Você já parou para pensar como a inteligência artificial está moldando o que você vê sobre política nas redes sociais? A crise no Supremo Tribunal Federal (STF) que sacudiu Brasília nos últimos dias não é apenas um fenômeno jurídico — é também um laboratório vivo de como algoritmos podem redirecionar a atenção de milhões de eleitores. Segundo reportagem da BBC, o pesquisador Renato Meirelles apontou que a crise pode trazer o eleitor evangélico de volta para Flávio Bolsonaro, com a campanha transformando o episódio em uma “cruzada”. Atrás dessa narrativa há uma operação de dados que merece ser dissecada com olhar técnico.
IA aplicada à segmentação política: o que está em jogo
Quando falamos de inteligência artificial aplicada a campanhas eleitorais, o core é quase sempre segmentação preditiva. Modelos de machine learning — desde regressão logística até redes neurais profundas — são alimentados com dezenas de variáveis: localização geográfica, histórico de voto, religião autodeclarada, consumo de mídia, engajamento em redes sociais e até dados de crédito. O objetivo é identificar clusters de eleitores que reagem a estímulos específicos, como uma crise institucional.
No caso do eleitor evangélico, os algoritmos aprendem que temas de autoridade moral, família e enfrentamento a instituições vistas como “progressistas” geram maior taxa de conversão (seja em cliques, compartilhamentos ou intenção de voto). Uma crise como a do STF se encaixa perfeitamente nesse perfil. O sistema de recomendação das plataformas — YouTube, Instagram, Facebook — amplifica organicamente conteúdos que associam a crise à perseguição religiosa, criando uma bolha que retroalimenta a narrativa da “cruzada”.
Segmentação granular e o “efeito crise”
Do ponto de vista técnico, a segmentação que observamos hoje vai muito além de “evangélicos”. Ela opera em nível de microtargeting: eleitores que frequentam determinadas igrejas, que interagem com pastores específicos, que compartilham versículos com frequência. Ferramentas como lookalike audiences do Facebook permitem encontrar perfis semelhantes a partir de uma semente inicial. Quando uma crise estoura, os modelos de propensão são re-treinados em tempo real — a cada postagem, a cada compartilhamento, o peso das features muda.
Em projetos de infraestrutura de dados que já liderei para sistemas de recomendação, vi como a inclusão de uma única feature temporal — como “horas desde o início de uma crise” — pode dobrar a acurácia preditiva. O mesmo acontece aqui. A campanha de Flávio Bolsonaro, consciente ou não, está surfando em um modelo que detecta que a probabilidade de um evangélico se engajar sobe drasticamente quando a narrativa da crise é enquadrada como guerra espiritual. Não é bruxaria — é engenharia de features bem feita.
Análise de sentimentos e monitoramento em tempo real
Outro componente crítico é a análise de sentimentos. Sistemas baseados em BERT ou modelos Transformer (como o RoBERTa) são treinados em grandes corpora de tweets e comentários para classificar emoções: raiva, medo, esperança, indignação. Uma crise institucional gera picos de raiva e medo. O algoritmo, então, recomenda conteúdo que valide essas emoções — vídeos de parlamentares atacando o STF, pregações que associam a crise ao Apocalipse, memes que ridicularizam ministros.
Já implementei pipelines de processamento de linguagem natural (NLP) para monitorar marcas em tempo real. O desafio é o volume — milhões de postagens por hora — e a latência. Para campanhas políticas, a janela de oportunidade é de minutos. Quem consegue treinar um classificador rápido — mesmo que menos preciso — e disparar anúncios ou posts orgânicos nessa janela, domina a narrativa. A crise do STF, com seu vai e vem de decisões, fornece matérias-prima ideal para esse tipo de operação.
Riscos éticos e de segurança: o lado negro da segmentação
Como profissional de segurança da informação, não posso deixar de destacar os riscos. A coleta de dados religiosos, mesmo que inferidos, cai sob a LGPD como dado sensível. Muitas campanhas operam em zona cinzenta: usam dados públicos de redes sociais para inferir religião, mas não informam o usuário. Além disso, a segmentação pode levar a deep fakes personalizados — imagine um áudio falso de um ministro do STF falando algo que nunca disse, direcionado exatamente para grupos evangélicos em horários de pico de oração.
Outro risco estrutural é o viés de confirmação. Modelos treinados para maximizar engajamento tendem a radicalizar posições. Já vi sistemas de recomendação de vídeos que, em menos de três cliques, levam um espectador neutro a consumir conteúdo conspiratório. Em um contexto de crise, isso acelera a polarização e dificulta o diálogo democrático. Para engenheiros de software, isso significa que a métrica de sucesso não pode ser apenas “engajamento” — precisamos incluir indicadores de saúde informacional.
Implicações práticas para quem trabalha com tecnologia
Para profissionais de engenharia de software e produto, a lição é clara: algoritmos não são neutros. Ao projetar um sistema de recomendação para qualquer plataforma, você está, de fato, desenhando o campo de batalha da opinião pública. Isso exige transparência algorítmica — explicar por que um conteúdo foi recomendado — e mecanismos de auditoria, como logs de decisão que permitam rastrear vieses.
Do ponto de vista de infraestrutura, um sistema de segmentação política precisa ser escalável e resiliente. Imagine o pico de tráfego no dia seguinte a uma decisão polêmica do STF. Se seus servidores caírem, quem perde a narrativa é seu candidato. Já arquitetei ambientes em cloud que precisavam suportar vazão 10x maior em eventos imprevistos — e a lição é que auto-scaling baseado em métricas de rede social (como trending topics) funciona melhor que previsões fixas.
Recomendações editoriais e técnicas
Para o profissional que atua na interseção entre tecnologia e política, minha recomendação é dupla. Primeiro, invista em governança de dados: colete apenas o necessário, anonimize sempre que possível e documente todos os modelos. Segundo, pense em contramedidas algorítmicas: sistemas que identifiquem e sinalizem conteúdo manipulado ou polarizante. Não se trata de censura, mas de responsabilidade técnica.
A crise do STF, com sua capacidade de movimentar o eleitor evangélico, é mais um capítulo de como a inteligência artificial se tornou a principal ferramenta de campanha — para o bem e para o mal. A diferença entre uma democracia saudável e uma bolha autoritária pode estar no design de um modelo de machine learning. Como engenheiros, temos a obrigação de entender e moldar esse impacto.