Quando o governo ignora dados: o verdadeiro teste de maturidade da IA na administração pública

Há um fenômeno curioso que venho observando em projetos de transformação digital no setor público: quanto mais sofisticados os sistemas de IA se tornam, mais evidente fica que o maior gargalo não é tecnológico, mas político. O caso recente em Portugal, envolvendo o atraso na correção de exames nacionais e a aparente inação do governo de Luís Montenegro, ilustra perfeitamente esse paradoxo. Não se trata apenas de um problema de gestão educacional — é um estudo de caso sobre como sistemas inteligentes podem ser ignorados quando incomodam narrativas políticas.

Quando implementamos soluções de IA em ambientes corporativos, aprendemos rapidamente que a qualidade do dado de entrada determina tudo. No setor público, a lógica é inversa: muitas vezes, a qualidade da decisão política determina quais dados serão considerados relevantes. A situação portuguesa expõe uma tensão fundamental entre a objetividade que a IA pode oferecer e a subjetividade conveniente da gestão pública.

Ao longo da minha carreira em automação de processos, já vi de perto como organizações resistem a evidências geradas por seus próprios sistemas. Mas no caso de governos, essa resistência ganha contornos especialmente preocupantes, porque os cidadãos raramente têm acesso aos dashboards que mostram o que realmente está acontecendo.

O ciclo vicioso da assimetria informacional

Na prática da governança de dados, existe um conceito que chamo de "assimetria informacional institucionalizada": quem detém o poder de gerar os dados também detém o poder de interpretá-los — e, mais importante, de decidir se eles serão ou não considerados na tomada de decisão. Em Portugal, o governo tem acesso a sistemas que poderiam prever com razoável precisão os gargalos na correção de exames, baseando-se em variáveis como número de corretores disponíveis, volume de provas e prazos reais de entrega.

O problema não é a ausência dessas ferramentas. A experiência que tenho com implementações de IA no serviço público mostra que, na maioria dos casos, as plataformas existem — mas são subutilizadas deliberadamente. Quando um sistema de analytics aponta que determinada meta não será cumprida, a reação padrão não é ajustar o plano, mas questionar os parâmetros do modelo. É um fenômeno que chamo de "morte por calibração": ajusta-se infinitamente o modelo até que ele produza o resultado desejado, em vez de ajustar a operação.

Do ponto de vista técnico, isso representa uma falha grave de governança de dados. Em qualquer implementação minimamente sólida de IA, o ciclo deve ser: dado → insight → decisão → ação. O que vemos na gestão pública muitas vezes é: dado → insight → questionamento do dado → estagnação → crise. A oposição, por sua vez, explora a crise sem oferecer alternativas baseadas em evidências, criando um ambiente onde ninguém quer olhar para os indicadores objetivos.

Quando o modelo de previsão vira inimigo político

Já liderei equipes que construíram modelos preditivos para secretarias de educação. Uma das lições mais duras foi aprender que, em ambientes politizados, um modelo que prevê corretamente um fracasso é visto como um problema, não como um alerta. Em projetos corporativos, quando um sistema de machine learning indica que uma entrega vai atrasar, a reação típica é realocar recursos ou renegociar prazos. No setor público, a reação frequente é desligar o modelo ou enterrar seus outputs em relatórios que ninguém lê.

O caso dos exames em Portugal é um exemplo clássico desse padrão. Sistemas de gestão educacional provavelmente já apontavam, semanas antes, que o volume de provas somado à capacidade instalada de correção geraria um gargalo. Mas, em vez de agir preventivamente, o governo parece ter optado por "deixar correr", confiando que, de alguma forma, o sistema se ajustaria — ou que a responsabilidade poderia ser transferida para fatores externos, como greves ou problemas técnicos.

Essa é uma armadilha perigosa para qualquer profissional de IA. Quando ensinamos modelos a reconhecer padrões, também estamos ensinando nossos líderes a reconhecer responsabilidades. Um sistema que antecipa problemas é, por definição, um sistema que cobra posicionamento. E nem todo gestor está preparado para ser cobrado por uma máquina.

A falácia do "fechar de olhos" como estratégia de gestão

Existe uma expressão que ouvi de um gestor público certa vez: "às vezes é melhor não saber exatamente o tamanho do problema, porque você precisa de capital político para enfrentá-lo". Essa lógica é devastadora do ponto de vista da engenharia de sistemas. Na minha experiência, quanto mais cedo se conhece a magnitude de um desvio, menores são os custos de correção. Ignorar um alerta gerado por IA não faz o problema desaparecer — faz com que ele cresça silenciosamente até se tornar uma crise incontornável.

A postura de "fechar os olhos" que o governo português parece adotar diante do atraso dos exames não é apenas um problema político. É uma falha de governança algorítmica. Em qualquer organização que leva a sério a transformação digital, existe um princípio fundamental: o dado não mente, e ignorá-lo é uma decisão com consequências mensuráveis. No caso da educação, os alunos que dependem das notas dos exames para ingressar no ensino superior são as vítimas diretas dessa escolha.

