No dia 30, a Quaest divulgará um levantamento sobre a corrida ao governo de Goiás. A pesquisa medirá a disputa pelo Palácio das Esmeraldas, reduto político do atual governador Ronaldo Caiado. À primeira vista, é apenas mais um número em um ciclo eleitoral. Mas para quem trabalha com modelos preditivos e IA aplicada, este caso específico carrega uma camada técnica que merece análise: o veto de Caiado à chamada “lei da IA” no estado, sancionada em janeiro de 2025, e como isso impacta — ou não — a metodologia de institutos como a Quaest.
O governador vetou integralmente o projeto que criava diretrizes para o uso de inteligência artificial em Goiás. A justificativa oficial foi de que a proposta invadia competências da União ao regular matéria de Direito Civil e Processual Civil. Tecnicamente, o argumento tem mérito jurídico. Mas o gesto político é claro: em um estado onde o governador é pré-candidato à presidência, a decisão sinaliza um posicionamento sobre o tema. Para engenheiros de software e profissionais de IA, o que importa não é o debate político em si, mas o fato de que a ausência de regras estaduais cria um ambiente de incerteza para quem desenvolve e aplica modelos preditivos em contextos públicos.
O modelo Quaest: mais que uma pesquisa de opinião
A Quaest não é um instituto tradicional. Fundada em 2022 por Felipe Nunes, cientista político formado pela UFMG com doutorado pela UCLA, a empresa utiliza inteligência artificial e big data para complementar as pesquisas quantitativas clássicas. O diferencial está na camada de modelagem: enquanto institutos como Datafolha e Ipec trabalham predominantemente com estratificação amostral e ponderação estatística, a Quaest integra dados de geolocalização, consumo digital e comportamento em redes sociais para calibrar suas previsões. É, em essência, um sistema híbrido de IA aplicada sobre um banco de dados próprio.
Na prática, o pipeline funciona assim: a coleta de campo gera cerca de 2.000 entrevistas presenciais. Esse dado bruto alimenta um modelo de machine learning que ajusta pesos sociodemográficos e regionais com base em padrões históricos de voto e em variáveis contextuais — como aprovação do governo, percepção econômica e incidência de notícias falsas na região. O resultado é uma projeção que tenta corrigir vieses comuns em surveys, como a sub-representação de eleitores de baixa escolaridade ou a superestimação de candidatos com maior presença digital. É um avanço metodológico relevante, mas que também expõe fragilidades típicas de qualquer modelo preditivo: dependência de dados de treino, risco de overfitting e sensibilidade a eventos de cauda longa.
Veto à regulação: o que muda para o modelo?
O veto de Caiado à lei estadual de IA não afeta diretamente a metodologia da Quaest — a empresa continuará operando com base na legislação federal e nas normas da Justiça Eleitoral. Mas o episódio levanta uma questão técnica importante: a ausência de um marco regulatório local deixa brechas para questionamentos jurídicos sobre a coleta e o tratamento de dados pessoais usados nos modelos. Se um candidato ou partido decidir contestar a pesquisa na Justiça, o argumento de que a IA utilizada "discrimina" ou "superestima" certos perfis pode encontrar eco em um ambiente sem diretrizes claras.
Para quem desenvolve sistemas similares — seja em produto digital, infraestrutura em nuvem ou segurança —, a lição é prática: a governança de dados precisa ser desenhada considerando o pior cenário regulatório, não o atual. Um modelo que funciona hoje pode se tornar impugnável amanhã se uma lei municipal ou estadual mudar os critérios de anonimização, consentimento ou transparência algorítmica. Em Goiás, por exemplo, o veto não cria regras, mas também não impede que futuras gestões criem normas mais restritivas. A imprevisibilidade é o verdadeiro risco.
O erro que muitos cometem ao interpretar pesquisas com IA
Há uma confusão frequente no mercado e na imprensa: achar que modelos de IA em pesquisas eleitorais são “caixas-pretas” que substituem a opinião pública. Não são. A Quaest, assim como qualquer instituto sério, usa IA como ferramenta de calibração, não como substituta da coleta de campo. O dado primário continua sendo a entrevista presencial. O modelo apenas ajusta pesos e projeta cenários hipotéticos — como "segundo turno" ou "voto útil".
