As campanhas eleitorais brasileiras estão vivendo uma transformação silenciosa, mas acelerada. Ferramentas de inteligência artificial, combinadas com CRM político, dados territoriais e automação de comunicação, deixaram de ser promessas de futuro para se tornar o motor operacional de candidaturas em 2026. O que poucos discutem com a profundidade necessária é o preço que estamos pagando — em termos de privacidade e segurança — por essa eficiência algorítmica.
Diante de novas resoluções do Tribunal Superior Eleitoral (TSE) e da vigência plena da LGPD, as plataformas que oferecem esses serviços se apressam em declarar conformidade. Mas a conformidade documental nem sempre reflete a conformidade real no tratamento de dados pessoais, especialmente quando falamos de dados sensíveis como orientação política, localização domiciliar e padrões de consumo de informação. A questão central não é se a IA pode ser usada, mas sim como garantir que o uso respeite os limites legais e éticos em um ambiente historicamente opaco.
O que muda com a IA nas campanhas
Diferente de campanhas anteriores, onde a segmentação se baseava em amostras demográficas e pesquisas de intenção de voto, os sistemas atuais operam com granularidade quase individual. Modelos preditivos consomem dados de múltiplas fontes: cadastros públicos, interações em redes sociais, histórico de participação em eventos, dados de localização via aplicativos de campanha e até informações de consumo de serviços públicos. O CRM político moderno não apenas registra contatos — ele constrói perfis psicográficos e comportamentais para sugerir o melhor canal, horário e tom de mensagem para cada eleitor.
Esse nível de personalização exige, por definição, um volume enorme de dados pessoais. E aqui começa o primeiro trade-off: quanto mais precisa a segmentação, maior a superfície de exposição dos dados. Um modelo de IA treinado com dados de eleitores de uma região pode, inadvertidamente, aprender correlações espúrias que discriminam bairros, faixas etárias ou níveis de escolaridade. Isso não é apenas um problema ético — é uma violação potencial do artigo 5º da LGPD, que proíbe o tratamento para fins discriminatórios.
Na prática, o que observo em projetos de infraestrutura de dados para campanhas é uma corrida para coletar o máximo de informações possível antes mesmo de desenhar um plano de governança. A lógica é "coletamos agora, tratamos depois". Engana-se quem acredita que a LGPD impede a coleta — ela exige finalidade explícita e consentimento informado. Mas quantos eleitores realmente entendem que ao baixar o aplicativo de um candidato estão autorizando o uso de seus dados de localização, contatos e histórico de navegação para alimentar um modelo preditivo?
Privacidade por design em CRM político
Quando atuei na arquitetura de um sistema de gerenciamento de relacionamento com o eleitor (EMR, na sigla em inglês), aprendi que o maior erro é tratar a privacidade como uma camada adicional de conformidade, e não como requisito funcional desde a primeira linha de código. Uma abordagem de privacidade por design exige, por exemplo, que a coleta de dados seja mínima e estritamente necessária para a finalidade declarada. Se o objetivo é enviar materiais de campanha para um bairro específico, não faz sentido armazenar o nome completo ou o número de telefone de cada eleitor — um código hash anônimo vinculado apenas ao CEP seria suficiente para a maioria das operações logísticas.
Mas o negócio das plataformas de CRM político não é logístico — é preditivo. O valor comercial está justamente na capacidade de cruzar dados para gerar insights de comportamento eleitoral. Isso cria uma tensão estrutural entre o modelo de negócio e a proteção de dados. A única saída sustentável é o uso de técnicas de anonimização robustas, como a privacidade diferencial (differential privacy). Embora o conceito seja conhecido em teoria, sua implementação prática em sistemas de campanha ainda é rara. Os motivos são conhecidos: custo computacional adicional, perda de precisão nos modelos e complexidade operacional.
Outro ponto crítico é o compartilhamento de dados entre a campanha e fornecedores de infraestrutura em nuvem. Muitas plataformas utilizam serviços de AWS, Azure ou Google Cloud para processar os modelos de IA. Sem uma arquitetura de controle de acesso granular e criptografia em repouso e em trânsito, os dados dos eleitores ficam expostos a riscos de vazamento interno ou ataque externo. Já vi casos em que chaves de API para serviços de inteligência artificial foram armazenadas em variáveis de ambiente de servidores de desenvolvimento, sem qualquer política de rotação ou auditoria.
