Quando abri o portal de notícias regional e me deparei com a agenda cultural de Campinas para a primeira semana de agosto — com Toquinho, Rodrigo Marques, Ana Cañas e CPM22 — minha primeira reação não foi de entusiasta cultural, mas de engenheiro. Ali, naquela listagem aparentemente despretensiosa de eventos, enxerguei um problema fascinante de ciência da computação: como transformar uma diversidade caótica de atrações em algo útil e relevante para cada leitor? O g1 fez o trabalho braçal de organizar as opções. Mas eu fico me perguntando: será que o próximo passo dessa curadoria é algorítmico?
Antes que você feche a aba pensando que este é mais um texto sobre a "revolução da IA", deixa eu esclarecer o recorte. O que me interessa aqui não é o trailer de novidade tecnológica, mas um problema concreto e nada glamouroso: como construir. Construir um sistema de recomendação de eventos culturais que funcione de verdade, para uma cidade média brasileira, com orçamento contido e sem depender de um exército de engenheiros. O caso de Campinas é perfeito porque concentra variáveis que todo engenheiro de produto deveria levar a sério: público heterogêneo, oferta fragmentada, dados esparsos e a eterna disputa entre o que é relevante e o que é comercialmente interessante.
Curadoria editorial não é um algoritmo — e isso é um problema
Há um abismo ingênuo entre quem acha que um modelo bem treinado substitui o editor cultural e quem acredita que curadoria humana é inegociável, portanto imune a tecnologia. Ambas as posições são preguiçosas. A curadoria editorial do g1 — que selecionou, priorizou e hierarquizou as atrações da semana — carrega um conhecimento que nenhum sistema de recomendação mainstream reproduz com facilidade: a intuição sobre o momento da cidade, a percepção de que CPM22 e Toquinho atendem públicos que raramente se cruzam, e a decisão editorial de que um evento ao ar livre gratuito pode ser mais relevante que um grande show pago.
Isso é sofisticação contextual. Modelos colaborativos clássicos, como o filtro colaborativo baseado em vizinhos próximos, operam na lógica de "pessoas parecidas com você gostaram disso". Não capturam o fato de que a agenda de uma metrópole do interior é um organismo vivo, sensível a clima, feriados, calendário escolar e até humor coletivo. A IA que se propõe a substituir o curador precisa resolver algo que até pouco tempo atrás era de domínio humano: a síntese de variáveis imperfeitas e qualitativas em uma única recomendação plausível.
Na prática, vale o pragmatismo. Implementar um sistema de recomendação para eventos locais não exige um modelo de linguagem de última geração. Exige desenhar um problema com clareza cirúrgica: o que estamos otimizando? Taxa de clique em anúncios? Presença física no evento? Satisfação do usuário após comparecer? Cada uma dessas métricas leva a um sistema completamente diferente. O erro arquitetural mais comum em plataformas regionais é replicar o design de uma big tech sem ajustar a métrica de sucesso ao contexto local.
O desafio do cold start e a esparsidade dos dados regionais
O primeiro problema que qualquer equipe enfrenta ao construir um recomendador de eventos em uma cidade como Campinas é o cold start. Novos eventos aparecem toda semana, com descrições pobres, sem histórico de interação, sem dados suficientes para qualquer modelo estatístico fazer um cálculo razoável. Um show do Toquinho apanhado em primeiro voo tem pouquíssima informação estruturada: artista, gênero musical, faixa de preço, local. É nesse ponto que os sistemas de recomendação baseados em conteúdo (content-based filtering) ganham força — mas somente se você resolver a extração de características de maneira robusta.
Não é uma tarefa triivial. Eventos culturais são descritos em linguagem natural, frequentemente ambígua. "Show acústico" pode significar gêneros completamente distintos dependendo do artista. "Atração para toda a família" é um rótulo útil para humanos, mas imprestável para um modelo semântico ingênuo. Por isso, em projetos que arquitetei, a construção de pipelines de feature extraction demandou mais esforço do que o treinamento do modelo em si. A lição é dura: a qualidade do sistema de recomendação está no dado de entrada, não na arquitetura do modelo. É o velho adágio do GIGO — garbage in, garbage out — levado ao extremo.
A esparsidade também é um osso duro de roer. Enquanto um e-commerce tem milhares de interações por item, um evento regional tem poucas dezenas de registros. Sessões de cinema, por exemplo, podem ser exibidas uma única vez no mês. A matriz de interação usuário-item é tão rarefeita que algoritmos tradicionais de matriz de fatorização patinam. Alternativas baseadas em pesos contextuais — como enfatizar hora do dia, dia da semana, proximidade geográfica — tendem a entregar resultados superiores nesse cenário, justamente porque não dependem exclusivamente do histórico de interações. A dimensão geográfica, aliás, costuma ser o fator mais subvalorizado e mais eficaz.
