A assinatura de mais um memorando de entendimento entre big techs e o Tribunal Superior Eleitoral (TSE) para combater a desinformação nas eleições já se tornou um ritual periódico. A cada ciclo eleitoral, as mesmas plataformas — Google, Meta, TikTok, X, entre outras — renovam o compromisso público de colaborar com a Justiça Eleitoral. Mas, para quem trabalha na linha de frente de engenharia de produto e inteligência artificial, essa cena levanta uma questão menos óbvia: o que realmente funciona quando o assunto é moderação de conteúdo em escala, com prazos apertados e sob pressão regulatória?
O combate à desinformação não é um problema de vontade política, e sim de engenharia. A cada eleição, os mecanismos de propagação de fake news se sofisticam — hoje com o auxílio de IA generativa, deepfakes e campanhas orquestradas por bots que imitam comportamento humano com alta fidelidade. Enquanto o TSE e as plataformas assinam acordos de cooperação, os times de produto precisam decidir, em tempo real, quais conteúdos derrubar, sinalizar ou deixar no ar. É nesse ponto que a teoria esbarra na prática, e os trade-offs se tornam inevitáveis.
O que o acordo não diz sobre a implementação
O memorando firmado nesta quinta-feira (16) estabelece diretrizes gerais de colaboração, como compartilhamento de dados, canais de denúncia e campanhas de conscientização. Nada disso é trivial de implementar. Do ponto de vista técnico, cada plataforma opera com arquiteturas de moderação radicalmente diferentes. O YouTube, por exemplo, depende fortemente de modelos de classificação de vídeo combinados com sinalizações de usuários; o X aposta em Community Notes e moderação reativa; o TikTok prioriza a moderação proativa em feeds algoritmicamente curados. Fazer com que esses sistemas operem de forma coordenada com o TSE exige integrações de API, definição de métricas comuns e, sobretudo, alinhamento semântico sobre o que é desinformação eleitoral — um conceito que varia entre países e até entre eleições.
Na prática, a maior dificuldade não está em detectar o conteúdo falso óbvio, mas nas zonas cinzentas: opinião política disfarçada de fato, sátira, descontextualização de dados oficiais, alegações que misturam verdade e distorção. Os modelos de linguagem natural (LLMs) usados para classificação de texto são treinados em datasets que, em português brasileiro, ainda têm baixa cobertura de variações regionais e expressões coloquiais. Resultado: a precisão cai justamente nas bordas onde o dano informacional é maior.
O gargalo dos falsos positivos e negativos
Um dos aprendizados que acumulei em projetos de moderação de conteúdo é que o equilíbrio entre recall e precisão é um pesadelo de produto. Se o sistema é agressivo demais na remoção, gera censura e reação política negativa — as plataformas são acusadas de silenciar vozes legítimas. Se é permissivo demais, a desinformação se espalha antes de qualquer ação corretiva. O TSE cobra celeridade, mas os algoritmos de detecção em tempo real têm latência variável. Para deepfakes de áudio e vídeo, a detecção automatizada ainda erra em até 20% dos casos, dependendo da qualidade da mídia e do contexto. É um número que, em eleições apertadas, pode decidir a narrativa pública.
Além disso, o custo computacional de rodar múltiplos modelos de detecção em escala — para imagem, texto, áudio, vídeo e metadados — é imenso. Empresas menores, que não são signatárias do acordo, muitas vezes não têm infraestrutura para isso. O acordo com TSE, portanto, cria uma assimetria: as big techs se comprometem, mas o ecossistema de desinformação inclui aplicativos de mensageria, sites de nicho e fóruns que não estão na mesa de negociação. A engenharia de combate precisa ser pensada de forma federada, o que ainda é um desafio técnico aberto.
IA generativa: o novo campo de batalha
Dois anos atrás, o maior medo era a manipulação de imagens com Photoshop. Hoje, qualquer pessoa com acesso a um modelo de difusão pode gerar um vídeo de um candidato dizendo algo que nunca disse, com sincronia labial quase perfeita. A detecção de deepfakes evoluiu, mas a geração também. É uma corrida armamentista em que os modelos de defesa raramente saem na frente. O que o acordo TSE-big techs não explicita é como as plataformas vão compartilhar entre si os modelos de detecção ou os datasets de treinamento. Sem cooperação técnica real, cada empresa reinventa a roda, e os custos de desenvolvimento são repassados para a sociedade na forma de desinformação não mitigada.
Há também a questão dos modelos de linguagem que podem ser usados para gerar textos falsos em massa — artigos, posts, comentários — com estilo e argumentação convincentes. A assinatura digital de conteúdo (como o padrão C2PA) é uma solução emergente, mas exige que toda a cadeia de produção adote o padrão. O TSE poderia exigir que conteúdo oficial de candidaturas fosse marcado com credenciais criptográficas, mas isso não impede que terceiros criem versões falsas. Novamente, a engenharia de produto precisa trabalhar em duas frentes: detecção e rastreabilidade de origem.
