Quando um governo agita o fantasma de 2011 para justificar a rejeição de novas medidas fiscais, e a oposição responde com promessas de alívio imediato, a arena política gera um tipo de ruído que frequentemente escapa a qualquer análise técnica. Mas se você está acostumado a tomar decisões baseadas em dados — como engenheiros de software e líderes de produto costumam fazer — talvez o debate português sobre "ajuda ou demagogia" lhe pareça estranhamente familiar: é o mesmo dilema que enfrentamos ao decidir se confiamos cegamente em um modelo preditivo ou se questionamos seus pressupostos.
A discussão sobre se as medidas de apoio aos portugueses são viáveis sem comprometer as contas públicas não é apenas um exercício político. Ela toca num ponto crucial para quem trabalha com inteligência artificial aplicada a sistemas críticos: até que ponto máquinas devem influenciar decisões que afetam milhões de pessoas, especialmente quando os dados históricos disponíveis refletem escolhas políticas e contextos econômicos que podem não se repetir?
Não se trata de um exercício teórico distante. Em Portugal, o debate reaparece com força porque o espaço orçamental é estreito e as propostas fiscais de partidos como PS e Chega geram reações imediatas do governo, que evoca a crise de 2011 como alerta. Para um profissional de tecnologia, a pergunta que deveria surgir não é "quem está certo", mas sim "como saberemos quem está certo antes que seja tarde demais?"
O viés do passado como única referência
Todo modelo de machine learning que pretenda prever o impacto de medidas fiscais se alimenta de dados históricos. Se você já treinou um modelo de regressão para prever demanda ou risco de churn, sabe que o maior erro que um engenheiro pode cometer é assumir que o futuro será uma repetição linear do passado. Em contextos macroeconômicos, esse erro é amplificado por ordens de magnitude.
O fantasma de 2011, agitado pelo governo português, é exatamente isso: uma tentativa de transformar um evento histórico específico — a crise da dívida soberana — em um preditor universal. Para um sistema de IA que fosse treinado apenas com dados do período pré-2011 e pós-2011, a saída mais provável seria recomendar austeridade. Mas isso ignora que as condições de 2025 são estruturalmente diferentes: taxas de juro, nível de endividamento, dinâmica demográfica e integração europeia mudaram.
Já liderei implementações de sistemas preditivos para alocação de recursos em infraestrutura de nuvem, onde o custo de uma previsão errada é calculado em centavos por instância. Quando o custo do erro é o bem-estar de uma população, o nível de escrutínio precisa ser radicalmente maior. Infelizmente, muitos projetos governamentais de IA para políticas públicas ainda tratam o viés histórico como um detalhe menor.
O paradoxo da transparência em modelos de Estado
Um dos argumentos mais fortes contra o uso de IA para tomada de decisão orçamental é a falta de transparência. Não estou falando apenas do clássico "caixa-preta" dos modelos deep learning, que ninguém consegue interpretar. Refiro-me à transparência sobre os dados de treino, os pesos atribuídos a cada variável e os trade-offs explícitos que um modelo precisa fazer.
No mundo do desenvolvimento de software, quando construímos um pipeline de dados para um sistema financeiro, temos a obrigação de auditar cada transformação. Se um dado é descartado, precisamos justificar por quê. Se um peso é ajustado manualmente, documentamos. Em projetos de governo, esse nível de rigor raramente existe. Pior: muitas vezes os modelos são desenvolvidos por consultorias externas que tratam os algoritmos como propriedade intelectual.
O debate em Portugal ilustra bem esse problema. Quando um partido propõe redução de impostos e o outro contra-ataca com projeções de desequilíbrio fiscal, quem auditou o modelo que gerou essas projeções? Qual é a margem de erro? Quais cenários alternativos foram testados? Na prática, o que temos não é um debate baseado em evidências, mas uma guerra de números onde cada lado escolhe o próprio modelo.
Para um engenheiro de software, isso é inaceitável. Se você trabalha com infraestrutura crítica, sabe que não se implanta um sistema sem testes de estresse, sem fallback e sem monitoramento em tempo real. Por que aceitaríamos menos quando o sistema em questão determina se famílias terão ou não poder de compra no fim do mês?
O falso dilema entre automação e intuição humana
Há uma corrente de pensamento que defende que modelos de IA são superiores a decisões humanas por eliminarem o viés político e as paixões momentâneas. Essa visão ingênua não resiste a cinco minutos de análise de qualquer sistema real. O viés não é eliminado; ele é transferido para a etapa de design do modelo, para a seleção de features e para a definição das funções de custo.
No caso das medidas fiscais portuguesas, um modelo que maximize o superávit primário pode parecer tecnicamente sólido, mas ignora deliberadamente o custo social do desemprego e da pobreza. Por outro lado, um modelo que minimize a taxa de pobreza pode gerar déficits insustentáveis. A escolha entre esses objetivos não é técnica — é política. E delegar essa escolha a um algoritmo sem debate público é um erro ético grave.
