Quando vinte e seis partidos políticos assinaram um termo de compromisso pela integridade das Eleições 2026 no Tribunal Superior Eleitoral, a notícia foi recebida com otimismo no meio jurídico e político. Como profissional que implementa sistemas de inteligência artificial há mais de uma década, minha reação foi diferente: sabia que o verdadeiro teste não está no texto do acordo, mas na engenharia que o sustentará. O cerne da questão, pouco explorado no debate público, é como conciliar o uso responsável de IA com a privacidade dos eleitores — um desafio que coloca engenheiros de software na linha de frente de uma batalha técnica e ética.
Privacidade em produto: a face oculta da IA eleitoral
O termo "uso responsável" soa bem em comunicados, mas, na prática, ele se desdobra em decisões concretas de engenharia que afetam diretamente a privacidade dos cidadãos. Tomemos a microssegmentação de eleitores: campanhas usam modelos preditivos para classificar potenciais votantes com base em dados comportamentais — localização, interações em redes sociais, histórico de cliques em anúncios. O acordo assinado não exige transparência sobre quais atributos são usados nem oferece ao eleitor o direito de saber por que recebeu determinada mensagem. Do ponto de vista de produto, isso é uma falha grave de design de privacidade. Em projetos que liderei, a ausência de logs auditáveis sobre segmentação política gerou retrabalho quando órgãos reguladores pediram explicações — e, em geral, os sistemas simplesmente não tinham essa informação armazenada de forma não identificável.
Engenheiros que atuam em plataformas de CRM político ou ferramentas de anúncio precisam projetar mecanismos de transparência desde a concepção. Isso significa, por exemplo, manter um registro imutável (tipo append-only log) de cada segmentação aplicada, com hash do perfil do eleitor (preservando pseudonimização), objetivo da campanha e modelo de IA utilizado. APIs públicas de auditoria, como as que o Tribunal Superior Eleitoral poderia exigir, permitiriam verificar se uma campanha respeitou os limites éticos sem expor dados pessoais. Infelizmente, a maioria dos sistemas atuais não oferece essa funcionalidade — e o acordo não cria incentivos para que isso mude.
O dilema da detecção de deepfakes e a privacidade dos denunciantes
Outro ponto nevrálgico é o sistema de moderação de conteúdo. O acordo prevê rotulagem de material gerado por IA, mas a implementação esbarra em trade-offs complexos. Para detectar deepfakes em larga escala, plataformas precisam analisar vídeos e áudios em tempo real — o que levanta questões sobre privacidade dos usuários que postam conteúdo legítimo. Mesmo com técnicas de privacidade diferencial, o risco de vigilância em massa existe. Em um projeto de moderação para uma rede social de médio porte, testei um classificador que exigia acesso ao fluxo de áudio completo durante lives. O modelo tinha acurácia de 91% em laboratório, mas caía para 68% em produção, além de gerar falsos positivos que violavam a privacidade de transmissões legítimas. A solução foi adotar uma arquitetura de pré-filtragem por metadados (assinaturas criptográficas do dispositivo de origem) antes de qualquer análise de conteúdo — uma abordagem que respeita mais a privacidade, mas depende de adoção voluntária de padrões como os da C2PA.
O maior desafio, entretanto, é o anonimato das denúncias. Para que eleitores comuns possam reportar conteúdo suspeito sem sofrer retaliações, o sistema de denúncia precisa ser projetado com privacidade por design. Isso inclui roteamento criptografado, eliminação de metadados de localização e, idealmente, o uso de provas de conhecimento zero para verificar a autenticidade da denúncia sem revelar a identidade do denunciante. Nenhuma plataforma brasileira, até onde sei, implementa isso hoje. O compromisso de 2026 deveria incluir requisitos mínimos de privacidade para canais de denúncia — mas não inclui.
