A nova pesquisa Quaest sobre a disputa Tarcísio x Haddad em São Paulo

# Quando uma pesquisa política esbarra no gargalo da inteligência artificial aplicada A notícia sobre a nova pesquisa Quaest para a disputa entre Tarcísio de Freitas e Fernando Haddad em São Paulo, publicada originalmente por Pedro Cardoso na Veja, é um daqueles eventos que, para o cidadão comum, representa apenas mais um capítulo da crônica eleitoral brasileira. Para quem trabalha com inteligência artificial aplicada a processos de tomada de decisão, porém, o caso oferece um gancho interessante sobre um problema bem menos comentado: como modelos preditivos embarcados em ferramentas de pesquisa de opinião lidam com vieses estruturais de amostragem em cenários de alta volatilidade. Não estamos falando aqui da metodologia tradicional de pesquisas eleitorais — margem de erro, intervalo de confiança, estratificação por renda e escolaridade. Isso qualquer estatístico sabe fazer. O ponto que levanto é outro: em um contexto onde institutos como Quaest, Datafolha e Ipec começam a incorporar inteligência artificial para refinar segmentação de entrevistados e prever cenários de transferência de votos, onde exatamente a máquina pode introduzir distorções que um questionário humano jamais produziria? E, mais importante, como profissionais de tecnologia que atuam em produtos digitais devem pensar sobre isso? ## O dilema da predição em ambientes politicamente instáveis Toda pesquisa de intenção de voto é, na prática, um exercício de modelagem preditiva. A diferença é que, historicamente, quem fazia as predições eram analistas humanos interpretando tabelas de contingência. Hoje, algoritmos de aprendizado de máquina são treinados para identificar padrões de comportamento eleitoral com base em milhares de variáveis — desde histórico de votação anterior até consumo de mídia, localização geográfica e interações em redes sociais. O problema surge quando esses modelos precisam ser calibrados para capturar intenções de voto que, em um ambiente polarizado como o paulistano, podem mudar radicalmente em questão de dias. Em engenharia de machine learning, chamamos isso de *concept drift* — a mudança na relação entre as variáveis de entrada e o alvo que o modelo tenta prever. Uma pesquisa Quaest feita hoje pode refletir um cenário que, metodologicamente, ainda não incorporou um evento político relevante ocorrido na véspera. O algoritmo, treinado com dados históricos de eleições passadas e ciclos anteriores, simplesmente não tem como aprender algo que ainda não aconteceu. Do ponto de vista prático, quem desenvolve produtos de IA para análise de opinião pública precisa lidar com trade-offs que não são triviais: você prefere um modelo mais estável, que suaviza flutuações diárias e entrega uma leitura de tendência de médio prazo, ou um modelo mais sensível, que captura o ruído do noticiário recente mas corre o risco de reagir a eventos que não terão impacto duradouro? Não há resposta certa — há escolhas de arquitetura de modelo que precisam ser explicitadas, documentadas e, idealmente, auditadas. ## Onde a IA pode, de fato, agregar valor real Ainda que o uso preditivo em pesquisas eleitorais seja controverso e sujeito a críticas metodológicas legítimas, há um campo onde inteligência artificial já entrega valor indiscutível: a detecção de padrões de não resposta e a correção de viés de seleção amostral. Para quem nunca trabalhou com dados de survey em larga escala, um lembrete rápido: uma das maiores fontes de erro em pesquisas de opinião não está nas perguntas, mas em quem *escolhe* responder. Eleitores mais engajados politicamente tendem a responder pesquisas com mais frequência. Jovens de baixa renda, moradores de periferias e pessoas com menor escolaridade frequentemente recusam participar ou simplesmente não são alcançados pelos métodos tradicionais — telefone fixo, entrevista presencial em horário comercial. É aí que algoritmos de *propensity score weighting* e modelos de *non-response adjustment* entram em cena. Treinados com dados censitários e históricos de pesquisas anteriores, eles calculam a probabilidade de cada perfil demográfico ter sido sub-representado e aplicam pesos estatísticos para corrigir a distorção. Ferramentas modernas como o pacote *survey* do R ou implementações em Python com scikit-learn já incorporam essas técnicas de forma nativa. O problema é que poucos institutos — e aqui incluo não apenas a Quaest, que tem padrão técnico reconhecido, mas o setor como um todo — divulgam abertamente *como* seus modelos de pós-estratificação são calibrados. Para quem atua em produto digital, a lição é direta: não basta ter um modelo preditivo sofisticado. É preciso que a documentação técnica inclua os critérios de ponderação, as suposições estatísticas adotadas e, principalmente, os limites de aplicação. Na ausência disso, a IA vira uma caixa-preta que gera números com aparência de precisão, mas sem rastreabilidade. ## Riscos de automação que ninguém discute Uma questão que raramente aparece nos