Quando o dado vira voto e a vira opinião pública
Nos últimos dias, a imprensa repercutiu novos levantamentos da AtlasIntel e do BTG/Nexus que reforçam a liderança do presidente Lula na disputa eleitoral contra Flávio Bolsonaro. Os números, amplamente divulgados, servem tanto para informar o eleitor quanto para alimentar narrativas políticas. Como profissional de tecnologia que há anos lida com modelagem de dados e sistemas preditivos, me incomoda ver esses números sendo tratados como fatos consumados, quando na verdade carregam consigo camadas complexas de tratamento estatístico e, cada vez mais, de inteligência artificial aplicada. Não se trata de questionar a veracidade dos institutos — AtlasIntel e BTG/Nexus possuem metodologias sérias —, mas de entender o que realmente está por trás dessas previsões e, principalmente, quais riscos corremos ao automatizar a leitura da opinião pública sem a devida curadoria técnica.
O papel silencioso da IA nas pesquisas eleitorais
A maioria das pessoas enxerga uma pesquisa eleitoral como um questionário aplicado a uma amostra da população, seguido de uma tabulação simples. A realidade, porém, é bem mais sofisticada. Institutos como a AtlasIntel utilizam modelos de machine learning para ajustar os pesos das respostas, corrigir vieses de não resposta e até mesmo estimar intenções de voto em segmentos com baixa representatividade amostral. Em outras palavras, há uma camada de inteligência artificial interpretando os dados brutos e projetando tendências. Isso não é necessariamente ruim — pelo contrário, pode aumentar a precisão quando bem calibrado. O problema começa quando esquecemos que esses modelos são treinados em dados históricos e, portanto, carregam vieses do passado para prever um futuro que pode ser radicalmente diferente.
Do ponto de vista da engenharia de software, toda modelagem preditiva envolve trade-offs entre viés e variância, entre overfitting e generalização. Uma pesquisa eleitoral que acertou as últimas três eleições pode ter sido calibrada exatamente para os cenários passados, mas falhar miseravelmente diante de um contexto novo — como uma crise econômica abrupta ou um fato político relevante de última hora. Já vi sistemas de recomendação em produtos digitais cometerem erros similares: o modelo aprendia padrões de consumo sazonais e, quando uma pandemia chegou, tudo que ele "sabia" virou ruído. O mesmo vale para pesquisas eleitorais baseadas em IA: o que funcionou em 2022 pode não funcionar em 2026, especialmente se a dinâmica de comunicação e o comportamento do eleitor mudarem significativamente.
Viés algorítmico e a falsa sensação de precisão
Outro ponto crítico é o viés de seleção embutido nos dados de treinamento. Quando um instituto coleta respostas predominantemente de um canal digital — como a AtlasIntel, que tem forte presença online —, há um viés intrínseco de acesso e familiaridade com tecnologia. O modelo pode aprender que determinado perfil socioeconômico é "mais propenso a votar em X", mas isso pode ser um artefato do próprio método de coleta, não uma verdade eleitoral. Em projetos de engenharia de dados que liderei, sempre insisti que a qualidade do modelo depende mais da representatividade da amostra do que da complexidade do algoritmo. Uma rede neural com milhões de parâmetros não corrige uma base que excluiu 30% da população-alvo.
Além disso, há o problema da falsa precisão. Quando uma pesquisa divulga que o candidato A tem 48,2% e o candidato B tem 41,7%, parece que existe uma diferença de 6,5 pontos percentuais muito bem medida. Na prática, a margem de erro de 2 a 3 pontos percentuais transforma esse cenário em um empate técnico ou uma vantagem incerta, dependendo de como os intervalos de confiança foram calculados. E a IA, quando aplicada sem transparência, pode produzir estimativas com precision decimals que enganam até mesmo analistas experientes. Já vi times de produto celebrarem um aumento de 0,3% em uma métrica de retenção, sem sequer verificar se a variação era estatisticamente significativa. O mesmo erro, em escala eleitoral, pode gerar manchetes enganosas e influenciar indevidamente a opinião pública.
