O Caso Que Deveria Nos Incomodar (E Ensinar)
Em julho de 2020, durante o governo Trump, o Departamento de Justiça dos Estados Unidos contratou quatro empresas privadas com a missão específica de localizar e cobrar dívidas de migrantes que já haviam sido deportados. O valor total das multas, impostas por infrações migratórias, gira em torno de R$ 2,15 bilhões (cerca de US$ 400 milhões). O alvo são pessoas no México, Honduras e Guatemala. Não se trata de um caso de ficção científica ou de um filme de vigilância distópico. É um projeto real, com orçamento, contratos e, provavelmente, uma plataforma tecnológica complexa para dar suporte a essa operação.
Para quem trabalha com engenharia de software, inteligência artificial e infraestrutura em nuvem, este caso oferece um estudo de caso riquíssimo — e perturbador. Ele não se resume a uma questão política ou humanitária. É, acima de tudo, um exercício de engenharia de dados em escala global, com todos os trade-offs de segurança, privacidade e ética que conhecemos. Ignorar o viés técnico por trás dessa história é um erro que profissionais de tecnologia não podem cometer.
O Que Significa Rastrear Milhares de Pessoas em Três países? Um Problema de Infraestrutura
Vamos abstrair a questão moral por um momento e focar no desafio técnico. Quando uma empresa é contratada para "localizar" um indivíduo em um país estrangeiro, não se trata de enviar um detetive de chapéu e sobretudo. Estamos falando de um ecossistema de dados que precisa ser orquestrado. As plataformas de cobrança modernas dependem de: integração com bases de dados governamentais (vistos, passagens aéreas, registros de entrada e saída); cruzamento de informações biométricas (fotos, digitais); rastreamento de geolocalização via celular; análise preditiva de comportamento; e automação de comunicações (SMS, e-mail, bots).
A partir da minha experiência em infraestrutura, o primeiro ponto que salta aos olhos é a complexidade de montar um sistema que opere em múltiplas jurisdições, com soberania de dados diferente. Armazenar dados de cidadãos hondurenhos, guatemaltecos e mexicanos em servidores nos EUA ou em nuvem pública? E a Lei de Proteção de Dados mexicana (LFPDPPP)? E o GDPR europeu aplicado a empresas que têm cidadãos da UE? O desafio de engenharia aqui não é trivial. Exige um design de arquitetura que segmente dados, que garanta que a consulta não viole leis locais e que, ao mesmo tempo, mantenha baixa latência para operações transacionais (cobrança em tempo real, por exemplo).
Automação da Cobrança: Trade-offs Entre Eficiência e Omissão
Qualquer engenheiro que já implementou um sistema de cobrança sabe que a automação é um pesadelo quando o cliente não quer pagar. Agora imagine que o devedor está em outro país, com outro idioma, outra moeda e nenhum vínculo com o sistema financeiro americano. As empresas contratadas provavelmente usaram algoritmos de machine learning para prever a probabilidade de pagamento com base em dados de renda familiar, histórico de emprego nos EUA e até padrões de migração. Isso é, essencialmente, um modelo de risco de crédito — mas com um viés geopolítico embutido.
O maior trade-off aqui é entre a acurácia preditiva e a privacidade. Para aumentar a taxa de recuperação (collections rate), o sistema precisa de mais variáveis. Quanto mais dados sobre o comportamento do migrante — localização, contatos, atividades online — mais eficiente é a cobrança. No entanto, cada variável adicional é uma violação de privacidade e um vetor de ataque de segurança. Se uma dessas plataformas for comprometida por um agente malicioso, a exposição não é só de números de cartão de crédito, mas de padrões de vida, rotas de fuga e vulnerabilidades humanas. Isso é um cenário de segurança da informação de nível crítico.
A Perspectiva de Segurança: Quando o Alvo São Pessoas Vulneráveis
Do ponto de vista de segurança, este tipo de plataforma é um sonho de consumo para atores estatais e não-estatais. Uma base de dados centralizada com informações de milhares de indivíduos que foram deportados — muitos dos quais podem ter sido testemunhas, vítimas de tráfico ou cooperadores em investigações — é um alvo de altíssimo valor. Se um país hostil conseguir esses dados, ele não só pode chantagear as pessoas, como também pode mapear redes de migração e inteligência.
