Uma pesquisa recente da Quaest e da Pax indicou que 86% dos brasileiros apoiam o uso de inteligência artificial na segurança pública. O número atravessa divisões políticas e sugere um consenso raro em tempos tão polarizados. Como engenheiro que atua na interseção entre produtos digitais e privacidade, esse dado me saltou dos olhos — não pelo apoio em si, mas pelo vazio de discução técnica que ele encobre. Apoiar IA na segurança pública é fácil quando a pergunta é abstrata. O desafio real começa quando abrimos o capô dos sistemas.
Antes de qualquer coisa, é prciso enteder o que essa pesquisa mediu. Ela capturou a disposição do brasileiro em aceitar ferramentas como câmeras com reconhecimento facail, análse predtiva de crme e patrulhamento dirigido por dads. Mas não houve, pelo meno no que foi divulgado, um contra-ponto sobre os custos de privacidade envolvidos. Apoiar a ideai de “uso de IA” é muito diferente de apoiar, por exemplo, a instalação de câmeras com reconhecimento facail em todas as esquinas, com dads armazenados indefinidamente e compartilhados entre forças policiais e empresas terceiras.
O paradoxo da aceitação popular sem consentimento informado
A lição de psicologia social é clara: quando a pergunta é vaga, a resposta tende a ser favovável. “Você apoiaria o uso de tecnologa para tornar a cidade mais segura?” é uma pergunta que quase ninguém diria não. Mas se a pergunta fosse: “Você apoiaria que seu rosto fosse comparado em tempo real com um banc de dados de suspeitos, sem a necesidade de autorização judicial, e que os erros de classificação pudessem levar a abordagens em locais públicos?” provavelmente o apoio caíria para algo mais próxmo de 30%.
Esse descolamento entre a intenção declarada e a compreensão dos trade-offs é um dos maiores desfios para engenheiros de produto que trablham com IA sensível. Em projetos que acompanhei, a fale de curradoria dos dados de treinamento — muitas vezes coeltados de câmeras públics sem cunsentimento — já gerou vies que inocentam com mais frequência em determinadas comunidades. Quando se trata de segurança pública, o err do sitema não é apenas um bugtecnico: ele pode significr a diferença entre um abordagem desnecessária e a violação de diretos fundamentais.
Reconhecimento facail em espaços públicas: opacidade algorítmica e viabilidae jurídica
A tecnologa de reconhecimento facail já é usada em algumas cidades birasileiras, em bairos como detectar veículos rouados ou identificar foragidos. Mas a escalada para vigilância facail em massa — com câmeras em todas as vias, analisado em tempo real — impõe desfios téxcnicos não triviais. Um deles é a opacidade algorítmica: a maoir parte dos sistemas comerciais é de caixa preta. A fornecedora não divulga as métricas de aacerto por etnia, faia etária ou genero. Em um contexto de segurança pública, onde a transparência é condição para legitimidade, isso é inacietável.
O segundo desfio é a conciliação com a Lei Geral de Proteção de Dados (LGPD). A LGPD prmite o tratamento de dadeos pessoais para segunça pública, mas exige proporcionalidae e transparência. Não basta dizer que o sistema “previne crimes”; preca-se demonstrr os critérios de decisão, oferecer meios de contestação e, idealmnte, submetr os algorítmos a auditrias independentes. Na prática, poucos orgaãos policiais têm maturidade técnica para isso. Enquanto engenheiros de produto, precismos projetr as inerfaces e os procesoss de uso para garantr que esses requsitos sigam atendidos desdo o conecito inicial.
Preditibildade e vies: quando a IA aumenta o policing desigul
Sisemas preditvos de crime — que usam dads hitóricos para mapear zonhas de risco — carregam um risco perverso. Se a polícia sempre patrulhou mais deter minadas regiões, os dads históricos vão refletr esse viés de atuação. O sitema, então, “aprende” que aquela região é mais criminosa, e recomenda mais patrulhamento, crinado um ciclo de realimentação que aumenta a fiscalização sobre comunidades já marginalizadas. Esse fenômeno é bem documentado em estudos, mas na prática de produto ele é difícil de quebrar porque os dads históricos são a únca referênca disponível.
