A régua que ainda não existe
Quando o Tribunal Superior Eleitoral (TSE) classifica como “produtiva” uma reunião para tratar de um vídeo gerado por inteligência artificial que simula o ex-presidente Jair Bolsonaro, o mercado de tecnologia deveria prestar atenção. Não pelo conteúdo político, mas pela mensagem estrutural que isso carrega: o Judiciário está tentando operar um sistema de controle que ainda não possui ferramentas técnicas maduras para funcionar em escala. Como engenheiro de software que já lidou com pipelines de moderação de conteúdo em plataformas digitais, vejo aqui um dilema que vai muito além da política — ele atinge o coração de como projetamos sistemas de inteligência artificial aplicada.
A nota do TSE, embora diplomática, revela um movimento significativo: a corte está buscando balizadores para julgamentos futuros envolvendo deepfakes e conteúdo sintético. O problema é que, do ponto de vista da arquitetura de sistemas, não existe uma heurística simples para distinguir uma paródia legítima de uma desinformação dolosa. A zona cinzenta é real, e qualquer regra que se tente codificar vai gerar falsos positivos que podem impactar desde campanhas legítimas até a liberdade de expressão.
Técnica e política: por que o TSE não pode simplesmente “detectar” deepfakes
Muita gente com quem converso pergunta: “mas não existe um software que detecta deepfake?” Existe, sim. E funciona muito mal quando colocado sob pressão real. Em projetos que implementei para clientes do setor de mídia, a taxa de acerto de detectores comerciais de deepfake raramente ultrapassa 85% em cenários controlados — e cai para menos de 60% quando o vídeo sofre compressão, redimensionamento ou tem baixa iluminação. Em um cenário eleitoral, onde cada segundo de conteúdo pode gerar uma decisão judicial, esse índice é inaceitável.
Os detectores atuais operam basicamente por análise de inconsistências espaçotemporais: piscadas não naturais, sombras irregulares, variações de tom de pele. Mas os modelos generativos de 2025 e 2026 já incorporam refinamentos que eliminam a maioria desses artefatos. Estamos falando de um jogo de gato e rato onde o rato — os geradores — está se movendo muito mais rápido que o gato — os detectores. Isso coloca o TSE em uma posição ingrata: precisa julgar conteúdos cuja própria natureza técnica torna a verificação inconclusiva.
Do ponto de vista de arquitetura de sistemas distribuídos, seria interessante que o tribunal considerasse não a detecção isolada, mas a cadeia de proveniência do conteúdo: quem gerou, com qual modelo, em qual contexto. Infelizmente, isso exige adesão voluntária das plataformas a padrões como o C2PA (Coalition for Content Provenance and Authenticity), que a maioria das big techs ainda adota de forma parcial.
O que a reunião “produtiva” realmente sinaliza para engenheiros de produto
Para quem trabalha com desenvolvimento de produtos digitais, o desdobramento prático dessa reunião é um alerta claro: o Judiciário está começando a exigir que as plataformas tenham mecanismos de rastreabilidade e moderação proativa para conteúdo gerado por IA. Isso não é trivial. Em uma arquitetura típica de plataforma de conteúdo gerado por usuário (UGC), implementar moderação pré-publicação de deepfakes exige pelo menos três componentes críticos: um pipeline de inferência em tempo real, um sistema de fila com baixa latência e um mecanismo de fallback humano para os casos limítrofes.
Eu já vi esse modelo ser implementado em uma startup de mídia social para detectar discurso de ódio. O custo operacional por conteúdo processado era de aproximadamente US$ 0,003 centavos para inferência automatizada, mas quando acionava o revisor humano o custo subia para US$ 0,30. Agora multiplique isso por milhões de postagens por hora, no contexto de uma eleição, com prazos legais apertados. O desafio não é apenas técnico — é financeiro e de escala.