Durante minha atuação em projetos de infraestrutura em nuvem para clientes governamentais, aprendi que a maior falha não está na tecnologia, mas no modelo de governança. Quem tem acesso aos dados? Como são feitos os logs de consulta? Existe um comitê de ética ou revisão judicial periódica? As quatro empresas contratadas pelo governo Trump muito provavelmente operam com níveis de maturidade de segurança muito variados. Uma delas pode ter certificação ISO 27001 e fazer pentests regulares; outra pode ser uma startup usando um banco de dados MySQL em uma VPS compartilhada. O risco de exposição é enorme.
O Papel da Inteligência Artificial na Localização
É improvável que as empresas estejam usando apenas métodos manuais de cobrança. O machine learning para geolocalização e análise de redes sociais é uma ferramenta padrão para agências de cobrança nos EUA. Sistemas de IA conseguem, por exemplo, analisar fotos postadas por parentes no Facebook para inferir a localização de um migrante deportado. Ou monitorar mudanças em perfis de WhatsApp para identificar quando alguém mudou de cidade. É um uso de tecnologia de vigilância que, aplicado a cidadãos americanos, seria considerado inconstitucional.
O ponto mais perturbador para qualquer profissional de engenharia de software é a constatação de que essas técnicas são as mesmas que usamos para sistemas de recomendação (collaborative filtering) ou para detecção de fraudes em e-commerce. O mesmo algoritmo que sugere um filme na Netflix pode, com ajustes nos pesos, sugerir um endereço onde cobrar uma dívida. A diferença não está no código, mas no contexto de aplicação. E isso é um alerta para quem trabalha com produtos digitais: a neutralidade da tecnologia é um mito. O que você constrói pode ser usado para o bem ou para o mal, dependendo de quem está no comando dos parâmetros.
Lições Para a Nossa Realidade
No Brasil, a utilização de dados para cobrança de dívidas é uma prática regulada pela Lei Geral de Proteção de Dados (LGPD). Mas o caso americano nos mostra que, quando o devedor está fora da jurisdição, as regras do jogo mudam. Para profissionais de infraestrutura, isso significa que, ao projetar sistemas que processam dados internacionais, é obrigatório incorporar controles de consentimento e portabilidade muito mais rigorosos. Em nuvem pública, por exemplo, é comum oferecer a opção de armazenar dados apenas na região de origem (data residency). Mas, para uma operação de rastreio global, essa opção é inviável. O trade-off é entre performance e compliance.
Outro ponto crítico é a resiliência do sistema. Essas plataformas de cobrança precisam estar online 99,9% do tempo para não perder taxas de recuperação. Mas, ao mesmo tempo, precisam ser derrubadas imediatamente se um mandado de segurança ou uma decisão judicial exigir. Como fazer isso sem quebrar a arquitetura? A resposta passa por design de sistemas com apagões seletivos (em cache e em banco de dados), algo que poucas empresas dominam bem.
O Futuro do Trabalho e a Zona Cinzenta da Automação
O que aprendi analisando casos como este é que o mercado de trabalho em segurança e engenharia de software está cada vez mais inserido em zonas cinzentas. O profissional que desenvolve um sistema de cobrança para deportados não é um vilão; é alguém que resolveu um problema complexo de integração de APIs, modelagem de dados e deploy em produção. Mas ele carrega a responsabilidade de saber para que serve aquele código.
No CurriculoIA, discutimos muito sobre as hard skills necessárias para o futuro. Mas a habilidade mais subestimada é a de questionar o propósito. A infraestrutura em nuvem permite escalar qualquer operação. A inteligência artificial permite encontrar qualquer pessoa. A segurança impede que os dados vazem. A pergunta que fica é: devemos fazer isso só porque podemos?
Eu não tenho uma resposta moralista para dar. Mas tenho uma lição prática: antes de aceitar um contrato ou um projeto, faça a engenharia reversa do impacto social dele. Você pode ser o engenheiro que construiu a ponte — ou o que construiu o canhão. Ambos usam o mesmo concreto.