento menores. Mas também corre o risco de tornar a retenção excessiva de informações mais rápida, barata e difícil de contestar para os solicitantes.
O Departamento de Segurança Interna afirma que funcionários revisarão as recomendações antes que os registros deixem a agência. Essa salvaguarda é importante porque a Lei de Liberdade de Informação, ou FOIA, exige julgamento jurídico contextual. Um modelo pode reconhecer nomes ou números de identificação. Ele não pode decidir de forma independente se a divulgação de uma discussão sobre políticas causaria um dano juridicamente reconhecível.
Não se trata de uma disputa entre tecnologia e burocracia baseada em papel. O verdadeiro conflito é entre eficiência de processamento e acesso público significativo. As agências federais enfrentam volumes de solicitações de registros que os revisores humanos têm dificuldade de administrar. Ainda assim, o governo não demonstrou que recomendações automatizadas favorecerão consistentemente a divulgação quando a lei a permitir.
Essa questão tem peso incomum no DHS. O departamento processou quase um milhão de solicitações durante o ano fiscal de 2025, segundo dados federais citados no plano federal de redações. Apenas 2,3% resultaram em registros sem redações. Se a automação influenciar até mesmo uma fração dessa carga de trabalho, suas premissas moldarão o que jornalistas, pesquisadores, advogados e cidadãos comuns poderão saber sobre a atividade federal.
O que as redações da FOIA com IA do DHS realmente farão
A mudança imediata não é censura autônoma, mas recomendações automatizadas entrando em um processo de revisão jurídica em escala enorme.
A Alfândega e Proteção de Fronteiras dos EUA, uma agência dentro do DHS, planeja usar ferramentas de inteligência artificial e aprendizado de máquina do Google durante o processamento de solicitações pela FOIA. O sistema identificará conteúdo que possa se qualificar para retenção e recomendará redações a funcionários do governo.
Uma redação remove parte de um registro antes de sua divulgação, geralmente cobrindo texto, imagens, áudio ou vídeo. As agências aplicam redações quando as informações se enquadram em uma isenção da FOIA ou outra lei proíbe sua divulgação. Exemplos comuns incluem dados pessoais, material sigiloso, informações de aplicação da lei e certas deliberações internas.
A descrição do DHS afirma que a automação deve reduzir os tempos de processamento. O departamento também disse que membros da equipe revisarão cada caso e garantirão que os solicitantes recebam informações precisas e completas. Essas declarações indicam que um humano permanece responsável pela decisão final.
No entanto, a escala planejada muda o significado prático dessa revisão. O DHS espera aplicar IA a categorias de solicitações que representam mais de 10% de seus envios. O departamento estima essa faixa em aproximadamente 100.000 a 140.000 solicitações.
Revisar uma sugestão de máquina não é necessariamente o mesmo que tomar uma decisão nova. Um funcionário ocupado pode começar pelas passagens destacadas pelo modelo e concentrar-se em confirmá-las. Esse fluxo de trabalho pode criar viés de automação, a tendência de aceitar o resultado de um sistema porque ele parece sistemático ou autoritativo.
A distinção torna-se crítica quando um modelo vai além de informações pessoais óbvias. Detectar um número de Seguro Social segue um padrão relativamente estável. Aplicar uma isenção a um e-mail sobre uma política inacabada exige compreender o autor, a finalidade, o momento, o público e a relação do documento com uma decisão final.
O DHS não estabeleceu publicamente com que frequência seu sistema lidará com simples correspondência de padrões em vez dessas decisões contextuais. Também não divulgou resultados abrangentes de desempenho, taxas de erro, registros de testes, exemplos de treinamento ou taxas de substituição das recomendações.
Outros departamentos também estão experimentando. O Departamento do Interior supostamente usa tecnologia da Microsoft para localizar material que possa estar coberto por proteções de confidencialidade entre advogado e cliente. O Departamento de Saúde e Serviços Humanos descreveu um sistema de prova de conceito para revisar e redigir grandes coleções de documentos. O Departamento de Justiça afirma que vários componentes já usam funções automatizadas de busca e revisão.
Portanto, o movimento é mais amplo do que uma única implantação no DHS. As agências federais estão construindo uma camada de assistência por máquina entre os registros do governo e as pessoas que os solicitam. O que permanece indefinido é se essa camada ajudará os revisores a encontrar informações que possam ser divulgadas ou os incentivará a remover uma parcela maior delas.