debates sobre pesquisa eleitoral com IA é a *automação enviesada da decisão de amostragem*. Explico: para reduzir custos, alguns institutos começaram a usar algoritmos para definir quais bairros, horários e perfis devem ser priorizados na coleta de dados. O modelo, treinado para maximizar eficiência — ou seja, obter o maior número de respostas com o menor custo —, tende a evitar áreas de difícil acesso ou onde a taxa de recusa é alta. Isso significa que, ao longo do tempo, a base de treinamento do próprio algoritmo de amostragem incorpora um viés de exclusão. Periferias com baixa densidade de moradores com telefone fixo ou áreas de alto tráfego de pedestres onde entrevistadores são frequentemente abordados por segurança pública acabam sendo progressivamente menos visitadas. O resultado é um efeito de retroalimentação: quanto menos a IA coleta dados daquela região, menos ela aprende a calibrar pesos para ela, e mais irrelevante aquela população se torna para o modelo final. Profissionalmente, vejo isso como um dos riscos mais subestimados da aplicação irrefletida de IA em operações de pesquisa. É o mesmo fenômeno que ocorre em modelos preditivos de crédito quando eles aprendem a negar empréstimos para perfis que historicamente tiveram menos acesso a bancos — o viés histórico vira viés algorítmico que se autorreforça. ## Implicações para infraestrutura de coleta Do ponto de vista de infraestrutura em nuvem e operações de TI, quem trabalha com plataformas de survey em larga escala sabe que o volume de dados gerados por uma pesquisa eleitoral é modesto — algumas milhares de linhas de resposta. O gargalo não está no armazenamento, mas na *qualidade da coleta*. Aplicações de CATI (Computer-Assisted Telephone Interviewing) e CAWI (Computer-Assisted Web Interviewing) rodam sobre sistemas legados que muitas vezes não possuem integração em tempo real com bancos de dados analíticos. Em projetos de modernização de infraestrutura que liderei em plataformas de pesquisa de mercado, o maior ganho não veio de algoritmos mais sofisticados, mas de *pipeline de dados* que permitissem que os dados brutos chegassem ao analista em minutos, não em dias. Isso exigiu migração de bancos SQL tradicionais para soluções baseadas em streaming com Apache Kafka e agregadores de dados em memória como Redis. O resultado prático? A equipe de metodologia conseguia identificar, ainda durante a coleta, se um estrato amostral estava sub-representado e fazer ajustes imediatos no protocolo de entrevista. Aplicar isso a pesquisas eleitorais exigiria um nível de investimento em infraestrutura que a maioria dos institutos brasileiros ainda não fez. E não é por falta de recursos financeiros — muitos deles faturam milhões por ciclo eleitoral. É por falta de priorização técnica. O incentivo econômico ainda está em entregar o resultado rápido, não em garantir que o processo seja auditável e corrigível em tempo real. ## O que profissionais de tecnologia devem tirar disso Se você trabalha com engenharia de software, IA aplicada ou produto digital, a cobertura de uma pesquisa eleitoral pode parecer distante do seu dia a dia. Não é. Toda decisão baseada em dados — seja para precificar um produto, recomendar um conteúdo ou segmentar uma campanha de marketing — enfrenta exatamente os mesmos problemas: viés amostral, concept drift, trade-off entre sensibilidade e estabilidade, e risco de algoritmos que se autorreforçam. O que diferencia uma pesquisa eleitoral de um sistema de recomendação de e-commerce, por exemplo, não é a matemática subjacente, mas a consequência pública do erro. Um modelo que recomenda o produto errado para um cliente gera insatisfação econômica. Um modelo de pesquisa que distorce a intenção de voto de um estrato populacional inteiro pode influenciar a percepção pública e, no limite, o próprio resultado eleitoral. Por isso, minha recomendação editorial é direta: não existe inteligência artificial aplicada de qualidade sem uma camada robusta de curadoria humana sobre as premissas estatísticas. Algoritmos precisam de supervisão explícita sobre os critérios de ponderação, sobre os dados de treinamento e, principalmente, sobre quais vozes estão sendo silenciadas pelo próprio processo de coleta. Ferramentas de *explainable AI* — como SHAP, LIME ou contrafactuais gerados por modelos de substituição — deveriam ser requisito mínimo, não diferencial competitivo. Se você lidera times de produto ou engenharia, sugiro olhar com atenção para como seus modelos lidam com dados faltantes, com estratos sub-representados na base de treino e com mudanças no contexto de aplicação. O padrão de qualidade que aplicamos em pesquisa eleitoral deveria ser o mesmo que aplicamos em qualquer sistema que toma decisões sobre pessoas — independentemente de ser uma pesquisa de intenção de voto ou um sistema de recomendação de conteúdo. A pesquisa Quaest, em si, é apenas mais um dado no noticiário. O valor real está em entender como — e se — os métodos por trás dela resistem ao escrutínio técnico que o momento exige.