Campanhas políticas e inteligência artificial: o gargalo que nenhum estrategista conta

Quando leio análises políticas como a do cenário do governador Mateus Simões em Minas Gerais — candidato à reeleição com baixa pontuação nas pesquisas e uma coligação considerada frágil — minha mente de engenheiro de software imediatamente busca padrões. O que me incomoda não é a matemática eleitoral tradicional, mas a ausência de uma camada de discussão que está se tornando cada vez mais central em qualquer operação que dependa de escala e precisão: o uso de inteligência artificial e dados estruturados para reverter curvas desfavoráveis.

Não estou falando de propaganda nas redes sociais ou de robôs que respondem comentários. Refiro-me a algo mais profundo e, ironicamente, menos explorado nos bastidores das campanhas brasileiras. O caso de Simões — que prega continuidade administrativa, mas enfrenta rejeição e falta de capilaridade partidária — é um exemplo clássico de um problema que a IA aplicada poderia atacar de frente, mas que ainda esbarra em gargalos que não são tecnológicos, e sim organizacionais e culturais. É sobre isso que quero tratar aqui: o abismo entre o potencial da IA em campanhas e a realidade operacional de quem está no fronte.

O problema não é a tecnologia, é a orquestração dos dados

Em engenharia de sistemas, aprendemos que a qualidade do output depende diretamente da qualidade e da organização do input. Em campanhas políticas, o input são dados de eleitores, pesquisas qualitativas, histórico de votações, indicadores socioeconômicos por bairro, e até mesmo variáveis comportamentais como engajamento em eventos públicos. Uma campanha com baixa pontuação nas pesquisas — como a do governador Simões segundo o cenário descrito — tem um recurso escasso que não é dinheiro, é informação granular. O que falta, via de regra, não é orçamento para contratar cientistas de dados, mas um pipeline limpo de dados que alimente modelos preditivos.

Já trabalhei em projetos de sistemas distribuídos onde o maior custo não era o processamento computacional, mas a limpeza e a integração de fontes heterogêneas. Em uma campanha, isso significa unificar bases da Justiça Eleitoral, dados de pesquisas contratadas, informações de redes sociais e até dados de sensibilidade climática para definir a logística de carreatas. Sem um produto digital bem desenhado para orquestrar isso, qualquer modelo de IA é como um motor de Fórmula 1 abastecido com álcool adulterado. O potencial de performance existe, mas a execução capenga.

O dilema da continuidade administrativa em tempos de dados fragmentados

Simões aposta na continuidade do governo Zema como principal bandeira. Isso é um trunfo retórico, mas do ponto de vista de dados, é um convite para um tipo específico de modelo: a análise de sentimento comparativo. Uma aplicação de IA bem construída poderia cruzar pesquisas de aprovação do governo atual com índices de percepção de melhora em setores específicos (segurança, educação, infraestrutura) em cada macroregião de Minas. Em vez de fazer campanha genérica, seria possível identificar os 15 bairros de Belo Horizonte onde a continuidade é um ativo e os 12 onde é um passivo, e modular o discurso com precisão cirúrgica.

O gargalo, no entanto, é que poucas campanhas no Brasil têm essa infraestrutura. O normal é ter planilhas soltas, pesquisas em PDF e intuições de cabos eleitorais experientes. A IA aplicada a campanhas, nesse contexto, não substitui a intuição; ela a complementa com evidências estruturadas. Mas para isso, é preciso que a equipe de tecnologia tenha autonomia para acessar e integrar os dados brutos. E aí está o ponto crítico o qual tenho observado na prática: dirigentes partidários ainda enxergam a área de dados como um centro de custo, não como um ativo estratégico.

Modelos preditivos para reverter cenários desfavoráveis

Do ponto de vista de engenharia, o que mais me fascina em cenários como o de Simões é a possibilidade de usar séries temporais curtas para ajuste de rota. Uma campanha com baixa pontuação hoje pode usar modelos de aprendizado por reforço para simular milhares de estratégias de alocação de recursos (tempo de rádio, distribuição de santinhos, visitas presenciais) e identificar a combinação de maior impacto na intenção de voto nas próximas quatro semanas. Isso é factível tecnicamente com bibliotecas como TensorFlow ou PyTorch, desde que o time de produto consiga transformar a complexidade política em estados e recompensas numéricas.

Mas existe uma armadilha ética e operacional que precisa ser explicitada. Simular estratégias com IA pode levar a otimizações que favoreçam discursos de polarização ou segmentação excessiva, algo que o TSE e a opinião pública cada vez mais coíbem. Em um dos meus projetos de recomendação de conteúdo para plataformas digitais, aprendi na prática que o viés do modelo é um reflexo do viés dos dados históricos. Se os dados de campanhas passadas mostram que ataques ao adversário geram engajamento, o modelo pode sugerir isso como caminho. A responsabilidade de filtrar isso é do ser humano, e a infraestrutura técnica precisa permitir esse controle — com dashboards de monitoramento de viés e regras de negócio injetadas no pipeline de features.