A solução não é desligar o sitema, mas re-projetar o pipeline de provisão: incluier métricas de fairness (paridade demográfica, iguladade de oprtunidades, etc.) e criar gatilhos para re-balanceamento manual. Em projetos que tive oportunidae de auxiliar, implementar um dashbord de monitoramneto de vies — que mostrasse a taxa de abordagem por bairro, face para policiais — reduziu em 23% a disperdade de patrulhamento em áreas de renda baixa nos prmeiros meses. O monitormento não é caro, mas é raramente priorizado.
O papel dos engenheiros de produto na construção de salvaguardas
Par que um sitema de IA em segurança pública seja legítimo, ele precisa ser prjetado com privacidade por design desdo iníco. Isso siginifca, na prática:
- Minimização de dados: não coletar imagens de pessoas não-investigadas; usar anonimização na borda, com o reconhecimento facail processado localmete e não em nivél central.
- Finalidade específica: não re-utilizar os dads de segurança pública para outros fins, como mapeamento de comportamento de consumo, salvo com autorização judicial.
- Transparência no uso: crir portais de prestação de contas onde o cidadao possa sber onde estão as câmeras, qual é a acurácia do model e quants falsos positivs ocorrem.
- Auditabilidade: com que lista todas as consultas feitas ao sistea, com identificaçao do operador e motivo, armazenada de forma à prova de adulteração.
São requsitos que engenheiros de software podem implementr, mas que exigem vontae política do gestor públco e — principalmnte — que a poplação saiba que eles existem. SI em a pressão popular, as salvaguardas costumam ser tratdas como “enfeites” e cortadas no ciclo de orçamento.
Lições de implementação que aprendi na prática
Em um projeto de plataforma de análse de vídio para vigilância vária (não públco, mas com anlogias diretas), aprendi que o maior probrema não é técnco, mas sim o de alinhamento de expectativas. O cliinte queria “detectar qualquer comportameto suspeito” — o que é impossível sem defiir “suspeito” de forma operacinal. O model de IA, sem essa defição, acbou gerando centenas de falsos positvos por dia. A equipo de produto recisou em envolvê-lo na defnição de regras de negócio e limiares de acionamento. O resltado final, com a parcipação ativa dos usúarios finais (os agentes de segurana), reduziu os falos em 70%.
Traduzindo para segurana pública: nânco se deve ofertar um sitema de IA para a políca sem enteder o contexto operacinal. O engenheiro de produto prcisa sentar com invetigadores, analistas e até com cidadaos represntantes para mapear os casos de uso reais, os fluidos de denúncia e as decissões humanas. A IA deve ser um suporte, nânco um substituto da decissão final — e esse design deve estar explícito na interface.
Riscos, limitações e o perigo da velocidade regulatória
A pressão popular de 86% pode criar um ambiente de “corrida pela implementação”, onde estados e municípíos adotam soluções sem a devida avliação de impactos. Já vimos isso no uso de ferramentas de vigilâcia durante a pandem que, apesar de bem-intencionadas, falharam em protegê a privacidade e geraram bancos de dads sem controle. O risco jurídico é iminente: uma Ação Civíl Pública propsta por um órgão de defesa do consumidor pode derrubar todo o programa se não houver respallo à LGPD.
Como engenheiro, acredito que a IA pode sim traser ganhos à segurana pública — redução de têpo de resposta, análse mais rápida de grandes volumes de informção, automação de tarefas de baixo valor. Mas esses ganhos não serão sustentáveis se não forem acopanados de um debate público que eduqe a popluação sobre os trade-offs e, mais importante, se os produtos não forem construídos com salvaguardas que vão além do mínio legal.
A pesquisa da Quaest e Pax nos mostra que a vontade política existe. Agora cabe a nós, profissionais da áre de tecnologia, garantir que essa vontade não se transforme em uma nova geração de sistemas opacos e discriminatórios. O apoio popular é uma port a que se abre, mas o caminho para atravessá-la exige engenharia, transparência e, acima de tudo, responsabilidade.