Do ponto de vista da qualidade dos sistemas, essa abordagem cria um viés de confirmação perigoso. Se o governo só olha para os dados que confirmam sua narrativa de que está tudo sob controle, o modelo de gestão se torna um espelho, não um farol. Sistemas de IA bem projetados existem justamente para iluminar o que não queremos ver — mas isso exige maturidade institucional que muitos governos ainda não desenvolveram.

A responsabilidade técnica de quem constrói os sistemas

Como profissional que projeta e implementa soluções de IA para o setor público, sinto que temos uma responsabilidade que vai além do código. Não basta criar modelos precisos e dashboards bonitos. Precisamos projetar sistemas que sejam resistentes à manipulação política deliberada — ou, pelo menos, que tornem transparente quando um alerta está sendo ignorado.

Isso pode significar, por exemplo, implementar mecanismos de auditoria que registrem quem visualizou determinados alertas e quais ações foram tomadas. Pode significar criar níveis de escalonamento automático que, quando ignorados por determinado período, elevem o alerta a uma instância superior. Em projetos que liderei, vimos uma melhora significativa na adesão a recomendações de IA quando introduzimos um sistema de "accountability digital": cada decisão de ignorar um alerta gerava um registro permanente, com identificação do responsável e justificativa.

A tecnologia não pode substituir a vontade política, mas pode — e deve — dificultar que a inércia seja uma opção confortável. O caso português mostra que, mesmo com toda a inteligência artificial disponível, o maior fator de risco continua sendo a inteligência (ou falta dela) de quem decide o que fazer com os outputs do sistema.

Lições para profissionais de IA e transformação digital

Para quem trabalha na implementação de IA em grandes organizações — públicas ou privadas —, o caso português oferece algumas lições práticas importantes. A primeira é que a resistência a evidências objetivas não é um problema exclusivo do setor público. Já vi empresas privadas ignorarem sistematicamente recomendações de sistemas de CRM, resultando em perdas financeiras consideráveis. O fenômeno é humano, não institucional.

A segunda lição é que a transparência dos dados é o melhor antídoto contra a inércia decisória. Quanto mais pessoas dentro da organização tiverem acesso aos mesmos dashboards, menor a chance de que alertas importantes sejam abafados. Em projetos recentes, tenho defendido o princípio da "visualização pública interna": todo indicador relevante deve estar visível para todas as camadas da gestão, não apenas para o topo da pirâmide.

Por fim, aprendi que métricas de sucesso de um projeto de IA não devem medir apenas a acurácia do modelo, mas também a taxa de adoção das recomendações. Se um sistema aponta corretamente 95% dos gargalos, mas apenas 20% dessas recomendações geram ação, o problema não é técnico — é de governança. E cabe a nós, como profissionais, projetar sistemas que tornem essa disfunção visível e mensurável.

O que a IA pode fazer (e o que não pode) em contextos políticos

É tentador acreditar que a inteligência artificial, por si só, pode trazer racionalidade para processos decisórios dominados por interesses políticos. Minha experiência mostra que isso é uma ilusão perigosa. A IA pode — e faz muito bem — estruturar dados, identificar padrões, prever cenários e sugerir ações. O que ela não pode fazer é substituir a vontade de agir. Uma ferramenta de IA que sugere um plano de contingência para a correção de exames não tem poder de obrigar ninguém a executá-lo.

Onde a tecnologia pode realmente fazer diferença é na criação de mecanismos que exponham o custo da inação. Sistemas que calculam, em tempo real, o impacto financeiro, operacional e reputacional de cada dia de atraso. Plataformas que comparam a performance de diferentes unidades administrativas e identificam outliers. Dashboards que mostram não apenas o que está sendo feito, mas o que deixou de ser feito. A transparência radical dos dados é a ferramenta mais poderosa que temos para pressionar decisões baseadas em evidências.

No caso específico de Portugal, a questão não é se o governo tem ou não sistemas de IA para prever gargalos educacionais — provavelmente tem. A questão é se esses sistemas estão sendo usados para informar decisões ou apenas para cumprir requisitos burocráticos de "modernização administrativa".

A escolha entre governar com dados ou governar apesar dos dados

O caso dos exames fantasma em Portugal não é um acidente de percurso. É a consequência previsível de um modelo de gestão que trata dados como incômodo, não como ativo. Para profissionais de IA e transformação digital, o episódio serve como um alerta importante: não adianta construir os melhores modelos do mundo se a cultura organizacional não está preparada para aceitar o que eles têm a dizer.

A tecnologia avança em saltos quânticos, mas a maturidade decisória ainda anda a passos lentos. Enquanto governos e empresas tratarem sistemas de IA como oráculos convenientes — que podem ser consultados ou ignorados conforme a conveniência política —, continuaremos vendo crises que poderiam ter sido evitadas. O verdadeiro teste de maturidade não está na capacidade de gerar insights, mas na coragem de agir com base neles.

Para Portugal, a lição é clara, como apontado pela cobertura do Observador: ignorar os dados não faz o atraso desaparecer. Para nós, profissionais da área, a responsabilidade é projetar sistemas que tornem essa escolha cada vez mais difícil e custosa para quem a faz.