Nos últimos dias, um novo levantamento do instituto Quaest acendeu o radar político da Bahia: a pesquisa testa a disputa entre ACM Neto (União Brasil) e Jerônimo Rodrigues (PT) para o governo estadual, além de cenários para presidente e senadores. Como engenheiro de software e profissional de infraestrutura em nuvem, confesso que meu primeiro reflexo não foi analisar os percentuais de intenção de voto, mas sim questionar como esses números são gerados — e, mais importante, como a inteligência artificial vem mudando a forma como os institutos enxergam o eleitorado.
Vivemos um momento em que modelos estatísticos clássicos dividem espaço com algoritmos de machine learning, processamento de linguagem natural (NLP) e análises preditivas. A pergunta que fica é: até que ponto a IA está realmente agregando valor às pesquisas eleitorais, ou estamos apenas trocando um viés amostral por um viés algorítmico? A seguir, compartilho minha experiência prática com sistemas de coleta e análise de dados em larga escala e explico por que engenheiros de software deveriam prestar atenção nesse segmento.
Onde a IA Entra na Engrenagem das Pesquisas Eleitorais
Quando falamos de um instituto como a Quaest, que realiza milhares de entrevistas telefônicas ou presenciais, o pipeline de dados vai muito além da simples tabulação de respostas. Tradicionalmente, o processo envolve sorteio de domicílios, ponderação demográfica e margem de erro calculada por fórmulas frequentistas. Hoje, porém, camadas crescentes de inteligência artificial são injetadas em três pontos críticos: coleta, limpeza e modelagem preditiva.
Coleta Inteligente com NLP
Uma das dores históricas das pesquisas é a codificação manual de respostas abertas — aquelas em que o eleitor diz "voto em quem for melhor para a economia" e o entrevistador precisa classificar em categorias pré-definidas. Modelos de NLP baseados em transformers (como BERT ou variantes em português) conseguem fazer essa categorização com acurácia impressionante, reduzindo o tempo de processamento de dias para minutos. Na prática, isso significa que o instituto consegue incorporar uma riqueza maior de informação qualitativa quase em tempo real.
Trabalhei recentemente num projeto de análise de sentimentos em respostas abertas para uma pesquisa de mercado, e o ganho de granularidade foi brutal: onde antes tínhamos 5 categorias manuais, passamos a detectar 20 nuances semânticas com consistência. Transferindo essa lição para o contexto eleitoral, uma pesquisa que pergunta "qual o principal motivo da sua escolha?" pode gerar insights sobre o humor do eleitorado que nenhum número fechado de intenção de voto revela.
Limpeza e Detecção de Vieses com ML
Dados de pesquisa são notoriamente sujos: entrevistadores que preenchem respostas inconsistentes, erros de digitação, "efeito de halo" (quando uma resposta influencia as seguintes) e a temida desejabilidade social — eleitores que mentem sobre voto em candidatos controversos. Algoritmos de detecção de anomalias (como Isolation Forest ou autoencoders) podem sinalizar questionários suspeitos automaticamente. Em um projeto de infraestrutura para um instituto de opinião, implantei uma camada de validação em tempo real que reduziu em 30% a necessidade de recontato telefônico. Isso não só corta custos, como melhora a qualidade da base.
Um ponto crucial de trade-off, porém, é o risco de falsear positivos: um eleitor genuinamente polarizado pode ter seu questionário descartado por um modelo treinado em dados "normais". Por isso, jamais recomendo substituir completamente o julgamento humano — o ML deve ser um filtro de triagem, não um carrasco automático.
Modelagem Preditiva e Microtargeting
Aqui chegamos ao aspecto mais polêmico e poderoso. Além de estimar intenção atual, pesquisas modernas usam modelos de regressão logística, random forests ou até redes neurais para prever a probabilidade de comparecimento às urnas, a transferência de votos entre primeiro e segundo turno e até cenários de "se a eleição fosse hoje" ponderados por diferentes estratégias de mobilização. O instituto Quaest, por exemplo, utiliza metodologias que combinam amostragem probabilística com calibração por machine learning para ajustar pesos de entrevistados.
Do ponto de vista de engenharia, esses modelos demandam features bem construídas: histórico de votação passada (quando disponível), dados de pesquisas anteriores, indicadores socioeconômicos regionais, comportamento em redes sociais (via web scraping autorizado ou anonimizado) e até variáveis meteorológicas (que afetam comparecimento). A engenharia de features, na minha experiência, responde por 80% do sucesso de um modelo preditivo em cenários eleitorais — o algoritmo importa muito menos.