Já vi situações semelhantes em empresas de tecnologia. Um sistema de recomendação de preços que maximiza a margem de lucro pode parecer ideal até que se descubra que ele está penalizando clientes de baixa renda. A diferença é que, na iniciativa privada, há um dono que pode intervir. No setor público, o "dono" somos todos nós, e a intervenção depende de processos democráticos que a IA sozinha não consegue substituir.
Quando a IA se torna ferramenta de demagogia digital
O que me preocupa profundamente como profissional de tecnologia é o potencial de a IA ser usada não para informar o debate, mas para manipulá-lo. Partidos e governos podem encomendar modelos cujos resultados favoreçam suas posições políticas, usando o verniz de "neutralidade técnica" para justificar decisões controversas.
Pense no cenário: um governo contrata uma consultoria para desenvolver um modelo que simule o impacto de propostas da oposição. O modelo é calibrado com premissas conservadoras sobre crescimento econômico e arrecadação. O resultado mostra déficit, e o governo usa esse resultado para desqualificar a proposta adversária. Do outro lado, a oposição contrata outro modelo, com premissas otimistas, e apresenta cenários de prosperidade. Quem está certo? Tecnicamente, nenhum dos dois ou ambos, dependendo das premissas.
O problema é que o cidadão comum não tem capacidade técnica para auditar esses modelos. E o jornalismo tradicional, com raras exceções, também não. O que sobra é um debate público vazio, onde números e gráficos substituem argumentos, e a IA vira mais um instrumento de demagogia digital.
Não estou sugerindo que abandonemos o uso de modelos preditivos no setor público. Seria um retrocesso. Estou defendendo que todo modelo usado para fundamentar políticas públicas deve ser: (1) aberto e auditável, (2) treinado com dados disponíveis publicamente, (3) documentado com todas as premissas explicitadas e (4) testado contra múltiplos cenários alternativos.
O que Portugal (e qualquer país) deveria fazer
Se eu pudesse recomendar uma abordagem técnica para o dilema português — e para qualquer governo que enfrente desafios similares — seria a implementação de um sistema de modelagem orçamental que funcione como um sandbox público. Em vez de cada partido ou grupo de interesse apresentar seu próprio modelo opaco, o governo deveria disponibilizar uma plataforma aberta onde qualquer cidadão ou instituição pudesse rodar simulações baseadas em um conjunto comum de dados oficiais.
Isso não é ficção científica. Existem iniciativas como o Congressional Budget Office (CBO) nos Estados Unidos, que utiliza modelos abertos para estimar impactos de propostas legislativas. O diferencial que proponho é levar isso para o próximo nível: dados abertos, modelos versionados em repositórios públicos e resultados replicáveis.
Para um profissional de infraestrutura em nuvem, isso significa arquitetar sistemas que suportem múltiplos tenants, com isolamento adequado, controle de versão de modelos e trilhas de auditoria completas. Para um especialista em segurança, significa garantir que os dados não sejam adulterados e que os resultados sejam imutáveis. Para um engenheiro de software, significa construir interfaces que permitam a qualquer cidadão entender, mesmo sem conhecimento técnico, quais premissas estão sendo usadas.
É um projeto ambicioso, mas factível. E muito mais útil do que gastar energia debatendo se um discurso é ajuda ou demagogia, enquanto continuamos a tomar decisões baseadas em modelos que ninguém auditou.
O aprendizado que fica para quem constrói tecnologia
A discussão sobre as medidas fiscais em Portugal me fez refletir sobre como nós, profissionais de tecnologia, muitas vezes nos refugiamos no tecnicismo para evitar debates incômodos. Dizemos "o modelo mostra X" como se aquilo fosse uma verdade revelada, e não uma dentre infinitas possibilidades de interpretação do mundo real.
Todo engenheiro que já trabalhou com dados sabe que o maior desafio não é treinar o modelo, mas definir o que será modelado e quais métricas de sucesso serão adotadas. No setor público, essa definição é inerentemente política. Ignorar isso é condenar nossos sistemas a serem irrelevantes quando mais precisamos deles — ou, pior, a serem ferramentas de manipulação disfarçadas de objetividade.
O debate em Portugal não precisa de um modelo de IA para ser resolvido. Precisa de transparência, de diálogo democrático e de responsabilidade fiscal. A IA pode ajudar, desde que colocada no lugar certo: como instrumento de simulação e esclarecimento, não como juiz final de disputas políticas.
No fim das contas, a pergunta não é se devemos usar IA para decidir políticas fiscais. A pergunta é se estamos dispostos a aceitar os riscos de não a usar com responsabilidade. E, infelizmente, a resposta até agora tem sido que estamos mais confortáveis com alarmes falsos e profecias autorrealizáveis do que com o trabalho duro de construir modelos que realmente informem sem enganar.