IA aplicada à análise eleitoral: como algoritmos estão transformando pesquisas de intenção de voto

Quando a engenharia de dados encontra a política real

Há alguns anos, quando eu ainda atuava como engenheiro de machine learning em uma plataforma de análise de mídias sociais, recebi uma demanda inusitada: um candidato ao legislativo estadual queria saber se era possível prever, com base em dados abertos do TSE e sentimentos extraídos de redes sociais, quais bairros de Belo Horizonte concentravam eleitores indecisos com maior propensão a mudar de voto nas últimas duas semanas de campanha. Na época, achávamos aquilo ousado demais para ser feito com confiabilidade mínima. Hoje, olhando para iniciativas como a pesquisa descrita pelo portal Veja, que simula cinco cenários de segundo turno e avalia o peso de apoios políticos, percebo que a fronteira entre ciência de dados e análise eleitoral nunca esteve tão permeável — e tão desafiadora do ponto de vista técnico.

Não estou aqui para comentar nomes de candidatos ou resultados de urnas. O que me interessa é o processo por trás desses levantamentos: como algoritmos, modelagem estatística e automação estão sendo aplicados para entender, simular e até influenciar a dinâmica de votos em um dos maiores colégios eleitorais do Brasil. E, mais importante, quais lições essa intersecção entre política e tecnologia traz para engenheiros de software, cientistas de dados e profissionais de produto que atuam em áreas aparentemente distantes — como recomendação de conteúdo, análise de churn ou precificação dinâmica.

O DNA técnico de uma pesquisa eleitoral moderna

Quando leio que um instituto vai "simular cinco cenários de segundo turno", minha mente de engenheiro imediatamente traduz isso como: estamos diante de um problema de inferência causal com múltiplas variáveis de confusão. Não se trata apenas de perguntar a milhares de pessoas em quem vão votar. Há um plano amostral complexo que precisa considerar estrato socioeconômico, distribuição geográfica, histórico de votações anteriores, e agora — com o avanço dos modelos — o chamado "peso dos apoios políticos".

Na prática, modelar o impacto de um apoio político (seja de Lula, Bolsonaro ou Romeu Zema, como mencionado na fonte) exige algo que vai além de regressão logística tradicional. Estamos falando de técnicas como propensity score matching para isolar o efeito do endosso, ou ainda modelos hierárquicos bayesianos que incorporam a incerteza inerente a declarações de voto. Em um projeto que liderei para uma empresa de telecomunicações, usávamos abordagem semelhante para medir o impacto de uma campanha de retenção sobre clientes de alto valor: separar o sinal do ruído em ambientes com múltiplos estímulos concorrentes é exatamente o mesmo desafio enfrentado por analistas eleitorais.

Cinco cenários, um infinito de combinações

Simular cenários eleitorais é tecnicamente sedutor, mas traiçoeiro. Cada cenário representa um contrafactual: "o que aconteceria com a intenção de voto se X ocorresse?". Para engenheiros de machine learning, isso remete imediatamente ao problema da generalização fora da distribuição (out-of-distribution generalization). O modelo foi treinado com dados coletados sob condições específicas — contexto político do momento, clima econômico, fatos recentes —, e extrapolar para cenários não observados exige cuidados que muitos times de dados negligenciam.

Já vi equipes de ciência de dados construírem modelos preditivos de churn com acurácia de 92% em validação cruzada e, ao colocá-los em produção, colapsarem em três meses porque as condições macroeconômicas mudaram. Com pesquisas eleitorais, o risco é similar, mas amplificado pela não estacionariedade do fenômeno político: um escândalo, uma fala polêmica, uma decisão judicial alteram o cenário em horas, não em meses. Por isso, quando um instituto divulga cinco cenários, o que realmente está fazendo é uma análise de sensibilidade — e não uma previsão determinística. É uma prática que deveria ser mais difundida em produtos digitais: quantas vezes vemos dashboards que mostram uma única projeção de receita sem apresentar a faixa de incerteza?

Automação de coleta: o gargalo invisível

Um aspecto que poucos discutem é a infraestrutura de coleta de dados por trás dessas pesquisas. Se antes as entrevistas eram feitas presencialmente com questionários de papel, hoje há uma combinação de CATI (Computer Assisted Telephone Interviewing), painéis online e até mineração de dados públicos. Do ponto de vista de engenharia de software, isso representa um ecossistema heterogêneo de fontes que precisa ser orquestrado para produzir insumos consistentes para os modelos.

Em um projeto de automação de processos que implementei para uma consultoria jurídica, enfrentamos problema análogo: dados espalhados em PDFs, sistemas legados de tribunais, formulários web e e-mails não estruturados. A solução envolveu pipelines de ETL com tratamento de linguagem natural para extrair entidades e sentimentos, similar ao que institutos de pesquisa fazem ao codificar respostas abertas de eleitores. A diferença é que, no contexto eleitoral, o viés de amostragem pode distorcer completamente as conclusões se a automação não for desenhada com rigor amostral — algo que vejo ser subestimado em muitos times de produto que tratam dados de usuários ativos como se fossem representativos da população inteira.

O peso dos apoios: um problema de atribuição

Um dos pontos mais interessantes da pesquisa mencionada é a avaliação do "peso dos apoios" — ou seja, quanto o endosso de uma figura política influencia a intenção de voto. Em machine learning, isso se traduz em um problema de atribuição de importância de features (feature importance), mas com uma camada adicional de complexidade: a influência não é direta nem independente. Um eleitor pode votar em um candidato apoiado por Lula não por causa do apoio, mas por já concordar com as pautas do candidato — que coincidentemente são pautas lulistas. Separar correlação de causalidade não é trivial.

