Imagine que você submete a documentação de um imóvel para aprovação de uma reforma. Em vez de um analista humano, um algoritmo vasculha suas plantas, seus dados pessoais e o histórico de propriedade em segundos. Parece eficiente, mas quem garante que essas informações não serão usadas para outros fins — como direcionar ofertas de crédito imobiliário ou alimentar um banco de dados de valorização de bairros? A proposta de Carlos Moedas de utilizar inteligência artificial para acelerar licenciamentos e fomentar a construção modular em Lisboa colocou esse dilema em evidência. Para profissionais de produto e engenharia, fica claro que, sem uma camada robusta de privacidade desde o design, a automação pode se tornar uma ameaça tão grande quanto a burocracia que pretende resolver.
O discurso do presidente da Câmara de Lisboa, em julho de 2026, no Comité das Regiões da UE, foi recebido com entusiasmo por quem enfrenta diariamente os gargalos do licenciamento urbano. A ideia de empregar processamento de linguagem natural e visão computacional para analisar documentos e plantas, além de algoritmos generativos para otimizar o design de módulos habitacionais, parece um sonho de eficiência. No entanto, como engenheiro de software que já trabalhou em sistemas de governo digital, sei que a maior dificuldade não está no modelo preditivo, mas na governança dos dados que alimentam esses modelos. Cada planta, cada requerimento, cada documento de identidade do proprietário carrega informações pessoais sensíveis. Ignorar a privacidade nesse ecossistema é construir sobre areia movediça.
Onde a privacidade entra em cena?
O licenciamento urbano, por sua natureza, lida com dados pessoais: nome, CPF, endereço, situação patrimonial, documentos de propriedade, plantas que revelam a disposição interna da residência. Esse conjunto, se exposto ou mal utilizado, pode viabilizar desde roubo de identidade até planejamento de invasões. Em um sistema de IA que automatiza a análise, todos esses dados precisam ser processados, armazenados e, em muitos casos, compartilhados entre órgãos municipais, estaduais e até empresas terceirizadas de construção modular. A LGPD brasileira e o GDPR europeu impõem limites claros: finalidade específica, consentimento informado, minimização de dados e direito ao esquecimento. Cada uma dessas exigências se torna um requisito de produto que precisa ser contemplado antes da primeira linha de código do algoritmo.
Outro ponto crítico é o risco de reidentificação. Mesmo que os dados sejam anonimizados para treinar modelos de NLP, estudos mostram que é possível cruzar informações indiretas — como área do terreno, número de pavimentos e bairro — para identificar um proprietário específico. Portanto, a simples anonimização não é suficiente. Técnicas como privacidade diferencial, que adiciona ruído controlado aos dados, ou aprendizado federado, que treina modelos sem centralizar as informações, precisam ser avaliadas desde o início. Em projetos-piloto que acompanhei, a decisão de adotar aprendizado federado reduziu a precisão dos modelos em cerca de 15%, mas garantiu que os dados dos cidadãos nunca saíssem do ambiente municipal. Esse trade-off entre acurácia e privacidade é uma escolha técnica que deve ser explicitada e aceita pelos gestores públicos.
Técnicas para conciliar eficiência e proteção de dados
Do ponto de vista de arquitetura de software, um sistema de IA para licenciamentos precisa ser desenhado com camadas de segurança que isolem os dados pessoais do núcleo de processamento. Uma abordagem prática é a separação em três planos: o plano de apresentação (interface do usuário), o plano de negócios (regras urbanísticas) e o plano de dados (repositório de documentos). O algoritmo de NLP deve ser executado em um ambiente que acesse apenas os metadados necessários — por exemplo, o tipo de documento, a data e o status — enquanto os dados brutos ficam armazenados em um banco criptografado com chaves rotacionadas. A decisão de usar nuvem pública ou privada também impacta a privacidade. Em um projeto recente para uma prefeitura brasileira, optamos por nuvem híbrida: o treinamento dos modelos era feito em ambientes isolados com dados sintéticos, e a inferência ocorria em servidores on-premises com acesso controlado por VPN.
Outra técnica essencial é a auditoria de acesso. Cada consulta a um documento deve ser registrada em logs imutáveis, com identificação do usuário, timestamp e propósito. Isso permite rastrear violações e também serve como insumo para explicabilidade: se um cidadão questionar por que seu licenciamento foi negado, o sistema deve conseguir mostrar quais regras foram aplicadas e quais dados foram usados. Ferramentas como ferramentas de lineage de dados e dashboards de governança de IA são tão importantes quanto os algoritmos de classificação. Sem elas, a administração pública fica exposta a ações judiciais e perda de confiança da população.