Moderação híbrida: o ponto ótimo está na curadoria humana aumentada por IA
Em minha experiência, o modelo que tem se mostrado mais eficaz em contextos eleitorais é o chamado human-in-the-loop com escalabilidade inteligente. A IA faz a triagem inicial — removendo spam óbvio, conteúdo duplicado e deepfakes de baixa qualidade — e encaminha para revisores humanos apenas os casos limítrofes ou de alto risco. O desafio é dimensionar equipes humanas com capacidade de julgamento contextual. Em português brasileiro, expressões como "o candidato X é um ladrão" podem ser opinião legítima ou calúnia, dependendo do contexto. O modelo precisa ser treinado com exemplos locais, e os revisores precisam de diretrizes claras, que mudam a cada resolução do TSE.
O acordo de cooperação poderia evoluir para incluir, por exemplo, a criação de um dataset público e anotado de desinformação eleitoral brasileira, com curadoria conjunta entre TSE, academia e plataformas. Isso aceleraria o treinamento de modelos e reduziria a dependência de dados sintéticos ou de outros países. Mas, até agora, os memorandos têm sido tímidos nesse aspecto. Ficam no nível da intenção, sem compromissos técnicos mensuráveis.
Implicações para times de produto e operação
Para engenheiros e gerentes de produto que trabalham com moderação de conteúdo, a parceria TSE-big techs serve como um termômetro das prioridades regulatórias. As plataformas precisarão investir em APIs de compliance que permitam ao TSE consultar rapidamente a situação de um conteúdo específico, além de dashboards de transparência em tempo real. Isso pressiona as equipes de infraestrutura a garantirem baixa latência e alta disponibilidade, sob risco de multas ou sanções. Não é exagero: a legislação eleitoral brasileira já prevê responsabilização solidária em caso de descumprimento.
Outro ponto é a necessidade de pipelines de dados que cruzem informações de diferentes fontes — denúncias de usuários, varreduras automatizadas, alertas do TSE, listas de URLs proibidas — e gerem ações consistentes. Sistemas legados, que tratam cada tipo de conteúdo em silos separados, não conseguem responder com a agilidade necessária. A arquitetura orientada a eventos (event-driven) com filas de processamento assíncrono e priorização por risco é a abordagem que tenho recomendado em projetos de consultoria. Mas poucas empresas têm maturidade para implementá-la em semanas, como o calendário eleitoral exige.
Riscos e limitações que não podem ser ignorados
O maior risco que enxergo nesse tipo de acordo é a criação de uma falsa sensação de segurança. Quando o TSE anuncia a parceria, a opinião pública pode acreditar que o problema está resolvido. Mas a desinformação não respeita fronteiras de plataforma: ela flui por WhatsApp, Telegram, grupos privados de Discord, newsletters e até anúncios patrocinados. A moderação nessas superfícies é muito mais difícil, porque o conteúdo não é público e as plataformas têm políticas de privacidade que limitam a inspeção. O acordo não cobre esses canais, e a engenharia de combate precisa considerar a detecção de campanhas coordenadas que se originam no escuro e depois vazam para o aberto.
Além disso, há o viés algorítmico. Modelos treinados majoritariamente em dados de grandes centros urbanos podem falhar ao classificar desinformação em contextos rurais ou com dialetos regionais. O TSE deveria exigir auditoria independente dos modelos de moderação, algo que ainda não é prática comum. Sem transparência, os algoritmos podem penalizar desproporcionalmente discursos de minorias ou oposições, gerando distorções democráticas.
Uma perspectiva pessoal sobre o caminho a seguir
Acredito que a parceria entre TSE e big techs é um passo necessário, mas insuficiente. Do ponto de vista de engenharia, o que realmente faria diferença seria a criação de um padrão aberto de interoperabilidade para sinais de desinformação — algo como um protocolo de reputação de conteúdo que permita a diferentes plataformas compartilharem informações sobre URLs, imagens e contas suspeitas, respeitando privacidade e due process. O TSE poderia atuar como orquestrador desse protocolo, em vez de depender de acordos bilaterais com cada gigante.
Enquanto isso não acontece, os times de engenharia precisam se preparar para o pior cenário: uma onda de deepfakes realistas gerados por modelos acessíveis, combinada com campanhas de manipulação em escala. O investimento em detecção precoce, equipes de resposta rápida e comunicação transparente com os usuários é o que separa uma eleição minimamente saudável de um caos informacional. A assinatura do memorando é o começo, não o fim. E a responsabilidade técnica, como sempre, recai sobre quem constrói os sistemas.