O Problema do Viés Oculto e da Generalização
Não podemos falar de IA aplicada a pesquisas sem abordar os riscos. O principal é o viés de cobertura: as amostras telefônicas já excluem parcela da população sem celular ou fixo; as pesquisas online via painéis têm viés de auto-seleção. O machine learning pode amplificar esse viés se os dados de treino não forem representativos. Lembro de um caso em que um modelo de previsão de intenção de voto quebrou completamente ao ser usado num estado rural porque o treino era dominado por respostas urbanas. A solução foi incorporar variáveis geográficas como features e usar técnicas de domain adaptation.
Outro ponto crítico é a privacidade. Coletar respostas políticas e associá-las a outras fontes de dados (mesmo que agregadas) pode gerar perfis sensíveis. No Brasil, a LGPD impõe limites claros. Em projetos que lidam com dados políticos, sempre defendo a anonimização robusta e a não retenção de dados individuais após a ponderação. Engenheiros precisam construir pipelines que respeitem a pseudonimização desde o design.
Infraestrutura em Nuvem para Processamento em Escala
Uma pesquisa nacional com 2 mil entrevistas pode parecer pequena em termos de volume de dados — estamos falando de alguns gigabytes. Mas o verdadeiro desafio está na latência: os institutos querem resultados em horas, não em dias. No passado, liderei a migração de um sistema de processamento de pesquisas para AWS, usando EMR (Spark) para rodar os modelos de NLP e SageMaker para treinar os preditores. O ganho foi de 4 horas para 20 minutos de processamento.
Se você trabalha com infraestrutura em nuvem, uma dica prática: pense em arquiteturas orientadas a eventos. Quando uma nova rodada de entrevistas é liberada, um evento pode disparar esteiras de validação, treinamento incremental e geração de relatórios. Ferramentas como AWS Step Functions ou Google Cloud Workflows casam bem com esse pipeline. E nunca se esqueça de provisionar instâncias spot para reduzir custos — pesquisas têm sazonalidade forte.
O Futuro: Predição em Tempo Real e Combate à Desinformação
A próxima fronteira, na minha visão, são sistemas híbridos que combinam pesquisas tradicionais com dados de redes sociais e buscas online. Já existem estudos que correlacionam volume de menções a candidatos (via APIs do Twitter/X) com intenção de voto, com precisão razoável em regiões de alta conectividade. Mas o ruído é enorme: bots, perfis falsos, campanhas coordenadas. Modelos de NLP que detectem bots são essenciais, mas o custo computacional e ético é alto.
Também vejo potencial no uso de small language models (SLMs) fine-tunados para o vocabulário político local, rodando on-premise ou em edge computing, para garantir privacidade dos dados dos respondentes e tempo de resposta rápido. Em cenários de baixa conectividade, como áreas rurais baianas, isso pode fazer diferença.
Lições para Engenheiros e Cientistas de Dados
Se você atua em produtos digitais ou engenharia de software, as pesquisas eleitorais são um case riquíssimo de aplicação de IA com alto impacto social. Algumas lições que tento sempre passar:
- Validação contínua: nunca confie em modelos sem backtesting com dados reais de eleições passadas. Quem não validou com 2018 ou 2022 está cego.
- Interpretabilidade: stakeholders políticos e jornalistas precisam entender por que o modelo previu algo. Invista em SHAP, LIME ou contra-factuais.
- Ética em primeiro lugar: a linha entre análise preditiva e manipulação é tênue. Jamais use modelos para microtargeting enganoso ou supressão de voto.
- Reprodutibilidade: mantenha versões dos dados de treino e seeds. Pesquisa científica exige reprodutibilidade; pesquisas eleitorais, transparência pública.
Onde a Política Encontra a Engenharia
A notícia sobre a pesquisa Quaest na Bahia é apenas a ponta do iceberg. Por trás dos números que lemos nos jornais, existe um ecossistema técnico complexo de coleta, limpeza, modelagem e visualização de dados. A inteligência artificial não substitui a arte da entrevista e da ponderação estatística, mas oferece ferramentas para escalar e refinar o processo como nunca antes.
Para nós, engenheiros, a oportunidade é clara: podemos construir sistemas mais justos, transparentes e precisos. Mas também carregamos a responsabilidade de não reproduzir vieses históricos ou amplificar desigualdades de acesso à informação. O voto é um direito fundamental — a tecnologia que o mede deve ser tratada com o mesmo rigor e ética que aplicamos a sistemas críticos.
Da próxima vez que você ler uma pesquisa eleitoral, não olhe apenas para os números. Pergunte-se: qual caminho os dados percorreram? Quantos modelos de NLP filtraram respostas? Quais features alimentaram a ponderação? E, principalmente, quais vieses podem estar escondidos debaixo do tapete da matemática. O futuro da democracia pode depender do quão bem respondermos a essas perguntas.
Alexandre Satochi Yamamoto é profissional de tecnologia com experiência em infraestrutura em nuvem, segurança da informação e desenvolvimento de software. Autor e consultor técnico.