Em Oeiras, Portugal, um adolescente de 15 anos é suspeito de assassinar a própria mãe, Gabriela Barbosa. O que choca não é apenas a brutalidade do ato, mas o histórico: o jovem já havia presenciado o pai tentar matar a mesma mulher. Casos como esse levantam questões profundas sobre falhas sistêmicas na proteção de vítimas de violência doméstica. Como engenheiro de software e analista de tecnologia, não posso deixar de pensar no papel que sistemas de inteligência artificial poderiam — ou não — ter na prevenção de tragédias assim.
A tentação de enxergar a IA como uma solução onipresente é forte. Empresas e governos investem em modelos preditivos para identificar situações de risco, priorizar visitas de assistentes sociais e até emitir alertas precoces. Mas a realidade da implementação é muito mais complexa do que os pitches de startups sugerem. O caso de Gabriela expõe três gargalos clássicos que qualquer engenheiro que trabalhe com IA aplicada precisa encarar: qualidade de dados, viés de contexto e integração com processos humanos.
O paradoxo dos dados em violência doméstica
Modelos preditivos dependem de dados históricos para aprender padrões. No entanto, violência doméstica é notoriamente subnotificada. Agressões que chegam aos sistemas de justiça ou saúde representam apenas a ponta do iceberg. No caso de Gabriela, o adolescente presenciou a tentativa de assassinato anterior — mas quantos episódios menores, como ameaças ou agressões psicológicas, ficaram de fora dos registros? Um modelo treinado apenas com dados oficiais aprenderá um retrato distorcido, subestimando o risco em famílias onde a violência nunca é denunciada. Isso não é um bug técnico; é um viés estrutural dos dados.
Para mitigar isso, equipes técnicas podem incorporar fontes alternativas: registros de chamadas para linhas de ajuda, relatos de escolas, padrões de atendimento em pronto-socorro. Mas cada fonte traz seus próprios vieses de seleção e ruído. Em projetos reais que acompanhei, a integração desses dados exige um trabalho pesado de engenharia de features e validação com especialistas de domínio — assistentes sociais, psicólogos, delegados. Sem esse esforço, o modelo vira uma caixa-preta que replica desigualdades.
Predizer não é prevenir — a lacuna da intervenção
Suponha que um sistema classifique corretamente uma família como "alto risco". O que acontece depois? Essa é a pergunta que muitos projetos de IA esquecem. Em Portugal, como no Brasil, as redes de proteção são sobrecarregadas e fragmentadas. Um alerta gerado por algoritmo pode ser ignorado por falta de recursos humanos, ou chegar a um profissional que não tem autonomia para agir. A tecnologia cria a expectativa, mas a execução depende de processos que estão fora do escopo do modelo.
Nos projetos que liderei, sempre insisti em desenhar o loop de intervenção antes mesmo de treinar o primeiro classificador. Qual é o canal de comunicação com o usuário final (assistente social, policial)? Quanto tempo leva para agir? Existe um protocolo de escalonamento? Sem essas respostas, o modelo é apenas um gerador de ansiedade. O adolescente de Oeiras provavelmente não seria salvo por um alerta de IA se o sistema de proteção já não tivesse condições de agir com base nas denúncias anteriores.
Privacidade e consentimento em dados sensíveis
Trabalhar com violência doméstica significa lidar com dados ultras sensíveis: localização, histórico médico, relatos de vitimas. A coleta e o processamento desses dados exigem conformidade com a LGPD (no Brasil) e o GDPR (na Europa). Mas o desafio vai além da burocracia legal. Na prática, vítimas podem evitar procurar ajuda se souberem que seus dados alimentam um sistema automatizado — medo de vigilância, de retaliação do agressor, de decisões automatizadas injustas.
Uma abordagem que tenho visto funcionar em contextos de saúde pública é o uso de técnicas de privacidade diferencial e aprendizado federado, onde o modelo é treinado sem centralizar dados individuais. Isso reduz o risco de exposição, mas aumenta a complexidade técnica e dificulta a explicabilidade. Engenheiros precisam escolher entre acurácia e privacidade, e essa escolha tem consequências reais para as pessoas que o sistema deveria proteger.
O risco de viés algorítmico em populações vulneráveis
Modelos treinados em dados de violência doméstica frequentemente apresentam viés contra minorias étnicas, socioeconômicas ou imigrantes — justamente os grupos mais vulneráveis. Se o sistema for usado para priorizar alocação de recursos, pode perpetuar discriminação. Em Portugal, a vítima era brasileira; em muitos algoritmos, imigrantes são subrepresentados ou associados a maior criminalidade devido a vieses nos dados de treinamento.
Para combater isso, equipes técnicas devem realizar auditorias de fairness específicas para cada subgrupo relevante. Ferramentas como AI Fairness 360 (IBM) e What-If Tool (Google) ajudam a detectar disparidades, mas não substituem a necessidade de uma curadoria cuidadosa dos dados e da definição de métricas de sucesso alinhadas com justiça social. Uma recomendação prática: inclua especialistas em ciências sociais no time de produto desde a fase de design.
Quando a IA não é a resposta certa
A maior lição que tiro de tragédias como a de Gabriela Barbosa é que nem todo problema social é um problema de IA. Às vezes, o que falta não é um modelo preditivo, mas sim uma rede de apoio funcional, profissionais treinados e vontade política. A tecnologia pode ser uma ferramenta poderosa, mas nunca um substituto para políticas públicas e intervenção humana qualificada.
Como engenheiros, somos tentados a oferecer soluções tecnológicas para qualquer dor. Mas precisamos de humildade para reconhecer onde a IA agrega valor real e onde é apenas uma distração. Em violência doméstica, o ganho mais significativo talvez não esteja em prever o futuro, mas em facilitar a denúncia, automatizar tarefas burocráticas para liberar profissionais para o atendimento direto, e garantir que os dados das vítimas sejam tratados com o máximo de privacidade e dignidade.
O adolescente de Oeiras carregava uma história de violência que sistemas tradicionais não conseguiram interceptar. A próxima geração de sistemas com IA pode fazer melhor, mas somente se integrarmos dados de qualidade, loops de intervenção robustos, privacidade desde o design e um profundo respeito pelos limites da predição. Enquanto isso, o luto da família Barbosa nos lembra que atrasar uma ação humana por esperar uma notificação automatizada pode custar uma vida.