Em projetos de infraestrutura de dados que liderei, percebi que o maior risco não está no algoritmo, mas na qualidade do dado de entrada. Se a amostra de entrevistas tem viés geográfico — poucas entrevistas no interior, muitas na capital —, o modelo vai amplificar esse desequilíbrio. A IA não corrige má coleta; ela a propaga com elegância matemática. O mesmo vale para aplicações em produtos digitais: um modelo de recomendação treinado com dados de 10 mil usuários power users vai performar mal para os 90 mil usuários casuais. A lição de Goiás é que, antes de discutir regulação, precisamos discutir métricas de qualidade dos dados de entrada.
Implicações para produto e operação
Para engenheiros de software e product managers que trabalham com modelos preditivos, o caso Quaest-Caiado oferece três aprendizados aplicáveis fora do contexto eleitoral:
- Transparência algorítmica como vantagem competitiva: A Quaest divulga a metodologia de forma detalhada, incluindo pesos e variáveis. Em B2B e SaaS, expor a lógica do modelo — dentro do aceitável para propriedade intelectual — gera confiança e reduz contestações.
- Incerteza regulatória exige arquitetura flexível: O veto em Goiás pode ser revertido ou substituído por outra lei. Sistemas de IA devem ser projetados com parâmetros ajustáveis por região, permitindo desligar funcionalidades de coleta ou processamento sem parar o produto inteiro.
- Dados públicos não são sinônimo de dados isentos: A pesquisa usa dados abertos de fontes oficiais, mas a IA os interpreta. O viés pode estar na fonte — um cadastro desatualizado — ou no modelo. Testes de adversarial validation ajudam a identificar distorções antes que virem crise.
Riscos técnicos de ignorar o contexto político
Ignorar o ambiente regulatório e político ao implementar IA em produtos digitais é um erro comum de startups e até de empresas maduras. O caso de Goiás é microcósmico: um veto estadual a uma lei de IA, mesmo que juridicamente frágil, cria um sinal de mercado. Empresas que dependem de dados pessoais para treinar modelos — como as de fintech, healthtech e adtech — precisam monitorar não só as leis federais, mas as movimentações estaduais. Um veto hoje pode ser uma lei restritiva amanhã, e o custo de adaptação de um pipeline de dados costuma ser subestimado em orçamentos de produto.
Há também o risco reputacional. Se o governador de um estado veta uma lei de IA e, na mesma semana, um instituto divulga uma pesquisa desfavorável a ele usando inteligência artificial, a narrativa de "manipulação" ganha força independentemente da correção técnica do modelo. Para profissionais de segurança da informação, isso é análogo a um ataque de reputação: o dano acontece antes que a prova técnica seja apresentada. Mitigar esse risco exige documentação de processo, testes de auditoria independentes e, principalmente, canais de comunicação técnica com a imprensa.
Uma perspectiva pessoal sobre o futuro das pesquisas com IA
Acredito que a integração de IA a pesquisas eleitorais veio para ficar — e é positiva. Modelos bem calibrados reduzem o erro amostral e permitem capturar nuances que entrevistas tradicionais perdem, como a migração de voto entre primeiro e segundo turno. Mas o caso Quaest em Goiás mostra que a tecnologia não opera no vácuo. O contexto político e regulatório não é ruído de fundo: é sinal. Ignorá-lo é submeter o modelo a um risco que nenhuma validação cruzada consegue eliminar.
Para o mercado de tecnologia, fica o recado de que IA aplicada exige tanto habilidades de engenharia quanto de leitura de cenário. O profissional que entende de regulação, de dinâmica política e de governança de dados entrega mais valor do que aquele que apenas sabe tunar hiperparâmetros. O veto em Goiás é um lembrete de que, em sistemas reais, o dado nunca é apenas dado — ele carrega contexto, poder e, às vezes, veto político. Saber lidar com isso é o que separa um modelo funcional de um modelo que, na prática, não sai do papel.