Essa incerteza transforma uma atualização operacional em um teste de transparência governamental.
Por que as agências federais estão automatizando a FOIA agora
A IA está entrando na FOIA porque os volumes de solicitações e as coleções de registros ultrapassaram os sistemas de revisão existentes em muitas agências.
A FOIA dá ao público o direito de solicitar registros de agências do Poder Executivo. Ela não abrange o Congresso, os tribunais federais ou a maioria dos escritórios que assessoram diretamente o presidente. Cada agência abrangida deve localizar registros pertinentes, examiná-los, aplicar eventuais isenções legais e divulgar todo material não isento razoavelmente separável.
Esse processo se torna lento quando uma solicitação abrange milhares de e-mails, anexos, mensagens, vídeos, planilhas e documentos digitalizados. Os revisores precisam encontrar duplicatas, identificar material pertinente, consultar outros escritórios, proteger segredos legítimos e preservar tudo o que puder ser legalmente divulgado.
Em todo o governo federal, as agências processaram um recorde de 1,6 milhão de solicitações durante o ano fiscal de 2025. Isso representou um aumento de 9% em relação ao ano anterior, segundo os dados anuais da FOIA do Departamento de Justiça.
A tecnologia pode lidar com várias partes mecânicas dessa carga de trabalho. O reconhecimento óptico de caracteres transforma páginas digitalizadas em texto pesquisável. A desduplicação elimina cadeias de e-mails repetidas. O reconhecimento de entidades localiza nomes, números de telefone, endereços e outros padrões recorrentes. Sistemas de classificação podem priorizar documentos que pareçam relevantes para uma solicitação.
Esses usos não apresentam o mesmo nível de risco. Pesquisar uma coleção em busca de registros pertinentes pode ampliar o acesso se a alternativa for uma busca manual incompleta. Ocultar automaticamente trechos de texto afeta o conteúdo da divulgação pública.
Autoridades federais exploram essa distinção há anos. Em maio de 2026, o Chief FOIA Officers Council, o Office of Government Information Services dos Arquivos Nacionais e o Departamento de Justiça realizaram o terceiro NexGen FOIA Tech Showcase.
A mostra de tecnologia do governo buscou ferramentas para descoberta eletrônica, processamento de casos, divulgações acessíveis, salas públicas de leitura e redação automatizada. Os sistemas propostos abrangiam arquivos em papel, conteúdo digital, vídeo, áudio e dados estruturados.
O evento seguiu mostras semelhantes em 2022 e 2024. Também refletiu uma recomendação do comitê consultivo federal da FOIA, que incentivou as agências a buscar informações do setor sobre processamento assistido por IA.
A adoção continua limitada, mas está aumentando. A mais recente avaliação da FOIA dos Arquivos Nacionais constatou que 20,6% das agências federais respondentes usaram IA ou aprendizado de máquina para ajudar a pesquisar ou organizar registros em 2025. Isso representa uma alta em relação aos 18,6% da avaliação anterior.
O mesmo relatório constatou que 80% usavam ferramentas de descoberta eletrônica para buscas pela FOIA, em comparação com 72% em 2020. Esses números mostram que as agências já automatizavam o trabalho com documentos antes de a IA generativa se tornar a principal pauta tecnológica.
O problema dos atrasos acumulados é real. O acesso tardio pode tornar inútil uma informação precisa. Um registro divulgado após uma eleição, disputa judicial, debate sobre políticas ou emergência pública pode chegar tarde demais para contribuir com a responsabilização.
Assim, a automação pode servir à abertura quando ajuda funcionários a localizar documentos, remover duplicatas ou identificar dados pessoais claramente protegidos. Processamento mais rápido não é um benefício vazio.
O perigo surge quando as agências tratam a velocidade como a principal medida de sucesso. Uma solicitação encerrada não é necessariamente uma solicitação atendida. Uma resposta rápida, repleta de caixas pretas desnecessárias, pode oferecer menos valor público do que uma divulgação mais lenta e cuidadosamente revisada.
Por isso, a questão central de desempenho não pode ser quantas páginas o sistema processa por hora. Deve ser quanta informação legalmente divulgável chega ao público, com quantos erros e após qual nível de escrutínio humano.