O consentimento na prática: entre a usabilidade e a legalidade
A LGPD exige que o consentimento para tratamento de dados sensíveis (como opinião política) seja "específico e em destaque". Na prática, isso significa que não basta um pop-up genérico. O eleitor precisa entender exatamente quais dados serão coletados, para que finalidade, por quanto tempo serão armazenados e com quem serão compartilhados. Nas implementações que analisei, a maioria dos aplicativos de campanha apresenta termos de uso longos e confusos, com o consentimento embutido em cláusulas de aceitação geral. Isso é uma violação clara dos princípios de transparência e responsabilização.
Além disso, o consentimento deve ser revogável a qualquer momento, com a mesma facilidade com que foi dado. Poucas plataformas oferecem um mecanismo simples para o eleitor excluir seus dados ou retirar o consentimento. Quando oferecem, o processo é enterrado em menus de configuração ou exige envio de e-mail para um endereço de suporte. Para o eleitor médio, que não tem familiaridade com LGPD, essa barreira é praticamente intransponível.
Há também o desafio técnico de sincronizar a revogação em todos os sistemas downstream: o modelo de IA que já foi treinado com os dados daquele eleitor não pode ser "retreinado" seletivamente sem custos enormes. A solução atual é manter um registro de consentimento e filtrar a saída do modelo para excluir predições baseadas naquele indivíduo — o que, na prática, é uma gambiarra que não elimina o dado do modelo, apenas mascara seu uso.
Riscos silenciosos e a responsabilidade dos times de produto
Além dos riscos legais e de reputação, há riscos operacionais que os engenheiros de software e arquitetos de produto precisam considerar. Um deles é o viés algorítmico amplificado por dados históricos de campanhas anteriores. Se uma plataforma treina seu modelo com dados de eleições passadas, onde determinados grupos foram menos abordados por campanhas (seja por desinteresse estratégico ou falta de dados), o modelo aprenderá a ignorar esses grupos novamente. Isso não só distorce a representatividade democrática como pode gerar acusações de discriminação indireta, com potenciais sanções eleitorais.
Outro risco é a segurança da informação. Plataformas de campanha frequentemente são desenvolvidas sob pressão de prazos apertados, com equipes reduzidas e sem passar por testes de penetração ou auditoria de código. Já detectei vulnerabilidades comuns como injeção de SQL em módulos de busca de eleitores, exposição de endpoints de API sem autenticação e armazenamento de senhas em texto plano em bancos de dados de staging. Para um adversário político ou um grupo de hacktivistas, um vazamento de dados de campanha seria um prêmio enorme — e o dano pode ir muito além de uma multa da ANPD.
Para os profissionais de tecnologia que atuam nesse ecossistema, a recomendação é clara: exija cláusulas contratuais que delimitem responsabilidades sobre o tratamento de dados, realize due diligence técnica nos fornecedores de IA e CRM, e implemente processos de privacy review antes de cada release. Se a liderança da campanha não enxergar valor nisso, é seu papel explicar que o custo de um incidente de privacidade pode superar em muito o investimento em segurança.
Uma visão pessoal sobre o caminho adiante
Acredito que a tecnologia tem um papel legítimo e positivo em aproximar candidatos e eleitores, especialmente em um país de dimensões continentais como o Brasil. Mas a forma como estamos adotando IA nas campanhas repete os mesmos erros das plataformas de redes sociais: priorizar a eficiência da máquina em detrimento dos direitos do cidadão. A diferença é que, no contexto eleitoral, o risco não é apenas comercial — é democrático.
Não se trata de demonizar o uso de inteligência artificial, mas de exigir que ele seja feito com responsabilidade. Isso significa investir em infraestrutura de dados segura, em modelos auditáveis e transparentes, e em mecanismos de consentimento que realmente empoderem o eleitor. Significa também que os órgãos reguladores, como o TSE e a ANPD, precisam ir além de resoluções genéricas e criar guias técnicos específicos para o uso de IA em campanhas — algo que ainda não temos.
Para os colegas engenheiros e arquitetos de software que estão construindo essas plataformas, deixo um convite: não se contentem com a conformidade de papel. Questionem a finalidade de cada dado coletado, exijam que o modelo de IA seja testado quanto a vieses, e implementem logs de auditoria que permitam rastrear quem acessou o quê e quando. O código que escrevemos hoje moldará a confiança do eleitor nas urnas de amanhã.