Quando uma pesquisa eleitoral cunha termos como “Geração Lava Jato” ou aponta que idosos podem se tornar o “novo Nordeste” de um candidato, estamos diante de um exercício de segmentação de público que qualquer engenheiro de machine learning reconheceria na hora. São tentativas de agrupar indivíduos por comportamento, demografia e opinião, exatamente como fazemos em problemas de clusterização ou classificação. Mas, ao contrário de um modelo de recomendação de e-commerce, o eleitorado é um sistema dinâmico, reativo e profundamente influenciado por eventos imprevisíveis. A análise da diretora do Datafolha sobre a alta rejeição aos dois líderes e a possibilidade de um segundo turno acirrado é um convite para discutirmos os limites da IA preditiva quando aplicada a fenômenos sociais complexos.
Como engenheiro de software que já trabalhou com modelos de classificação para segmentação de usuários, vejo paralelos diretos entre as técnicas usadas em campanhas políticas e as que aplicamos em produtos digitais. A diferença crucial é o nível de ruído e a não-estacionariedade dos dados. Em um produto digital, o comportamento do usuário muda gradualmente; em uma eleição, uma única denúncia ou debate pode reconfigurar preferências em horas. A própria pesquisa Datafolha reconhece que a rejeição é o motor principal desta eleição, o que significa que modelos baseados em preferências históricas (como voto em eleições passadas) perdem rapidamente a validade.
Segmentação de eleitores: o que a engenharia de ML pode aprender com a demografia
A ideia de que certos grupos etários ou regionais tendem a apoiar um candidato específico é análoga a um modelo de regressão logística que usa features como idade, renda e localização. O Datafolha, com sua metodologia estatística clássica, faz isso com amostragens estratificadas e pesos. Um modelo de machine learning poderia tentar capturar interações mais complexas — por exemplo, o efeito combinado de “ser jovem, morar no Sudeste e ter sido exposto à cobertura da Lava Jato” — mas isso exige uma granularidade de dados que raramente está disponível publicamente. Além disso, o viés de confirmação é um perigo real: se o modelo “aprende” que idosos no Nordeste votam em Lula, ele pode ignorar a heterogeneidade dentro desse grupo, que é justamente o que pode decidir uma eleição acirrada.
Outro ponto técnico relevante é a não representatividade dos dados de redes sociais, frequentemente usados como proxy para intenção de voto. Análise de sentimento em tweets, por exemplo, sofre de viés de autosseleção (quem twitta é mais jovem e politicamente engajado) e de polarização algorítmica (as plataformas amplificam conteúdos extremos). Um modelo treinado nesses dados pode prever com precisão o comportamento de uma minoria ruidosa, mas falhar completamente na previsão do eleitorado geral. A diretora do Datafolha, ao basear-se em pesquisas domiciliares presenciais, está justamente evitando essas armadilhas — uma escolha metodológica que muitos engenheiros de ML subestimam.
O trade-off entre complexidade do modelo e interpretabilidade
Em cenários de alta rejeição e volatilidade, a simplicidade pode ser uma virtude. Modelos complexos como gradient boosting ou redes neurais profundas podem capturar padrões sutis, mas são caixas-pretas. Quando um eleitor muda de opinião por um fator externo (como um debate ou uma notícia), o modelo precisa ser retreinado, e não há garantia de que o novo padrão será coerente com o anterior. A abordagem do Datafolha — que usa cruzamentos simples de faixa etária, região e escolaridade — é mais robusta nesse contexto porque cada segmento pode ser interpretado e validado por especialistas em comportamento eleitoral. É um lembrete de que, em problemas com alta incerteza, modelos mais simples e interpretáveis frequentemente superam os mais complexos em termos de utilidade prática.
Do ponto de vista de engenharia, isso se traduz em uma lição importante: antes de jogar dados em um algoritmo de última geração, é essencial entender o processo gerador dos dados. As pesquisas eleitorais tradicionais usam questionários cuidadosamente desenhados para evitar vieses de resposta, enquanto a maioria dos datasets disponíveis para machine learning (como logs de navegação ou posts em redes sociais) são observacionais e cheios de confundidores. Ignorar essa diferença é construir um castelo de areia.
IA aplicada a campanhas: o caso da “Geração Lava Jato” como cluster
A “Geração Lava Jato” é um exemplo de cluster definido por um evento histórico. Do ponto de vista de machine learning, seria um grupo identificado por features como “idade entre 25 e 40 anos”, “renda média-alta” e “engajamento com notícias de política”. Mas será que esse cluster é estável? A investigação pode se desgastar, novos escândalos podem surgir, e a memória do eleitor é curta. Um modelo que atribui peso fixo a esse cluster corre o risco de overfitting em um momento específico do tempo. O mesmo vale para a afirmação de que idosos podem ser o “novo Nordeste” de Lula: isso é uma generalização baseada em tendências passadas, que pode ser desmentida por uma campanha focada de mídia digital ou por mudanças na previdência.
