Em meados de 2025, o Tribunal Superior Eleitoral (TSE) e a Advocacia-Geral da União (AGU) anunciaram a elaboração de um guia de orientação para o uso de inteligência artificial nas eleições de 2026. A notícia, veiculada pelo Estadão Conteúdo, não é apenas mais um movimento regulatório: ela sinaliza um reconhecimento explícito de que a IA já não é um tema periférico na política, mas sim uma força capaz de distorcer o processo democrático em escala industrial. Como engenheiro de software com mais de uma década lidando com sistemas distribuídos e IA aplicada, enxergo nesse anúncio um convite — e um alerta — para que a comunidade técnica se envolva ativamente na construção das soluções que darão concretude a essas diretrizes.
O guia, que ainda está em fase de concepção, promete abordar temas como deepfakes, propaganda eleitoral automatizada e transparência algorítmica. A intenção é louvável, mas o diabo, como sempre, está nos detalhes da implementação. Regulamentar IA não é como escrever uma lei de trânsito; é mais próximo de tentar legislar sobre a física quântica enquanto ela ainda está sendo descoberta. A tecnologia avança mais rápido que o papel, e o desafio real será transformar boas intenções em sistemas auditáveis, escaláveis e justos. Neste artigo, vou explorar os principais gargalos técnicos que engenheiros precisarão enfrentar para que o guia não se torne mais uma declaração de boas intenções sem efeito prático.
Detecção de deepfakes: uma corrida armamentista técnica
Um dos pilares do guia será certamente a identificação de conteúdos sintéticos — vídeos, áudios e imagens gerados por IA que podem simular candidatos ou fatos inverídicos. Do ponto de vista de engenharia, detectar deepfakes é um problema de classificação binária em um cenário adversarial. Os modelos de detecção atuais, baseados em redes neurais convolucionais ou transformers, atingem acurácia razoável em ambientes controlados, mas caem drasticamente quando enfrentam conteúdos produzidos por geradores mais recentes, como o Sora ou o Voice Engine. A cada nova versão de um gerador, os classificadores precisam ser retreinados, e o ciclo de atualização pode ser de semanas, enquanto a disseminação de um deepfake nocivo ocorre em horas. Além disso, o trade-off entre falsos positivos e falsos negativos é particularmente espinhoso: bloquear um conteúdo legítimo de campanha pode gerar acusações de censura, enquanto deixar passar um deepfake pode comprometer a integridade do pleito. Em sistemas que já implementei para moderação de conteúdo em plataformas de mídia, a abordagem mais eficaz foi combinar múltiplos detectores (um para artefatos de compressão, outro para inconsistências temporais) com um pipeline de revisão humana, mas isso escala mal para milhões de postagens diárias.
Uma alternativa que vem ganhando força é a marca d'água digital (watermarking) no momento da geração, como o padrão C2PA (Coalition for Content Provenance and Authenticity). Se todo conteúdo gerado por IA carregasse metadados criptográficos atestando sua origem, a detecção reativa perderia relevância. No entanto, a adoção desse padrão depende de que as ferramentas de criação — como o Stable Diffusion ou o ChatGPT — incorporem o rastreamento de forma obrigatória. Nos EUA, a ordem executiva de 2023 sobre IA já incentiva essa prática, mas no Brasil ainda não há uma exigência legal. O guia do TSE poderia recomendar que campanhas e plataformas adotem a C2PA, mas a implementação técnica exige alterações nos pipelines de renderização e armazenamento, o que não é trivial para sistemas legados.
Transparência algorítmica e o desafio da auditoria
Outro ponto central do guia será a transparência dos algoritmos usados por campanhas para microtargeting e recomendação de conteúdo. Quando um partido usa um modelo de IA para segmentar eleitores e personalizar mensagens, como garantir que esse modelo não está praticando discriminação ou manipulando emoções de forma ilícita? A auditoria de modelos é um campo em amadurecimento, mas ainda carece de ferramentas padronizadas. Técnicas como SHAP e LIME permitem explicar predições individuais, mas são computacionalmente caras e não escalam para modelos com bilhões de parâmetros. Além disso, exigir que campanhas abram seus modelos para inspeção esbarra em segredos comerciais e na proteção de dados dos eleitores — um dilema entre transparência e privacidade.