A promessa de eficiência encontra um problema de divulgação
O mesmo sistema que pode acelerar redações válidas também pode ampliar a tendência existente do governo de reter informação em excesso.
O DHS processou 994.992 solicitações pela FOIA no ano fiscal de 2025. Ele divulgou registros sem redações em apenas 2,3% dos casos concluídos. Cerca de 40% resultaram em divulgações parcialmente redigidas.
As solicitações restantes foram encerradas por vários motivos. Algumas receberam negativas integrais sob isenções estatutárias. Em muitos casos, o departamento afirmou não ter encontrado registros pertinentes. Outras solicitações foram retiradas, encaminhadas a outro órgão ou encerradas por razões processuais.
Essas categorias não comprovam irregularidades. O DHS lida com imigração, fiscalização de fronteiras, cibersegurança, gestão de emergências, segurança de transportes e operações de proteção. Seus registros contêm rotineiramente dados pessoais e informações ligadas à aplicação da lei ou à segurança nacional.
Ainda assim, a referência inicial importa. O DHS não está introduzindo recomendações automatizadas em um sistema conhecido pela ampla divulgação sem redações. Está introduzindo-as em um sistema em que divulgações integrais já são raras.
A IA pode levar esse sistema em qualquer uma das direções. Um modelo bem projetado poderia ajudar funcionários a isolar um nome protegido enquanto divulga o restante de um parágrafo. Isso apoiaria a exigência legal de separar informações isentas de material que o público possa receber.
Um modelo mal calibrado poderia sinalizar um parágrafo inteiro porque uma frase se assemelha a linguagem protegida. Se os funcionários aceitarem a recomendação, o sistema ocultaria contexto não isento junto com texto potencialmente sensível.
Os modelos também cometem dois tipos distintos de erro. Um falso negativo deixa passar informações que deveriam ser protegidas, possivelmente expondo material privado ou sigiloso. Um falso positivo marca informações legalmente divulgáveis para remoção.
Os incentivos governamentais não tratam esses erros da mesma forma. Uma divulgação acidental pode criar um incidente imediato de segurança, uma reclamação de privacidade ou um problema disciplinar. Uma redação desnecessária normalmente recai sobre o solicitante, que precisa recorrer ou processar o governo para contestá-la.
Esse desequilíbrio incentiva configurações conservadoras. Um sistema otimizado para evitar divulgação acidental provavelmente sinalizará mais material. Revisores humanos sob pressão de tempo podem então aprovar essas sugestões porque reter informações parece institucionalmente mais seguro.
O resultado pode ser uma catraca em direção ao sigilo. Cada recomendação do modelo parece cautelosa isoladamente. Em centenas de milhares de solicitações, o efeito cumulativo poderia remover grandes quantidades de informação que uma revisão mais deliberada divulgaria.
A automação também torna a consistência possível, mas consistência não é automaticamente justiça. Um modelo pode aplicar uma interpretação restrita da lei em toda uma agência. Também pode reproduzir decisões inconsistentes a partir dos registros usados para configurá-lo ou treiná-lo.
Decisões sobre a FOIA frequentemente dependem do histórico institucional. Se revisores anteriores regularmente retinham determinado tipo de discussão, um sistema que aprende com seu trabalho pode apresentar essa prática como a resposta normal. O modelo não sabe se as decisões anteriores refletiam uma análise jurídica cuidadosa, orientações desatualizadas ou uma tendência habitual à redação excessiva.
Isso cria um ciclo de retroalimentação. Retenções anteriores influenciam recomendações automatizadas. Revisores aceitam essas recomendações. O resultado aprovado então se torna evidência a favor de futuras decisões automatizadas.
O governo só pode interromper esse ciclo por meio de uma avaliação deliberada. As agências precisam de coleções de teste que contenham tanto material isento quanto material passível de divulgação. Revisores independentes devem medir falsos positivos, falsos negativos e a quantidade de texto não isento perdida ao redor de redações válidas.
Os dados sobre substituições de recomendações também importam. Se os funcionários quase nunca rejeitam sugestões do modelo, a supervisão pode ser apenas nominal. Se os revisores frequentemente adicionam ou removem redações, o sistema pode não estar economizando tanto trabalho quanto prometido.