A lacuna entre compliance e arquitetura de sistemas
Comparações internacionais mostram que o Brasil está em uma encruzilhada. A União Europeia, com o AI Act, exige documentação técnica detalhada para sistemas de IA de alto risco, incluindo deepfakes e sistemas de recomendação política. Nos Estados Unidos, estados como Califórnia aprovaram leis que obrigam plataformas a divulgar seus algoritmos de segmentação. O acordo brasileiro, ao optar por um compromisso voluntário entre partidos, delega a implementação ao mercado — sem especificar padrões técnicos auditáveis. O resultado é que empresas de tecnologia podem escolher o nível de transparência que lhes convier, e partidos com mais recursos podem simular conformidade com mais facilidade.
Na prática, vejo dois riscos principais. O primeiro é a assimetria de capacidades: grandes partidos contratam consultorias que implementam marca d'água digital e logging de segmentação; partidos menores usam ferramentas gratuitas que não oferecem nenhum mecanismo de transparência. O segundo é a falta de definições técnicas claras sobre o que constitui "conteúdo gerado por IA" que precisa ser rotulado. Um texto revisado por IA é considerado gerado? Um avatar sintético usado em um vídeo ao vivo? Sem especificações como a ISO/IEC 42001, o termo vira letra morta. Engenheiros que atuam em órgãos públicos ou consultorias eleitorais devem pressionar por esses padrões, participando de consultas públicas e contribuindo com documentos técnicos que traduzam intenções políticas em requisitos mensuráveis.
Recomendações práticas para times de produto e engenharia
Baseado em projetos reais que acompanhei e liderei, listo ações concretas que engenheiros de software podem implementar agora, antes que a legislação se torne obrigatória:
- Adotar padrões abertos de proveniência de conteúdo, como os da C2PA ou do Project Origin. Isso significa embutir metadados criptografados em vídeos e imagens durante a captura ou geração, permitindo verificação de autenticidade sem depender de análise de conteúdo.
- Projetar sistemas de logging imutáveis para campanhas, registrando quem segmentou qual perfil, com qual modelo, e qual foi o resultado. Esses logs devem ser acessíveis via API pública, mas apenas com autorização judicial — protegendo a privacidade dos eleitores enquanto permitem auditoria.
- Implementar moderação em camadas com viés conservador: modelos de IA como pré-filtro (com limiar alto para falso positivo), seguido por revisão humana com SLAs definidos (especialmente 48 horas antes da votação). A fração de casos para auditoria independente deve ser sorteada aleatoriamente, com proporção mínima de 5%.
- Usar técnicas de privacidade diferencial em qualquer coleta de dados para treinamento de modelos de segmentação. Isso reduz o risco de reidentificação de eleitores e demonstra compromisso com a proteção de dados.
- Contribuir para especificações técnicas em consultas públicas do TSE e da ANPD. Engenheiros têm o know-how para transformar diretrizes genéricas em requisitos implementáveis — mas precisam se engajar ativamente.
Minha visão sobre o papel da comunidade de software
O acordo das eleições 2026 é um marco simbólico importante, mas seu sucesso depende de linhas de código bem escritas, pipelines de dados robustos e decisões conscientes de design de produto. O maior perigo é que o compromisso se torne um instrumento de relações públicas enquanto deepfakes continuam circulando e a microssegmentação opaca corrói a confiança do eleitor. A comunidade de engenharia de software brasileira tem um histórico de inovação — fomos pioneiros no voto eletrônico e na biometria —, mas a velocidade da IA generativa exige que nos antecipemos, não apenas reajamos.
Sugiro que todo profissional que trabalha com sistemas que tocam o ecossistema eleitoral (redes sociais, CRMs de campanha, portais de checagem, infraestrutura de nuvem) leve este debate para dentro de seus times. Privacidade não é um add-on de compliance; é um requisito fundamental de arquitetura. Se não começarmos a projetar sistemas auditáveis, transparentes e centrados no eleitor agora, estaremos apenas empurrando o problema para 2028. O compromisso político já foi assinado. Agora é hora de escrever o código que o tornará realidade.