Coligação fraca: um problema que a IA não resolve sozinha

Aqui entramos em um ponto crucial: a IA aplicada pode otimizar alocação de recursos e segmentação de mensagem, mas não cria capital político onde ele não existe. Uma coligação fraca, com poucos partidos e baixa capilaridade territorial, é uma restrição estrutural que nenhum algoritmo elimina. É como ter um modelo de recomendação brilhante para um catálogo de produtos que não existem. O que a inteligência artificial pode fazer, nesse caso, é ranquear as prioridades de alianças com base em afinidade programática e potencial de transferência de votos, usando dados de eleições anteriores para simular cenários de coligações alternativas.

Esse tipo de análise se chama otimização combinatória com restrições, e já utilizei técnicas similares em problemas de alocação de recursos em nuvem (como escolher quais instâncias migrar para reduzir custo sem perder performance). A lógica é a mesma: dado um conjunto de possíveis aliados (partidos), com pesos de influência (número de votos históricos) e restrições (ideológicas ou legais), qual a combinação que maximiza a viabilidade eleitoral? Para uma campanha com coligação fraca, isso pode significar identificar micro-partidos em regiões específicas que, somados, criam massa crítica local — algo que uma análise manual levaria semanas para mapear.

Infraestrutura de dados como vantagem competitiva

Em minhas experiências com arquiteturas de sistemas em nuvem para produtos digitais, sempre defendi que a verdadeira vantagem competitiva não está no modelo de IA, mas na infraestrutura de dados que o alimenta. Em campanhas, isso se traduz em três camadas: coleta (integração de APIs de redes sociais, pesquisas, dados abertos), armazenamento (data lake com governança) e serving (APIs que entregam insights para a equipe de campanha em tempo real). O governador Simões, para reverter o cenário adverso, precisaria menos de um guru de marketing e mais de um engenheiro de dados capaz de conectar os pontos entre a aprovação do governo Zema em cada região e o histórico de votação de cada vereador aliado.

Sei que parece um exagero tecnológico para uma realidade política que muitas vezes funciona com WhatsApp e panfletos. Mas não é. Já vi campanhas municipais de médio porte implementarem sistemas de scoring de eleitores que triplicaram a eficiência na distribuição de materiais de campanha. O segredo? Usar modelos de regressão logística treinados com dados censitários e pesquisas telefônicas para prever, para cada residência, qual a probabilidade de o eleitor ser sensível a um determinado tipo de abordagem. O custo de implementação é baixo (uma equipe de dois engenheiros e R$ 20 mil em infraestrutura de nuvem), mas o retorno em redução de desperdício é altíssimo.

Os riscos de implementar IA com pressa

Nem tudo são flores. O maior risco que identifico em projetos de IA em campanhas é o viés de confirmação. A equipe política pode buscar no modelo apenas as evidências que confirmam sua intuição, ignorando os sinais contrários. Tecnicamente, isso se combate com uma cultura de experimentação: ter um grupo de controle que não recebe a intervenção sugerida pelo modelo, e medir o efeito causal com testes A/B. Politicamente, porém, isso é quase impossível — um candidato não vai aceitar que metade do seu eleitorado potencial seja tratado como grupo de controle em uma eleição real.

Outra limitação importante: modelos treinados com dados de um estado ou região podem não generalizar bem para outro contexto. Uma campanha em Minas Gerais, com sua diversidade de regiões (do Norte árido ao Sul industrializado), precisa de modelos com capacidade de capturar interações regionais. Do contrário, o algoritmo pode sugerir a mesma estratégia para o Vale do Jequitinhonha e para o Triângulo Mineiro, o que seria um erro grave. A solução técnica é usar modelos hierárquicos ou com embeddings de regionais, mas isso exige dados de treino com granularidade geográfica fina — algo que nem sempre está disponível.

Lições de arquitetura para quem quer tecnologia eleitoral

Para profissionais de tecnologia que enxergam oportunidades no mercado eleitoral (e, cá entre nós, a cada dois anos surge uma onda de startups de campanha), deixo algumas recomendações baseadas em erros que cometi. Primeiro: não subestime a política de dados. Em campanhas, os dados são muitas vezes propriedade de líderes locais que não querem compartilhá-los. A arquitetura precisa prever permissões granulares por nível de acesso, para que o engenheiro não vire refém de relações pessoais. Segundo: planeje para latência. Em campanha, um insight que chega três horas depois da decisão vale nada. Seu pipeline de dados precisa ser near-real-time, com filas de mensageria assíncrona para evitar gargalos.

Terceiro, e mais importante: crie produtos que o time de campanha entenda. Não adianta entregar um notebook Jupyter cheio de gráficos que só o cientista de dados interpreta. Produto digital em campanha é sobre usabilidade em cenário de estresse — o coordenador de campanha precisa de um dashboard mobile que mostre os três principais indicadores do dia, não uma planilha com 50 variáveis. Isso parece básico, mas é o que diferencia uma tecnologia que gera impacto de uma que vira enfeite.

Em suma, o cenário de Mateus Simões em Minas Gerais expõe uma verdade que transcende partidos: a tecnologia de IA aplicada a campanhas está disponível, mas a integração orgânica com a operação política ainda é o gargalo real. Para reverter pesquisas desfavoráveis, não basta ter dados ou modelos — é preciso ter a engenharia correta para que a inteligência artificial não seja apenas mais uma promessa, e sim um motor de decisões táticas e estratégicas com evidência. E isso, meus caros, exige mais coragem organizacional do que código.