Implicações práticas para engenheiros e cientistas de dados
Para quem trabalha com inteligência artificial aplicada, o caso das pesquisas eleitorais oferece lições valiosas. A primeira delas é que transparência metodológica não é opcional. Assim como em produtos digitais devemos documentar pipelines de dados e critérios de segmentação, institutos de pesquisa deveriam publicar — de forma acessível — como seus modelos de IA ajustam os pesos, quais variáveis foram utilizadas e qual a margem de erro real considerando os vieses do modelo. Do contrário, estamos diante de uma caixa-preta que gera números com aura de objetividade, mas que podem esconder decisões subjetivas de modelagem.
A segunda lição é sobre a necessidade de validação externa e cruzada. Em engenharia de software, temos o hábito (ou deveríamos ter) de rodar testes A/B, validar hipóteses com dados de holdout e nunca confiar em um único modelo. Nas pesquisas eleitorais, a comparação entre diferentes institutos — AtlasIntel, BTG/Nexus, Datafolha, Ipec — é saudável exatamente porque cada um utiliza metodologias distintas. Quando os resultados convergem, há maior confiança; quando divergem, é sinal de que algo na modelagem ou na coleta pode estar enviesado. O profissional de tecnologia que consome esses dados deve aplicar o mesmo ceticismo que usa ao avaliar métricas de produto: nenhum número deve ser interpretado isoladamente.
Riscos de uma automação cega da opinião pública
Um dos aspectos mais delicados dessa discussão é o potencial de a IA não apenas prever, mas também influenciar a opinião pública. Modelos preditivos que geram projeções de vitória de um candidato podem criar um efeito de "bandwagon" — eleitores indecisos tendem a apoiar quem parece estar vencendo. Se a IA for usada para produzir essas projeções de forma automatizada, sem o devido contraditório, corremos o risco de ter um loop de feedback onde o algoritmo cria a realidade que ele próprio mede. Isso não é ficção científica: já vimos casos em que algoritmos de recomendação em redes sociais amplificaram conteúdos políticos de forma descontrolada. Aplicar o mesmo raciocínio a pesquisas eleitorais é apenas uma questão de tempo, e a engenharia de software precisa estar preparada para lidar com essa responsabilidade.
Outro risco é a segurança dos dados. Pesquisas eleitorais cada vez mais dependem de dados digitais — cookies, geolocalização, comportamentos em redes sociais — para calibrar seus modelos. Esses dados são extremamente sensíveis e, se vazarem, podem expor preferências políticas individuais, algo que em muitos países é considerado dado pessoal de categoria especial. Em projetos de infraestrutura em nuvem que participei, aprendi que qualquer sistema que coleta dados pessoais precisa ter criptografia de ponta a ponta, controle de acesso granular e políticas claras de retenção. Não tenho certeza se todos os institutos de pesquisa que usam IA estão aplicando esses padrões, especialmente em um ambiente regulatório ainda em construção.
Perspectiva pessoal: o que esperar das próximas eleições
Na minha visão, a inteligência artificial aplicada a pesquisas eleitorais veio para ficar — e isso não é intrinsecamente negativo. O problema é a falta de maturidade na comunicação dos resultados e a ausência de uma cultura de validação rigorosa. Enquanto engenheiros, precisamos cobrar que os modelos sejam auditáveis, que os dados de treinamento sejam representativos e que as margens de erro incluam a incerteza do próprio algoritmo, não apenas a margem amostral clássica. Se os institutos de pesquisa adotarem boas práticas de engenharia de software — versionamento de modelos, testes de hipóteses, documentação transparente —, a IA pode de fato melhorar a precisão das previsões eleitorais. Caso contrário, estaremos apenas trocando um viés humano conhecido por um viés algorítmico opaco e potencialmente mais perigoso.
Para o leitor de tecnologia que acompanha o blog Satochi, minha recomendação é: leia pesquisas eleitorais com o mesmo olhar crítico que usa ao avaliar métricas de produto. Desconfie de números muito precisos, questione a metodologia, busque múltiplas fontes e, acima de tudo, lembre-se de que até o modelo mais sofisticado é apenas uma aproximação imperfeita da realidade. A política, felizmente, ainda é muito mais complexa do que qualquer equação.