O DHS afirmou que humanos continuarão envolvidos. Ainda não mostrou se esse envolvimento será independente, adequadamente dimensionado em pessoal, documentado e sujeito a verificações de qualidade. Até que esses detalhes se tornem públicos, a alegação de eficiência permanece incompleta.
A IA Não Pode Decidir Danos Previsíveis Apenas por Padrões
Um modelo pode detectar padrões de linguagem, mas a FOIA exige que as agências relacionem cada decisão de retenção a um dano específico e razoavelmente previsível.
O Congresso reforçou essa exigência por meio da FOIA Improvement Act de 2016. Em geral, uma agência só pode reter informações isentas quando prevê razoavelmente que a divulgação prejudicaria um interesse protegido pela isenção. Ela também pode reter informações quando outra lei proíbe sua divulgação.
O padrão de dano previsível impede que as agências tratem toda isenção tecnicamente disponível como uma ordem automática. Um documento pode se enquadrar nos limites de uma isenção e ainda assim não ter um motivo significativo para o sigilo.
As orientações sobre divulgação do Departamento de Justiça dizem às agências que considerem o contexto. Fatores relevantes podem incluir a idade de um registro, divulgações oficiais anteriores, sua sensibilidade e sua finalidade. As agências devem consultar funcionários especializados quando o possível dano não estiver claro.
Esse trabalho é fundamentalmente diferente da detecção de entidades. Um modelo pode encontrar o nome de uma pessoa. Não pode determinar apenas pelo nome se a divulgação invadiria a privacidade, identificaria uma fonte confidencial, revelaria conduta oficial ou repetiria informação já tornada pública.
O mesmo desafio se aplica ao privilégio do processo deliberativo. Essa proteção pode abranger determinadas comunicações pré-decisórias que refletem a consulta dentro da agência. Ela não permite que uma agência esconda todo rascunho, recomendação ou e-mail interno.
Pesquisadores testaram aprendizado de máquina nesse problema. Jason R. Baron, Mahmoud F. Sayed e Douglas W. Oard reuniram material dos registros presidenciais de Clinton e treinaram classificadores para identificar trechos potencialmente deliberativos.
Seu estudo de aprendizado de máquina concluiu que os sistemas apresentavam melhor desempenho quando treinamento e avaliação seguiam interpretações consistentes dos revisores. O desempenho enfraquecia quando mudavam os revisores, os responsáveis pelos registros ou o tema.
Em discussões públicas posteriores, Baron descreveu os métodos como aproximadamente 70% precisos para distinguir material associado ao privilégio do processo deliberativo. Resultados publicados sob condições consistentes relataram medidas F1 entre 70% e 83%. Uma pontuação F1 combina quantos trechos relevantes um modelo encontra com a frequência com que suas classificações positivas estão corretas.
Esses resultados são úteis para triagem. Não são robustos o suficiente para embasar decisões jurídicas sem supervisão. Com desempenho de 70%, uma parcela relevante dos trechos será classificada incorretamente.
A pesquisa também expõe um problema mais profundo. Revisores humanos nem sempre concordam sobre se a mesma linguagem se qualifica para retenção. Um sistema treinado com a interpretação de um revisor pode ter dificuldades quando outro aplica a lei de maneira diferente.
Essa discordância não é mero ruído técnico. Ela reflete o caráter contextual da FOIA. Os julgamentos jurídicos dependem do que o registro representa, do que o governo já divulgou e de qual dano concreto decorreria da divulgação.
Portanto, o DHS precisa de mais do que um humano posicionado no fim de uma linha automatizada. Uma revisão significativa exige tempo, autoridade e informação suficientes para rejeitar a recomendação do modelo. O funcionário também deve avaliar se uma redação mais restrita protegeria o interesse legítimo.
As agências devem preservar uma trilha de auditoria para cada sugestão automatizada. Esse registro deve identificar quais trechos o sistema sinalizou, qual isenção associou a eles, o que o funcionário alterou e por que a decisão final satisfez o critério de dano previsível.
Os solicitantes não precisam ter acesso a dados sensíveis de treinamento ou detalhes de segurança do sistema. Precisam, porém, de informações compreensíveis sobre como as ferramentas automatizadas afetaram seus registros. Sem essa visibilidade, um recurso se torna mais difícil porque o solicitante não consegue distinguir o julgamento de um advogado de uma decisão padrão auxiliada por modelo.