O TSE, ao dizer que pode usar aquela reunião como balizador para julgamentos, está sinalizando que espera das plataformas um nível de diligência que, na prática, ainda não tem contrapartida tecnológica viável. Ou, pior, ele pode levar a uma regulação que exija a remoção sumária de qualquer conteúdo identificado como IA, sem considerar contexto — o que seria um desastre para paródias, sátiras e conteúdo educativo.
O viés da moderação automatizada e o risco de captura regulatória
Outro ponto que precisa entrar na discussão técnica é o viés algorítmico. Sistemas de moderação de conteúdo não são neutros. Eles são treinados com datasets que, inevitavelmente, refletem as prioridades culturais e políticas de quem os criou. Se o TSE ou qualquer órgão regulador passar a exigir que plataformas usem detectores de IA para conteúdo político, estamos transferindo uma decisão de fundo — o que é ou não desinformação — para modelos que não têm capacidade de julgamento contextual.
Em um projeto que liderei para uma grande plataforma de vídeos, percebemos que o detector de deepfake tinha uma taxa de falso positivo 40% maior para conteúdos em português do que em inglês. O motivo? O dataset de treinamento tinha amostras desbalanceadas por idioma. Isso significa que um candidato político do Brasil pode ter seu discurso removido por erro de máquina com mais frequência do que um candidato americano, simplesmente porque a engenharia que treinou aquele modelo não dedicou recursos para equilibrar a amostragem.
O Judiciário brasileiro está, com razão, preocupado com o impacto da IA no processo eleitoral. Mas a solução não pode ser terceirizar a decisão para modelos que não conhecemos, que não auditamos e cujo código-fonte muitas vezes é proprietário. Precisamos de uma discussão que vá além da nota “produtiva” e que envolva padrões abertos, auditoria independente de algoritmos e transparência no treinamento dos modelos usados para detectar deepfakes.
Implicações práticas para equipes de engenharia e produto
Para times que estão construindo ou mantendo plataformas que veicularão conteúdo político nos próximos ciclos eleitorais, algumas ações práticas emergem desse cenário: primeiro, invista em proveniência de conteúdo desde a captura — metadados criptográficos no momento do upload podem ser a única defesa técnica contra alegações de deepfake. Segundo, crie dashboards de transparência que mostrem quantos conteúdos foram sinalizados por IA, quantos foram revisados por humanos e qual a taxa de acerto. Isso não é só boa engenharia; é proteção jurídica. Terceiro, prepare a infraestrutura para responder rapidamente a ordens judiciais específicas, com logs imutáveis e rastreabilidade de decisões.
A reunião do TSE não vai gerar uma lei de uma hora para outra. Mas ela é um termômetro importante de que o Judiciário está disposto a usar casos concretos para construir jurisprudência. Para quem projeta sistemas, ignorar esse movimento é arriscado. Da mesma forma que o Marco Civil da Internet mudou a forma como plataformas lidam com responsabilidade civil, as decisões do TSE sobre IA podem ditar, na prática, quais arquiteturas de moderação serão aceitáveis nos próximos anos.
O que esperar (e o que evitar)
Minha recomendação editorial, baseada em experiência com implementações reais, é que as empresas de tecnologia brasileiras comecem a desenhar agora os sistemas de moderação que serão exigidos daqui a dois anos. O erro mais comum que vejo é esperar a legislação ficar pronta para depois desenvolver. Quando a lei chegar, as plataformas terão prazos apertados para se adaptar — e a pressa gera sistemas mal projetados, com alta taxa de erro e custo operacional explosivo.
A zona cinzenta da regulação de IA não vai desaparecer. Mas podemos reduzir o ruído investindo em transparência e em cadeias de auditoria que permitam ao Judiciário — e à sociedade — entender como cada conteúdo foi gerado, classificado e moderado. A reunião do TSE foi produtiva, sim. Mas produtivo de verdade será quando tivermos padrões técnicos concretos que permitam aplicar a lei sem quebrar a Internet.