No início de agosto de 2025, o instituto AtlasIntel divulgou uma nova pesquisa de intenção de voto para a disputa presidencial entre Lula e Flávio. A notícia, em si, não surpreende — o que chama atenção é o método por trás dos números. A AtlasIntel, diferentemente de institutos tradicionais como Datafolha ou Ibope, utiliza inteligência artificial em larga escala para coleta e análise de dados. Isso levanta uma questão fundamental: até que ponto podemos confiar em algoritmos para medir a opinião pública? E, mais importante, como a IA está transformando a forma como entendemos as preferências políticas?
Este artigo não pretende discutir o mérito dos candidatos ou os resultados da pesquisa. O foco é técnico: analisar como a IA está sendo aplicada em pesquisas eleitorais, quais os trade-offs envolvidos e o que isso significa para profissionais de tecnologia, dados e ciência política. A partir do exemplo concreto da AtlasIntel, exploraremos as camadas mais profundas dessa tecnologia — desde o processamento de linguagem natural até os riscos de viés algorítmico.
O papel do NLP na análise de respostas abertas
Uma das inovações mais significativas trazidas pela IA é a capacidade de processar respostas abertas em escala. Em pesquisas tradicionais, perguntas discursivas são codificadas manualmente, um processo lento e sujeito a erros. Com algoritmos de Processamento de Linguagem Natural (NLP), é possível extrair temas, sentimentos e intenções de milhares de respostas em minutos. Na pesquisa da AtlasIntel, por exemplo, perguntas sobre economia e relação com os Estados Unidos podem gerar respostas complexas que um modelo de NLP pode classificar em categorias como "otimista", "pessimista" ou "neutro", com precisão comparável à humana.
No entanto, essa eficiência tem um custo. Modelos de NLP são treinados em grandes corpora de texto, que podem conter vieses culturais, regionais ou até políticos. Se o modelo não for ajustado ao contexto brasileiro, palavras como "governo" ou "imposto" podem ser interpretadas de forma diferente do esperado. Na minha experiência com implementação de sistemas de análise de sentimentos para clientes corporativos, um dos maiores desafios foi justamente adaptar o modelo ao vocabulário local e ao tom irônico comum em comentários políticos. Sem essa adaptação, a taxa de erro pode inviabilizar o uso.
Machine learning para segmentação e previsão
Além do NLP, algoritmos de machine learning são usados para segmentar eleitores com base em padrões de resposta. Em vez de agrupar por idade, renda e região — como nos métodos tradicionais — a IA pode identificar clusters baseados em comportamento, como "eleitores que priorizam economia" ou "eleitores sensíveis à política externa". Isso permite que as campanhas direcionem mensagens específicas, mas também levanta questões éticas sobre microtargeting e manipulação.
O trade-off aqui é entre granularidade e generalização. Modelos muito complexos podem se ajustar demais aos dados da amostra, perdendo capacidade de prever a população geral. Em pesquisas eleitorais, isso é gravíssimo: um modelo que preveja corretamente 90% da amostra pode errar feio na eleição real se o viés de seleção não for corrigido. Lembro de um caso em que um modelo de regressão logística simples superou uma rede neural profunda em uma pesquisa de satisfação de cliente, justamente porque o modelo mais simples era mais robusto a variações de amostra. A lição: em cenários com dados limitados e alta variabilidade, simplicidade pode ser virtude.
Comparando com métodos tradicionais: onde a IA ganha e onde perde
Institutos como Datafolha e Ibope utilizam amostragem probabilística com entrevistas presenciais ou telefônicas, garantindo representatividade estatística. A IA, por outro lado, permite processar grandes volumes de dados não estruturados, como comentários em redes sociais, mas a amostra pode ser viesada. A pesquisa da AtlasIntel combina ambas as abordagens: coleta online com questionários estruturados e aplica IA para análise de respostas abertas. Isso é inteligente, pois mantém o controle da amostra enquanto extrai insights qualitativos.
Na prática, a IA se destaca na velocidade e na profundidade da análise. Enquanto uma pesquisa tradicional pode levar semanas para codificar respostas abertas, a IA faz isso em horas. No entanto, a interpretação de nuances — como sarcasmo ou mudanças de opinião ao longo do questionário — ainda é um desafio. Modelos de linguagem como GPT-4 melhoraram, mas não são infalíveis. Em um projeto de análise de feedback de clientes, notei que o modelo frequentemente classificava críticas construtivas como negativas, perdendo o tom propositivo. Para pesquisas eleitorais, onde cada voto importa, esse tipo de erro pode ser significativo.