Uma recomendação de caixa-preta jamais deveria se transformar em uma caixa-preta na página apenas porque um humano clicou em aprovar.
A Revisão Humana Só É Uma Salvaguarda Quando Altera os Resultados
A expressão “humano no circuito” oferece pouca proteção, a menos que as agências meçam se as pessoas realmente questionam recomendações automatizadas.
O DHS afirma que funcionários revisarão casos assistidos por IA. O escritório federal de ombudsman da FOIA também alerta que IA e aprendizado de máquina não podem substituir o julgamento profissional sobre isenções e danos previsíveis.
Essa é a posição formal correta. Sua eficácia dependerá do desenho do fluxo de trabalho.
Se um revisor vê o documento completo antes de aparecerem marcações propostas, a pessoa pode formar uma visão independente. Se o sistema apresenta uma página já coberta por redações sugeridas, essas marcações estabelecem uma âncora. O revisor então precisa justificar a remoção de uma proteção, em vez de decidir se deve acrescentá-la.
A diferença pode parecer processual, mas muda a direção da dúvida. No primeiro fluxo de trabalho, a incerteza pode favorecer a divulgação. No segundo, a incerteza favorece manter a caixa-preta do modelo.
A equipe cria outra restrição. Uma agência pode adotar automação justamente por não ter pessoas suficientes para lidar com seu volume de trabalho. Se a mesma escassez deixa os revisores com apenas alguns minutos para inspecionar cada resultado, a aprovação humana formal se torna um ponto de controle de produtividade.
Metas de desempenho podem ampliar essa pressão. Gestores podem medir solicitações encerradas, páginas processadas ou redução do acúmulo de trabalho. Esses números são fáceis de contar. A quantidade de informação não isenta preservada por meio de uma revisão cuidadosa é mais difícil de observar.
Um programa de supervisão eficaz usaria várias métricas. As agências deveriam comparar decisões assistidas por máquina com amostras de revisão independente. Deveriam acompanhar com que frequência os funcionários removem redações propostas, as restringem ou adicionam proteções que o sistema deixou passar.
Também deveriam testar os resultados em diferentes tipos de documentos. Uma ferramenta que detecta de modo confiável números de passaporte em formulários padronizados pode ter desempenho ruim em e-mails sobre políticas, anotações manuscritas, planilhas, entrevistas gravadas ou documentos históricos.
Os testes devem incluir as consequências dos dois tipos de erro. Falsos negativos podem expor informações protegidas. Falsos positivos podem negar acesso público. Tratar erros de privacidade e segurança como as únicas falhas relevantes incorporaria a redação excessiva ao processo de avaliação.
As agências deveriam publicar resultados agregados. Divulgações úteis incluiriam o número de solicitações processadas com IA, as isenções envolvidas, taxas de erro por amostragem, taxas de substituição pelos revisores e mudanças no tempo de processamento.
A divulgação pública não revelaria o conteúdo sensível de solicitações individuais. Ela estabeleceria se a ferramenta atua como assistente ou como tomadora de decisões não reconhecida.
Recursos oferecem outra fonte de evidência. Se casos assistidos por IA produzirem mais recursos administrativos bem-sucedidos, essa tendência sugeriria que o sistema ou seu processo de revisão está retendo informações de forma ampla demais. As agências deveriam comparar esses resultados com casos revisados convencionalmente.
Os tribunais acabarão desempenhando um papel. Litígios sob a FOIA frequentemente exigem que as agências expliquem a base das redações por meio de declarações ou de um índice Vaughn, documento que relaciona o material retido às isenções alegadas. Ferramentas automatizadas não reduzem esse ônus jurídico.
Se uma agência não consegue explicar por que a divulgação causaria dano sem fazer referência genérica a um modelo, sua justificativa deveria falhar. O governo continua responsável pela decisão final, independentemente de qual fornecedor tenha fornecido o software.
A supervisão de fornecedores é, portanto, parte da responsabilidade pública. Os contratos devem permitir testes pelo governo, preservar registros, documentar mudanças no modelo e impedir que registros sensíveis sejam reutilizados para treinamento não relacionado. As agências também devem entender se atualizações alteram o comportamento após um sistema entrar em produção.
