Coerção digital: como a IA pode expor o voto de servidores públicos

Há poucas semanas, uma notícia vinda do interior do Maranhão chamou a atenção de quem acompanha os bastidores políticos: o prefeito de Campestre do Maranhão teria ameaçado demitir servidores municipais que não votassem em Flávio Bolsonaro, seu candidato ao Senado. Áudios e prints obtidos pelo portal Metrópoles sugerem que o gestor afirmou que quem votar em Lula “tá na rua” após a eleição. O caso, além de levantar questões jurídicas e éticas, me fez refletir sobre um aspecto que poucos estão discutindo: como a tecnologia, especialmente a inteligência artificial, pode viabilizar ou sofisticar esse tipo de coerção eleitoral.

Antes de mais nada, é importante deixar claro que não estou aqui para defender ou acusar ninguém. Meu papel como engenheiro de software e analista de tecnologia é olhar para os sistemas e processos que permitem — ou poderiam permitir — que um gestor tenha acesso a dados tão sensíveis quanto o voto de um funcionário. O voto no Brasil é secreto, garantido pela Constituição. Mas, na prática, a tecnologia pode criar atalhos perigosos para quebrar esse sigilo, especialmente quando combinada com práticas de vigilância digital e algoritmos de inferência.

O voto secreto na era da vigilância digital

O sistema eleitoral brasileiro é amplamente elogiado por sua segurança e agilidade. As urnas eletrônicas não se conectam à internet, o que elimina ataques remotos. No entanto, a discussão sobre coerção não passa pelo equipamento de votação em si, mas pelo ambiente que cerca o eleitor antes e depois do voto. Um servidor público pode ser pressionado a mostrar o voto na cabine, ou a compartilhar o comprovante de votação (que não contém a escolha, mas sim a hora e a seção). Mas a coerção pode ser mais sutil e tecnológica.

Imagine um prefeito que, por meio de sistemas de monitoramento de rede, consiga rastrear quais sites e aplicativos seus funcionários acessam durante o expediente. Se um servidor busca informações sobre candidatos da oposição, ou participa de grupos de WhatsApp com conteúdo político adverso, isso pode ser usado como evidência de “deslealdade”. A inteligência artificial entra aqui para automatizar esse monitoramento: algoritmos de processamento de linguagem natural (PLN) podem analisar mensagens, e-mails e postagens em redes sociais para inferir a inclinação política de uma pessoa. Com dados suficientes, a precisão desses modelos é assustadoramente alta.

O papel da IA na inferência de preferências políticas

Empresas de tecnologia e campanhas políticas já usam IA para segmentar eleitores. O escândalo da Cambridge Analytica em 2018 mostrou como dados de perfil do Facebook podiam ser usados para prever comportamento eleitoral. No Brasil, não é diferente. Ferramentas de análise de sentimento em tempo real, combinadas com dados de geolocalização e histórico de consumo de conteúdo, permitem que um prefeito ou chefe de departamento saiba, com boa margem de acerto, se um funcionário é mais alinhado a A ou B.

O problema é que essas ferramentas não são exclusivas de grandes corporações. Hoje, qualquer pessoa com acesso a bibliotecas de machine learning como TensorFlow ou PyTorch, e um conjunto de dados razoável, pode treinar um modelo de classificação política. O que antes exigia uma equipe de cientistas de dados, hoje pode ser feito por um desenvolvedor júnior com um notebook e uma GPU alugada na nuvem. A barreira de entrada para a vigilância política caiu drasticamente.

E não estamos falando apenas de dados públicos. Em órgãos públicos, onde a infraestrutura de TI muitas vezes é centralizada, um administrador de sistemas pode ter acesso a logs de navegação, e-mails institucionais e até mesmo arquivos armazenados em servidores internos. Esses dados, quando processados por um modelo de IA, podem revelar padrões que o funcionário nem imagina que estão sendo expostos. A ameaça não é sobre o voto em si, mas sobre o comportamento que sinaliza a intenção de voto.

Coerção sutil: a pressão algorítmica

Há um aspecto ainda mais perverso nessa equação. A coerção não precisa ser explícita, como a ameaça de demissão relatada no caso do Maranhão. Ela pode ser algorítmica. Um sistema de IA pode, por exemplo, classificar servidores em categorias de “risco político” e, automaticamente, direcionar tarefas, promoções ou punições de forma diferenciada. Algo como um “score” de lealdade, calculado com base em dados de comportamento digital. O funcionário nunca saberá por que seu pedido de férias foi negado ou por que seu projeto foi preterido. O algoritmo simplesmente “decidiu” que ele não é confiável.

Esse tipo de aplicação não é ficção científica. Em várias empresas privadas, já existem sistemas de análise de desempenho que usam dados de comunicação interna para avaliar engajamento e produtividade. Adaptar esses sistemas para inferir alinhamento político é trivial. Basta trocar os rótulos de “produtivo” por “alinhado” e treinar o modelo com dados de opiniões políticas. A base tecnológica é a mesma: análise de texto, redes neurais e aprendizado supervisionado.

Para um gestor disposto a coagir, a IA oferece uma vantagem: a negação plausível. Se um servidor questionar uma demissão, o gestor pode alegar que a decisão foi baseada em desempenho, não em política. O algoritmo serve como escudo. Sem uma auditoria forense dos critérios do modelo, é quase impossível provar a discriminação.