Construindo o pipeline: quando previsível é melhor do que inteligente
Se você está em uma posição de arquitetura ou engenharia, a tentação é optar por um modelo de aprendizado profundo, com embeddings e camadas de atenção. Minha recomendação é comedida: comece com um sistema híbridos assentado em regras determinísticas, com uma camada fina de aprendizado de máquina. Por quê? Porque em sistemas regionais, a explicabilidade é um requisito operacional. O editor cultural da região precisa explicar ao anunciante por que um evento específico foi recomendado com destaque. Um modelo interpretável — como uma regressão logística com alguns termos de interação — permite essa transparência. Um deep learning opaco gera desconfiança interna e atrito comercial.
Outro aprendizado que carrego de projetos reais: um bom sistema de eventos não depende só de recomendação, mas de recuperação e ranking. Primeiro, você recupera candidatos prováveis com base em filtros simples (localização, preço, data). Depois, você ordena esses candidatos com um modelo de escore fino. Esse pipeline de dois estágios é padrão em sistemas de busca, mas tende a ser negligenciado em plataformas de eventos. Muitas equipes pulam direto para o modelo de ranking, ignorando que o gargalo de eficiência está na primeira etapa. Em campanhas digitais de eventos urbanos, o que mais derruba a experiência do usuário não é a relevância do ranking — é a ausência de recuperação: eventos geograficamente próximos mas não recuperados pela busca.
Vale ainda o alerta sobre latência e orçamento de infraestrutura. Um sistema híbrido com regras pode rodar em um banco relacional simples com uma camada de cache em memória. Não há justificativa técnica para gastar com GPUs e serviços de machine learning gerenciados em um estágio inicial. O custo benefício é ridículo. A maturidade de um sistema desses vem com o tempo: primeiro, valida-se o fluxo de dados; depois, adiciona-se a camada de escore; finalmente, experimenta-se com modelos mais sofisticados. A maturidade tecnológica em produto digital não é atropelar etapas, é saber quando cada etapa é necessária.
Segurança, privacidade e enviesamento na recomendação cultural
Não posso encerrar a análise sem um alerta direto sobre os vieses. Sistemas de recomendação são notoriamente propensos a criar bolhas de filtro — e em um contexto cultural, isso é preocupante. Se uma parcela pequena e mais ativa de usuários domina as interações, o modelo tende a priorizar eventos de nicho em detrimento de manifestações populares. O resultado é sutil discriminação cultural: festivais de música erudita suburbanos podem ser invisibilizados porque não têm histórico de cliques dos usuários mais engajados. O engenheiro precisa lidar com isso de forma proativa, não reativa: injetar diversidade no ranking, aplicar regras de fairness e calibrar o modelo periodicamente com dados novos.
No front da privacidade, o recado é simples e direto: dado de localização e presença em eventos é dado sensível. Saber que um usuário frequenta eventos de um nicho específico pode levar a inferências sobre orientação política, religião ou até condição de saúde. Qualquer coleta precisa ser minimizada, documentada e tratada com os mesmos controles que você aplicaria a dados financeiros. É papel do engenheiro, não do jurídico, zelar por isso na fase de arquitetura do sistema. Tratamento anonimizado, agregação de dados, opt-in explícito para personalização — tudo isso é engenharia de responsabilidade básica, não complacência regulatória.
Há também o risco comercial disfarçado de feature: a recomendação de eventos que pagam mais por destaque, em detrimento da curadoria editorial. É a típica armadilha de monetização de curto prazo que destrói confiança no médio prazo. Ainda que a plataforma precise gerar receita, a transparência sobre o que é "patrocinado" e o que é "recomendado" não pode ser ofuscada pela arquitetura do sistema. Caso contrário, o produto perde a razão de existir.
O futuro da curadoria regional é híbrido — e a engenharia tem papel central
Aquela agenda cultural de Campinas divulgada pelo portal é, na prática, curadoria humana de qualidade. O manter ou evoluir? Há espaço para o modelo híbrido maduro: o editor define a moldura editorial — o conjunto de opções que consideram dignas de publicação — e a IA operacionaliza a entrega personalizada dentro dessa moldura. A IA em si não decide o que é arte ou cultura em uma cidade. Ela organiza a descoberta, tornando o acesso à pluralidade cultural da região mais eficiente e menos ruidosa. Isso não é revolução, é engenharia de produto aplicada com pragmatismo.
Minha experiência em infraestrutura, segurança e desenvolvimento me ensinou que o maior risco em projetos de IA não é técnico — é de expectativa. Times que acham que vão resolver a curadoria cultural de uma região com um único modelo pronto, sem trabalho de dados e sem parceria com editores humanos, estão fadados a resultados artificiais e pouco aderentes à realidade. E times que rejeitam a tecnologia por purismo — acreditando que máquina não entende cultura — perdem a chance de escalar uma experiência de qualidade, hoje limitada pelo tempo de um editor.
Fica, portanto, minha posição editorial clara: a curadoria humana é insubstituível como fonte — e insuficiente como escala. A IA aplicada pode e deve estender o alcance do editor, nunca substituí-lo em suas decisões fundamentais. O futuro da agenda cultural de Campinas, e de qualquer cidade do país com ambição digital, é o casamento sóbrio entre o julgamento editorial e a potência operacional dos algoritmos. Exige engenharia, sim. Mas também exige humildade intelectual. Os dois, juntos, são o que separa um bom sistema de recomendação de um que apenas recomenda.