Nos meus projetos de automação de marketing, enfrentei dilema parecido ao tentar medir o impacto de um influenciador digital sobre as vendas de um produto. A abordagem que funcionou melhor foi usar experimentos com grupos de controle — expor um grupo ao conteúdo do influenciador e outro não — e medir a diferença nas taxas de conversão. No contexto eleitoral, isso é impraticável eticamente, então os institutos recorrem a modelos de regressão com variáveis instrumentais ou diferenças-em-diferenças. São técnicas complexas, mas que mostram como a fronteira entre análise política e ciência de dados corporativa é tênue.

Implicações práticas para quem constrói produtos

Se você trabalha com engenharia de software, inteligência artificial ou produtos digitais, talvez esteja se perguntando: o que isso tem a ver com meu dia a dia? Mais do que você imagina. As pesquisas eleitorais modernas são um microcosmo dos desafios de qualquer sistema preditivo que lida com comportamento humano: dados escassos e ruidosos, não estacionariedade, múltiplas fontes concorrentes de influência, e a necessidade de comunicar incerteza de forma honesta para tomadores de decisão.

Três aprendizados que carrego dessa conexão entre análise eleitoral e engenharia de software:

• Valide hipóteses de causalidade antes de implementar modelos em produção. Se você não consegue explicar por que uma feature é importante, provavelmente seu modelo vai falhar quando o contexto mudar. Institutos de pesquisa que simulam cenários eleitorais estão, na prática, fazendo esse exercício de validação — ainda que com métodos estatísticos, e não de machine learning puro.
• Automatize com consciência amostral. Pipelines de coleta e tratamento de dados são fundamentais, mas o maior erro que vejo em times de produto é tratar todos os dados disponíveis como representativos. A lição vinda das pesquisas é clara: a qualidade da amostra importa mais que a quantidade de dados.
• Comunique incerteza de forma explícita. Nenhum instituto sério publica um cenário eleitoral sem margem de erro. Por que times de produto publicam métricas de retenção ou receita como números exatos? Incorporar intervalos de confiança e análises de sensibilidade em dashboards é uma prática que melhora a tomada de decisão — e que a engenharia de software precisa abraçar com mais frequência.

Riscos, limitações e o perigo da caixa-preta

Nem tudo são flores. A aplicação de modelos cada vez mais complexos à análise eleitoral traz riscos concretos. O primeiro é o da caixa-preta: quando um modelo de deep learning ou um ensemble complexo é usado para ponderar respostas, perde-se a rastreabilidade das decisões. Em produtos corporativos, isso pode ser aceitável (desde que haja validação A/B e monitoramento contínuo). Em análise eleitoral, onde cada viés tem potencial de distorcer a percepção pública, a explicabilidade não é opcional — é requisito ético.

O segundo risco é o de overfitting nos dados históricos. Eleições são eventos esparsos — a cada dois anos, no máximo, no contexto brasileiro. Modelos treinados com poucas observações tendem a capturar ruídos específicos de ciclos passados e falhar em generalizar para o cenário atual. É por isso que muitos institutos ainda preferem métodos tradicionais de survey com ponderação pós-estratificação a modelos puramente preditivos. Uma lição que ecoa em ambientes corporativos onde times de dados querem substituir experimentos clássicos por modelos generativos ou de transfer learning sem validação adequada.

Por fim, há o risco da automação substituir o julgamento humano. A pesquisa que inspirou esta análise levanta dados sobre apoios políticos — mas são analistas experientes que interpretam esses dados e definem os cenários a serem simulados. O mesmo vale para produtos digitais: nenhum modelo de recomendação substitui a intuição de produto de quem entende do negócio. IA deve aumentar, não substituir, a capacidade de tomada de decisão.

Um olhar para o futuro da análise aplicada

Na minha experiência conduzindo projetos de transformação digital, aprendi que o valor real da tecnologia não está em substituir processos, mas em ampliar a capacidade de análise de profissionais que já entendem profundamente o domínio. A pesquisa eleitoral que mede cenários de segundo turno e pesos de apoios políticos é um exemplo disso: usa tecnologia para coletar, processar e simular, mas a interpretação final e a definição das perguntas de pesquisa continuam sendo humanas.

Para engenheiros de software e profissionais de produto, a mensagem é dupla. Primeiro, não subestimem a complexidade de modelar decisões humanas — seja um voto, uma compra ou uma assinatura. Segundo, invistam em infraestrutura de dados e em validação contínua de modelos, porque o cenário político-econômico (ou mercadológico) vai mudar, e seu sistema precisa ser resiliente o suficiente para capturar essa mudança sem colapsar.

Se há uma tecnologia que pode transformar a forma como entendemos intenções humanas, não é um algoritmo mágico. É a combinação disciplinada de coleta rigorosa, modelagem estatística bem fundamentada e comunicação honesta de limites. Isso vale para eleições, vale para produtos digitais e vale para o futuro do trabalho. No CurriculoIA, continuaremos explorando como aplicar esses princípios na prática — para que nossos leitores estejam preparados não apenas para operar ferramentas, mas para desafiar suposições e construir sistemas que realmente funcionam no mundo real.