Lições de implementação que aprendi como engenheiro

Trabalhei em projetos de análise de dados corporativos e sei como é fácil cruzar fontes de informação que, à primeira vista, parecem inofensivas. Um sistema de ponto eletrônico, por exemplo, armazena horários de entrada e saída. Se você combinar esses dados com a lista de funcionários que participaram de um evento político fora do expediente, é possível identificar quem “faltou” ou “chegou atrasado” no dia seguinte. A IA pode fazer esse cruzamento automaticamente e gerar alertas. O que antes exigia um funcionário dedicado a vasculhar planilhas, hoje é feito por um script Python em segundos.

O trade-off é claro: eficiência versus privacidade. Sistemas de monitoramento são vendidos como ferramentas de produtividade, mas o mesmo pipeline pode ser usado para vigilância política. Durante o desenvolvimento, raramente se discute a possibilidade de uso para coerção. As equipes de engenharia focam em funcionalidades e métricas, não em cenários de abuso. É aí que mora o perigo. A neutralidade técnica é um mito: todo sistema carrega consigo as intenções de quem o opera.

Implicações para o mercado de trabalho e a privacidade em produto

Para profissionais de tecnologia, o caso do prefeito do Maranhão é um alerta. Se você trabalha em projetos de infraestrutura pública, sistemas de RH ou plataformas de comunicação interna, precisa considerar o potencial de uso indevido dos dados que coleta. A privacidade não pode ser um adendo, mas sim um requisito fundamental desde o design do produto. O conceito de “privacy by design” deve incluir a proteção contra a inferência de crenças políticas.

Algumas práticas que podem mitigar esses riscos:

• Minimização de dados: colete apenas o estritamente necessário para o funcionamento do sistema. Evite armazenar logs de navegação, conteúdo de mensagens ou dados de localização sem uma justificativa clara e legal.
• Anonimização robusta: se precisar analisar dados agregados, garanta que não seja possível reidentificar indivíduos. Técnicas como k-anonimato e differential privacy são essenciais.
• Auditoria de algoritmos: qualquer modelo que classifique ou tome decisões sobre funcionários deve ser auditável. É preciso que um especialista independente possa verificar se o modelo não está discriminando por orientação política.
• Transparência: os funcionários devem saber exatamente que dados estão sendo coletados e como são usados. A política de privacidade não pode ser um documento ilegível.

Além disso, a engenharia de software precisa incorporar o conceito de “antifragilidade” democrática: sistemas que, em vez de facilitar a coerção, a detectem e denunciem. Por exemplo, um sistema de RH que emita alertas quando um gestor acessar dados de votação de forma incomum, ou que cruze informações de demissões com datas eleitorais. Isso é tecnicamente possível, mas raramente é implementado porque a demanda não parte dos clientes.

Riscos e limitações da abordagem de IA para detectar coerção

É tentador pensar que a própria IA pode ser usada para combater a coerção. Algoritmos poderiam analisar padrões de demissões e identificar correlações com resultados eleitorais. No entanto, essa abordagem tem limitações. Primeiro, a base de dados para treinar esses modelos é escassa e, muitas vezes, não confiável. Denúncias de coerção são raras e, quando ocorrem, são contaminadas por viés político. Segundo, o mesmo modelo que detecta coerção pode ser usado para aprimorar a coerção, em uma corrida armamentista algorítmica.

Outro risco é o falso positivo. Um sistema que sugira que um prefeito está coagindo servidores pode causar danos à reputação e processos judiciais baseados em correlações espúrias. Por exemplo, se a maioria dos servidores demitidos em uma cidade votou no candidato A, mas as demissões foram por motivos legítimos (como cortes orçamentários), o algoritmo pode gerar uma acusação injusta. A transparência e a supervisão humana continuam sendo insubstituíveis.

Uma perspectiva pessoal sobre o futuro do trabalho e da democracia

Como engenheiro, acredito que a tecnologia não é neutra, mas também não é determinista. O mesmo algoritmo que pode ser usado para coagir pode ser usado para empoderar. O que falta é um arcabouço ético e legal claro que oriente o desenvolvimento desses sistemas. O caso de Campestre do Maranhão é um exemplo pequeno, mas sintomático. A cada eleição, surgem novas denúncias de coerção de servidores. A diferença é que, hoje, a tecnologia amplifica o alcance e a sofisticação dessas práticas.

Para nós, profissionais de TI, a mensagem é dupla: primeiro, precisamos nos engajar ativamente na criação de sistemas que respeitem a privacidade e a autonomia dos indivíduos. Segundo, devemos apoiar a regulação do uso de IA em contextos de poder, especialmente no setor público. A Lei Geral de Proteção de Dados (LGPD) já dá algumas diretrizes, mas não é suficiente para lidar com a inferência política a partir de dados indiretos.

Recomendo que todo time de produto, ao planejar uma funcionalidade que coleta dados comportamentais, faça uma análise de risco de coerção. Pergunte-se: “Se um gestor mal-intencionado tivesse acesso a esses dados, ele poderia prejudicar alguém com base em crenças políticas?” Se a resposta for sim, o design precisa ser revisto. A inovação não pode vir às custas da democracia.

O voto secreto é um dos pilares da nossa liberdade. Cabe a nós, engenheiros e arquitetos de sistemas, garantir que a tecnologia não o transforme em uma ilusão.