O que a IA aplicada a campanhas políticas pode fazer de melhor, na minha experiência, é ajudar a testar hipóteses de segmentação de forma rápida e iterativa. Em vez de usar um modelo para prever o voto final, use-o para simular cenários: “se um candidato aumentar o investimento em anúncios para mulheres de 50 a 60 anos no Sudeste, qual o impacto esperado na intenção de voto?” Isso é um problema de inferência causal, não de predição pura. E aí, técnicas como propensity score matching ou modelos de uplift podem ser mais úteis do que um classificador binário.
Privacidade, ética e o espectro de Cambridge Analytica
Não podemos falar de IA em eleições sem mencionar os riscos de microtargeting abusivo. O escândalo da Cambridge Analytica mostrou como dados de perfis psicológicos podem ser usados para manipular eleitores individualmente. No Brasil, a LGPD impõe restrições, mas a coleta de dados por aplicativos de campanha e redes sociais ainda é nebulosa. Do ponto de vista técnico, um modelo de segmentação que identifica “idosos vulneráveis a notícias falsas sobre saúde” ou “jovens propensos a compartilhar conteúdo polarizado” é perfeitamente factível. A questão não é se podemos fazer, mas se devemos. Como engenheiro, acredito que a transparência algorítmica é uma barreira técnica necessária: qualquer modelo usado para segmentação política deveria ser auditável e ter suas variáveis explicadas publicamente.
O Datafolha, por ser uma pesquisa acadêmica e jornalística, opera com transparência metodológica. Mas quando partidos contratam empresas de data science para fazer segmentação própria, o processo é opaco. Esse desequilíbrio informacional é prejudicial à democracia. Uma recomendação prática para profissionais de tecnologia que trabalham com campanhas é adotar padrões de documentação de modelos similares aos de artigos científicos: descrever a fonte dos dados, as transformações, os hiperparâmetros e as métricas de validação. Isso não elimina o risco de uso antiético, mas cria um rastro auditável.
Riscos e limitações de modelos preditivos em cenários de alta rejeição
Quando a rejeição aos dois candidatos é alta, a intenção de voto se torna mais volátil. Isso é um problema técnico para qualquer modelo preditivo porque a variância das previsões aumenta. Em machine learning, isso se manifesta como intervalos de confiança largos e baixa acurácia em testes fora da amostra. Modelos calibrados para um cenário de baixa rejeição podem superestimar a estabilidade do eleitorado. A diretora do Datafolha menciona que um eventual segundo turno seria “bastante acirrado” — isso é um reconhecimento de que a incerteza é alta, e qualquer previsão pontual deve ser vista com cautela.
Outra limitação é a dificuldade de modelar o voto útil e o voto estratégico. Eleitores podem mudar de voto não por preferência, mas para evitar que o candidato mais rejeitado vença. Isso é um comportamento adaptativo que não é capturado por modelos que assumem preferências independentes. Técnicas como modelos de resposta ao item (IRT) ou modelos de escolha discreta tentam lidar com isso, mas exigem dados de alta qualidade sobre percepções de competitividade, que raramente estão disponíveis.
O que um engenheiro de software pode fazer de diferente
Se eu tivesse que construir um sistema de apoio à decisão para uma campanha política com base nos dados de uma pesquisa como a do Datafolha, eu não treinaria um modelo de predição de voto. Em vez disso, faria um dashboard segmentado mostrando, para cada grupo demográfico, a rejeição líquida (diferença entre rejeição de um candidato e do outro) e a variação temporal. Isso permitiria que os estrategistas identificassem quais grupos são mais suscetíveis a mudanças e onde a campanha deveria focar. A IA entraria na automatização da detecção de mudanças significativas (changepoint detection) e na geração de alertas em tempo real, mas a decisão final ainda seria humana.
O maior valor da IA em campanhas não está em substituir o Datafolha, mas em amplificar a capacidade de análise de seus dados. Por exemplo, usando técnicas de processamento de linguagem natural para analisar as respostas abertas de pesquisas qualitativas, ou combinando dados de pesquisas com dados de clima político (como protestos, cobertura da imprensa) em modelos de séries temporais. São aplicações de IA que respeitam a natureza incerta do fenômeno eleitoral, em vez de tentar prever algo que talvez seja imprevisível.
Perspectiva pessoal: a humildade dos dados
Como engenheiro, sempre defendo que modelos são ferramentas, não oráculos. A pesquisa Datafolha, com sua metodologia clássica, nos lembra que a qualidade dos dados e a compreensão do contexto são mais importantes do que a sofisticação do algoritmo. A “Geração Lava Jato” e os “idosos nordestinos” são apenas rótulos que simplificam uma realidade complexa. A IA pode ajudar a refinar esses rótulos, mas não deve cristalizá-los. Em um cenário de alta rejeição e volatilidade, a melhor contribuição da tecnologia é fornecer cenários e incertezas, não certezas falsas.
Para quem trabalha com produtos digitais, a lição é transversal: segmentação de usuários é poderosa, mas é preciso sempre questionar se os segmentos são estáveis e se os dados refletem a realidade. Em times de produto, vejo colegas aplicando clustering de comportamento de usuários mensalmente, sem considerar que a sazonalidade ou eventos externos podem tornar os clusters obsoletos. O exemplo eleitoral é um alerta para não confiarmos cegamente em modelos que não incorporam a possibilidade de mudança brusca. A engenharia de software, assim como a política, precisa de espaço para o imprevisível.