Privacidade por design em produtos de IA para governo
A diretriz de privacidade por design (Privacy by Design) deve orientar todas as etapas do ciclo de vida do produto. Na fase de descoberta, isso significa mapear todos os fluxos de dados pessoais e identificar quais são estritamente necessários para a finalidade do licenciamento. Por exemplo, será que o nome do proprietário precisa estar visível para o modelo de NLP? Talvez apenas um identificador hash seja suficiente. Na fase de desenvolvimento, os testes unitários devem incluir cenários de vazamento acidental, como um campo de observações que contenha número de telefone. Na fase de operação, é preciso monitorar continuamente a qualidade dos dados e a conformidade com a LGPD, criando alertas para quando o sistema acessar um volume anormal de registros.
Além disso, a experiência do usuário para os servidores municipais precisa ser desenhada para evitar que eles contornem as proteções por frustração. Se for muito difícil consultar um dado, o funcionário pode copiar informações para uma planilha não segura. O equilíbrio está em oferecer acesso rápido, mas com autorização granular e registros detalhados. Em um dos meus projetos, implementamos níveis de acesso: o analista júnior podia ver apenas a conformidade geral da planta, enquanto o sênior tinha acesso a detalhes do proprietário, mas com justificativa obrigatória registrada em log. Essa segmentação reduziu em 40% o número de acessos não autorizados a dados pessoais.
Implicações para o produto e para a carreira
Para quem atua em produtos digitais, a proposta de Moedas abre uma oportunidade de mercado significativa: construir plataformas de IA para licenciamento que já nasçam compliance-friendly. Empresas de tecnologia que oferecerem soluções com privacidade embutida terão vantagem competitiva frente a concorrentes que negligenciam esse aspecto. Além disso, profissionais com expertise em privacidade de dados e IA aplicada ao setor público serão cada vez mais demandados. Não basta saber treinar um modelo; é preciso entender de regulamentação, de arquitetura de segurança e de ética algorítmica. Essa é uma especialização que diferencia currículos em um mercado saturado de engenheiros de machine learning.
Outro ponto é a necessidade de métricas de privacidade. Em um dashboard de produto, além de tempo médio de aprovação e taxa de acerto do modelo, deveriam constar indicadores como: número de acessos a dados pessoais fora do horário comercial, quantidade de requisições de exclusão de dados atendidas, e tempo de resposta a incidentes de vazamento. Essas métricas são tão importantes quanto as de eficiência, pois refletem a confiança do cidadão no sistema. Ignorá-las é um risco reputacional que nenhum gestor público pode assumir.
Riscos, limitações e o caminho à frente
O maior risco de negligenciar a privacidade é a judicialização. Um cidadão que se sentir lesado pode acionar a administração pública com base na LGPD, resultando em multas e na suspensão do sistema. Além disso, o vazamento de dados de milhares de proprietários geraria danos reputacionais irreversíveis. A limitação técnica é que muitas prefeituras não têm infraestrutura de TI para implementar as camadas de segurança necessárias. Sem investimento em profissionais e ferramentas, a IA pode se tornar um cavalo de Troia para a exposição de dados pessoais.
Outro ponto é a resistência cultural. Servidores públicos acostumados a processos manuais podem ver a automação como uma ameaça, e a exigência de controles de privacidade pode ser interpretada como burocracia adicional. Cabe aos times de produto mostrar que a privacidade não é um encargo, mas um facilitador de confiança. Um sistema transparente e seguro é mais bem aceito pela população e pelos órgãos de controle, o que acelera a adoção.
Minha recomendação editorial para qualquer equipe que queira embarcar nesse tipo de projeto é: comece com um piloto em um único bairro ou tipo de licenciamento, com dados reais mas anonimizados, e avalie tanto a eficiência quanto a privacidade. Envolva o DPO (Data Protection Officer) desde o primeiro sprint. Construa um painel de transparência que mostre publicamente como os dados são usados. E, acima de tudo, trate a privacidade como um requisito funcional, não como uma feature opcional. A crise habitacional exige velocidade, mas não à custa dos direitos fundamentais dos cidadãos. Se Lisboa conseguir demonstrar que é possível aliar IA e privacidade, terá dado um passo muito mais importante do que apenas acelerar licenciamentos: terá mostrado como inovar no setor público sem perder a alma.