Na prática, a solução mais viável hoje é a auditoria por meio de testes de caixa-preta: submeter entradas controladas ao modelo e observar as saídas, verificando se há vieses ou comportamentos proibidos. Mas isso requer que as plataformas que hospedam esses modelos (como Meta ou Google) forneçam APIs de auditoria ou ambientes de teste. O guia poderia estabelecer requisitos mínimos de auditabilidade, como a obrigatoriedade de registrar logs de decisões e disponibilizar um endpoint de inferência para órgãos fiscalizadores. Como engenheiro, sei que expor um endpoint de inferência é simples, mas garantir que ele não seja usado para engenharia reversa do modelo é um problema de segurança complexo. Técnicas como differential privacy e provas de conhecimento zero podem ajudar, mas ainda são experimentais em produção.
Escalabilidade e moderação em tempo real
Durante o período eleitoral, o volume de conteúdo gerado em plataformas como YouTube, TikTok, X (Twitter) e WhatsApp é da ordem de milhões de postagens por hora. Moderar esse fluxo com IA exige sistemas de processamento de streams em tempo real, com baixa latência e alta disponibilidade. Arquiteturas baseadas em Apache Kafka, Spark Streaming ou Flink são comuns, mas o custo computacional de executar modelos de detecção de deepfakes em cada frame de vídeo ou em cada áudio é proibitivo. Em projetos de moderação que liderei, a estratégia foi usar um modelo leve de pré-triagem (por exemplo, um classificador de metadados ou de hash perceptual) para reduzir o volume que passa pelo modelo pesado. Mesmo assim, o custo de infraestrutura em nuvem para cobrir uma eleição nacional pode chegar a milhões de reais.
Outro ponto crítico é a moderação de aplicativos de mensagens privadas, como WhatsApp. O ciframento de ponta a ponta impede que a plataforma analise o conteúdo das mensagens, o que torna impossível a detecção centralizada de deepfakes. O guia terá que lidar com essa limitação técnica: talvez incentivando a criação de canais de denúncia ou mecanismos de verificação no próprio cliente (como um classificador local no dispositivo). Mas isso levanta questões de privacidade e aceitação do usuário. A lição de 2024 na Índia, onde o WhatsApp foi usado para disseminar desinformação com IA, mostrou que a abordagem de moderação só funciona se combinada com educação midiática e ferramentas de fact-checking acessíveis.
O papel das plataformas e a responsabilidade compartilhada
As big techs já têm políticas de conteúdo para eleições, mas a existência de um guia oficial do TSE pode uniformizar as exigências. Do ponto de vista técnico, o guia poderia recomendar que as plataformas implementem APIs abertas para que órgãos eleitorais possam consultar metadados de conteúdo (como data de criação, origem, se foi modificado por IA). O padrão C2PA novamente é o candidato natural, mas sua adoção exige que as plataformas modifiquem seus pipelines de upload e reprodução. No Brasil, o YouTube já começou a testar rótulos de conteúdo gerado por IA, mas a implementação é parcial. O guia poderia estabelecer prazos para que todas as plataformas com mais de 10 milhões de usuários no país adotem o padrão até 2026.
Entretanto, a responsabilidade não pode cair apenas sobre as plataformas. Campanhas e partidos também precisam ser responsabilizados pelo uso de IA. O guia deve definir regras claras sobre a obrigatoriedade de rotulagem de qualquer conteúdo político produzido com IA generativa. A implementação disso pode ser feita por meio de um selo digital obrigatório, similar ao que já existe para propaganda eleitoral tradicional. Tecnicamente, isso exige um sistema de registro centralizado (talvez uma blockchain pública) onde cada conteúdo seja hashado e armazenado com metadados de autoria. O TSE já tem sistemas de registro de candidaturas e prestação de contas; estender para registro de conteúdo de campanha é factível, mas exigirá investimento em infraestrutura e integração com as APIs das plataformas.