A versão mais forte da redação governamental com IA ajudaria os funcionários a localizar possíveis sensibilidades, preservando ao mesmo tempo seu julgamento jurídico independente. A versão mais fraca transformaria a redação excessiva em um fluxo de trabalho repetível, com uma assinatura humana no fim.
O DHS descreveu a primeira versão. As evidências necessárias para distingui-la da segunda ainda não foram tornadas públicas.
Três Sinais Mostrarão se o Sistema Serve à Transparência
O próximo teste não é se o DHS implantará IA, mas se o departamento provará que a tecnologia divulga mais informações legais sem expor material protegido.
O primeiro sinal é a transparência operacional. O DHS deveria publicar uma descrição clara de quais categorias de solicitações usam recomendações automatizadas, quais modelos realizam o trabalho e quais isenções eles apoiam.
Essa descrição deveria separar o reconhecimento básico de padrões da classificação jurídica contextual. Localizar um número de identificação apresenta um risco diferente de avaliar discussões internas sobre políticas. Reuni-los sob um único rótulo de “IA” impediria uma análise significativa.
O departamento também deveria divulgar medidas agregadas de desempenho. As taxas de falsos positivos mostrarão com que frequência o sistema recomenda ocultar material que pode ser divulgado. As taxas de falsos negativos indicarão com que frequência ele deixa de identificar informações protegidas.
As taxas de substituição pelos revisores revelarão se os humanos exercem julgamento independente. Uma taxa próxima de zero poderia significar que a ferramenta é excepcionalmente precisa. Mais provavelmente, levantaria dúvidas sobre viés de automação, tempo limitado de revisão ou incentivos que desestimulam os funcionários a alterar sugestões.
O segundo sinal é a qualidade dos registros divulgados. O tempo de processamento deve cair, mas a divulgação não deve diminuir. Pesquisadores podem comparar a proporção de divulgações integrais, divulgações parciais e negativas completas antes e depois da implantação.
Essas categorias são imperfeitas. Uma palavra excluída e dez páginas de caixas-pretas podem ser contabilizadas como uma divulgação parcial. Portanto, o DHS deveria examinar a parcela de texto responsivo divulgada em amostras representativas de documentos.
Recursos administrativos fornecerão outra medida. Um aumento em contestações bem-sucedidas envolvendo redações assistidas por máquina enfraqueceria o argumento do departamento. Resultados de divulgação estáveis ou melhores, combinados com atrasos menores, apoiariam seu argumento de eficiência.
O terceiro sinal é uma responsabilização exigível. Os solicitantes precisam saber quando a automação influenciou materialmente uma resposta. As equipes responsáveis por recursos administrativos e os tribunais precisam de registros que mostrem como cada recomendação entrou na decisão final.
O Congresso, os inspetores-gerais e os Arquivos Nacionais devem examinar se o DHS aplica de forma independente o padrão de dano previsível depois que o modelo sinaliza uma passagem. Eles também devem avaliar os controles dos fornecedores, a segurança dos dados, as atualizações dos modelos e as proteções contra ciclos de retroalimentação.
Nenhuma dessas salvaguardas exige rejeitar a automação. Os escritórios de FOIA precisam de melhores ferramentas de busca, deduplicação, conversão de documentos e revisão. O acesso público não melhora quando documentos responsivos permanecem intocados em uma fila acumulada por anos.
No entanto, uma redação mais rápida não é o mesmo que uma divulgação mais rápida. A primeira remove informações. A segunda dá ao público acesso oportuno a tudo o que a lei permite.
Essa distinção deve orientar toda avaliação das redações de FOIA feitas com IA pelo DHS. O departamento pode validar sua abordagem publicando métodos de auditoria, métricas de erro, dados sobre substituições de decisões e resultados de divulgação antes e depois.
Jornalistas, pesquisadores, advogados e outros solicitantes devem acompanhar esses indicadores em vez de aceitar tempos de processamento menores como prova de sucesso. Eles também devem recorrer administrativamente quando uma agência oferecer explicações genéricas ou aparentar reter mais informações do que o necessário.
A IA pode ajudar a identificar a fronteira entre informações públicas e protegidas. Ela não deve deslocar silenciosamente essa fronteira em direção ao sigilo. A pergunta decisiva é simples: depois que o DHS acelerar o processo, os americanos receberão mais informações úteis ou apenas receberão suas páginas censuradas mais cedo?