Os riscos de viés algorítmico em pesquisas políticas
A aplicação de IA em pesquisas eleitorais amplifica um problema já conhecido: o viés de amostra. Se os dados de treinamento são coletados predominantemente de usuários de internet, a IA pode sub-representar eleitores mais velhos ou de baixa renda. Além disso, algoritmos podem aprender correlações espúrias — por exemplo, associar "defesa da indústria nacional" com um partido específico, quando na verdade a correlação é com a região geográfica. A pesquisa da AtlasIntel, que inclui questionários online e por telefone, tenta mitigar isso, mas a ponderação estatística pós-coleta nem sempre é suficiente.
Outro risco é a falta de transparência. Muitos modelos de IA são caixas-pretas, dificultando a auditoria dos resultados. Para o público leigo, e até para jornalistas, é difícil avaliar se a pesquisa é confiável. Isso pode minar a credibilidade das instituições democráticas se os resultados forem usados sem contexto. Na minha visão, qualquer pesquisa que utilize IA deveria publicar não apenas os números, mas também métricas de desempenho do modelo, como precisão por segmento e análise de viés.
IA na análise de temas econômicos e geopolíticos
A pesquisa da AtlasIntel também avalia temas da economia e relação com os Estados Unidos. Esses são tópicos que geram opiniões complexas, muitas vezes contraditórias. A IA pode ajudar a identificar correlações entre essas percepções e a intenção de voto. Por exemplo, um modelo de regressão pode revelar que eleitores que consideram a economia "ruim" têm maior probabilidade de votar em Flávio, enquanto aqueles que aprovam a relação com os EUA tendem a apoiar Lula. Mas cuidado: correlação não implica causalidade. A IA pode sugerir padrões, mas a interpretação causal exige teoria política e econômica.
Na minha experiência, o maior erro que equipes de IA cometem é confundir predição com explicação. Um modelo pode prever intenção de voto com alta acurácia, mas não dizer por que. Para isso, técnicas como SHAP ou LIME podem ajudar a interpretar os fatores mais importantes, mas ainda são limitadas. Em pesquisas eleitorais, a explicação é tão importante quanto a previsão, pois orienta estratégias de campanha e políticas públicas.
Implicações para o mercado de trabalho e para profissionais de IA
A adoção de IA em pesquisas não elimina a necessidade de profissionais humanos, mas transforma suas funções. Estatísticos e cientistas sociais precisam agora entender de machine learning, NLP e ética de dados. Por outro lado, engenheiros de IA precisam aprender sobre metodologia de pesquisa, teoria da amostragem e vieses cognitivos. A interdisciplinaridade é a chave.
Para quem atua em produtos digitais e infraestrutura, o desafio é construir plataformas escaláveis e seguras para processamento de dados sensíveis. Pesquisas eleitorais envolvem dados pessoais e opiniões políticas, que são protegidos por leis como a LGPD. A infraestrutura em nuvem precisa garantir criptografia, controle de acesso e anonimização. Já vi projetos de IA em pesquisa pararem por falta de conformidade com privacidade — um erro que pode custar caro.
Perspectiva pessoal e recomendações
Como especialista em transformação digital, acredito que a IA tem potencial para melhorar a qualidade das pesquisas, mas não pode ser vista como uma solução mágica. O caso da AtlasIntel ilustra bem isso: a empresa usa IA, mas ainda depende de questionários estruturados e ponderação manual. A tecnologia é uma ferramenta, não um substituto para o rigor metodológico.
Para empresas e institutos que desejam adotar IA, minha recomendação é começar por projetos piloto em áreas de baixo risco, como análise de sentimento em redes sociais, e gradualmente incorporar machine learning em previsões eleitorais apenas após validação rigorosa. Além disso, invista em transparência: publique os modelos, os dados de treinamento (anonimizados) e as métricas de erro. Isso não apenas aumenta a confiança, como também permite que a comunidade acadêmica audite os resultados.
O futuro das pesquisas eleitorais será cada vez mais híbrido, combinando métodos tradicionais com inteligência artificial. Cabe a nós, profissionais de tecnologia, garantir que essa transição seja feita com responsabilidade, ética e, acima de tudo, respeito à democracia.