Lições de 2024 para 2026
As eleições de 2024 em países como Índia, Indonésia e Estados Unidos serviram como laboratório para o uso de IA. Na Índia, deepfakes de políticos foram amplamente compartilhados, e o governo respondeu com uma lei que exige rotulagem, mas a fiscalização foi frágil. Nos EUA, a Comissão Federal de Comunicações (FCC) propôs regras para transparência em robocalls com IA, mas ainda não há consenso. Para o Brasil, a vantagem é que podemos aprender com esses erros. Um ponto importante é que a detecção automática, sozinha, não é suficiente. O guia deve enfatizar a necessidade de uma cadeia de custódia digital: desde a criação do conteúdo até sua veiculação, cada etapa deve ser registrada de forma imutável. Isso é tecnicamente viável com sistemas de ledger distribuído ou com assinaturas temporais certificadas, mas o custo de implementação para pequenas campanhas pode ser alto.
Outra lição é que a regulamentação excessivamente detalhada pode sufocar a inovação e onerar desproporcionalmente candidatos de menor porte. O guia precisa equilibrar princípios gerais (como transparência e responsabilidade) com a flexibilidade para que soluções técnicas evoluam. Por exemplo, em vez de especificar o algoritmo de detecção a ser usado, o guia poderia definir métricas de desempenho (como taxa máxima de falsos positivos) que os sistemas devem atingir. Isso permite que a engenharia escolha o melhor método, sem engessar a tecnologia.
Riscos de uma regulamentação excessivamente técnica
Um risco que vejo é o guia se tornar um checklist burocrático, sem impacto real. Se as regras forem tão complexas que apenas grandes empresas de tecnologia consigam cumpri-las, pequenas campanhas e partidos novatos serão excluídos do debate. Além disso, a fiscalização técnica é cara: o TSE precisaria de uma equipe de engenheiros especializados em IA para auditar modelos e conteúdos. Sem orçamento e pessoal qualificado, o guia pode virar letra morta. Outro perigo é a criação de um mercado de "soluções de compliance" que vendem certificações superficiais, sem garantia de eficácia. A comunidade técnica precisa participar ativamente das consultas públicas para garantir que as regras sejam implementáveis e não apenas teatrais.
Por fim, há o risco de a regulamentação focar demais em deepfakes e negligenciar outras formas de manipulação assistida por IA, como a geração de textos sintéticos para campanhas de desinformação em larga escala ou o uso de chatbots para simular apoio popular. O guia deve ter uma abordagem ampla, mas sem perder a especificidade técnica. Talvez a melhor estratégia seja criar um comitê técnico permanente, com representantes da academia, da indústria e do TSE, para atualizar o guia periodicamente — assim como atualizamos frameworks de segurança cibernética.
Perspectiva pessoal: o que eu gostaria de ver no guia
Como engenheiro que já implementou sistemas de moderação e auditoria, minha recomendação é que o guia priorize a transparência proativa em vez da detecção reativa. Isso significa investir em padrões abertos de metadados (como C2PA), em APIs públicas de verificação e em um sistema centralizado de registro de conteúdo político. Também acho crucial que o guia exija que as plataformas forneçam dashboards de transparência com métricas sobre o volume de conteúdo removido ou rotulado por IA, permitindo que a sociedade civil audite a eficácia das medidas. Sem dados abertos, qualquer regulamentação será opaca. Por fim, acredito que a multa para quem descumprir as regras deve ser significativa o suficiente para desestimular a má conduta, mas acompanhada de um período de transição técnica para que as plataformas se adaptem. O guia não pode ser um tiro no escuro: ele precisa ser construído com a colaboração ativa de quem entende de engenharia de software, IA e privacidade. A oportunidade está aí, e o relógio está correndo para 2026.