IA em pesquisas eleitorais: por que cenários alternativos exigem mais que algoritmos

Uma pesquisa eleitoral que testa cenários sem os dois principais nomes da disputa — Lula e Flávio Bolsonaro — soa, à primeira vista, como um exercício de futurologia política. Mas para quem trabalha com modelagem de dados e inteligência artificial, esse tipo de levantamento levanta questões técnicas bem mais profundas do que a mera especulação sobre intenções de voto. O que acontece com um modelo preditivo quando os dados históricos mais relevantes são removidos da equação? Como calibrar um algoritmo para simular comportamentos de eleitores que nunca foram observados na ausência dos candidatos dominantes? Essas são perguntas que qualquer engenheiro de machine learning enfrenta quando precisa lidar com cenários contrafactuais — e a pesquisa da AtlasIntel, mencionada pelo portal Veja, é um exemplo concreto desse desafio.

O levantamento, registrado na última quarta-feira e previsto para ser divulgado no dia 28, não traz detalhes metodológicos no anúncio. Mas, pela natureza do instituto, sabemos que a AtlasIntel costuma empregar técnicas de amostragem digital e modelos estatísticos avançados, muitas vezes com componentes de IA. Testar cenários sem Lula e sem Flávio Bolsonaro significa, na prática, construir um espaço de possibilidades que nunca existiu nos dados observados. Qualquer modelo que se apoiar apenas em regressões lineares ou em árvores de decisão clássicas vai falhar miseravelmente nessa tarefa, porque a distribuição das variáveis de entrada muda radicalmente. É aqui que a inteligência artificial, bem aplicada, pode fazer diferença — ou, mal aplicada, distorcer completamente os resultados.

O problema dos cenários contrafactuais em machine learning

Em engenharia de software, quando trabalhamos com modelos preditivos, uma das etapas mais críticas é a definição do domínio de validade. Um modelo treinado para prever intenção de voto em um cenário com dois candidatos fortes não pode ser simplesmente reutilizado para um cenário em que ambos estão ausentes. As relações entre as variáveis — idade, renda, região, histórico de voto anterior — mudam de forma não trivial. Por exemplo, eleitores que votam "contra" Lula podem migrar para um candidato de terceira via, mas a direção dessa migração depende de um conjunto de fatores que o modelo original não capturou, porque nunca esteve exposto a essa situação.

Técnicas como counterfactual reasoning e causal inference são tentativas de lidar com esse problema. Em vez de apenas aprender correlações, o modelo tenta aprender estruturas causais: "Se Lula não estivesse na disputa, o eleitor A teria votado em quem?" Isso exige dados ricos em variáveis de contexto — e aqui entra a dificuldade prática. Muitos institutos de pesquisa trabalham com questionários relativamente curtos, com 20 a 30 perguntas. Para um modelo causal robusto, isso é insuficiente. É preciso um desenho experimental cuidadoso, com perguntas que capturem preferências condicionais, como "Se o candidato X não concorrer, você votaria em Y ou Z?". A AtlasIntel, que usa coleta online e painéis digitais, tem mais flexibilidade para incluir esse tipo de pergunta, mas ainda assim o desafio de modelagem é imenso.

O viés de ancoragem e o risco de artefatos artificiais

Outro ponto que merece atenção de quem projeta sistemas de IA para esse tipo de aplicação é o viés de ancoragem. Quando um modelo é treinado com dados em que Lula e Bolsonaro dominam as menções, qualquer predição para um cenário sem eles tende a ser puxada para a média histórica, gerando resultados que parecem "seguros", mas que na verdade escondem uma falta de sinal real. Isso é particularmente perigoso em modelos de deep learning que usam embeddings de texto para processar respostas abertas de eleitores. Se o vocabulário do modelo está contaminado por associações frequentes com os dois candidatos, ele pode ter dificuldade em interpretar corretamente frases como "votaria em qualquer um, menos nesses dois".

Em um projeto recente que liderei para uma plataforma de pesquisa de mercado, enfrentamos problema similar: ao remover a marca mais popular de um segmento, o modelo de recomendação começou a sugerir produtos com base em correlações espúrias, como "quem compra leite integral também compra café solúvel", ignorando completamente a mudança de contexto. A solução foi incorporar uma etapa de debiasing usando aprendizado adversário — uma técnica que força o modelo a ignorar certos padrões dominantes. No caso das pesquisas eleitorais, algo similar poderia ser feito: treinar o modelo para prever intenções em cenários alternativos, mesmo que esses cenários não existam nos dados reais, usando dados sintéticos gerados por simulação. Mas isso introduz outro risco: o de gerar artefatos artificiais que não correspondem à realidade.

Onde a IA realmente agrega valor em pesquisas de opinião

Depois de tantos alertas, vale a pena perguntar: se a IA é tão problemática para cenários contrafactuais, por que institutos como a AtlasIntel a utilizam? A resposta está na escala e na granularidade. Modelos de IA são excelentes para processar grandes volumes de dados não estruturados — comentários em redes sociais, transcrições de entrevistas, respostas abertas de questionários — e extrair padrões de sentimento que seriam impossíveis de capturar manualmente. Eles também podem ajudar a identificar segmentos de eleitores que são mais sensíveis a mudanças de cenário, permitindo que os pesquisadores dirijam perguntas específicas a esses grupos.

Um uso prático que vejo com frequência é a clusterização de eleitores com base em múltiplas variáveis simultâneas, algo que a análise estatística tradicional faz com limitações. Com algoritmos de clustering como DBSCAN ou Gaussian Mixture Models, é possível encontrar nichos de eleitores que, por exemplo, votam em Lula por razões econômicas, mas que migrariam para um candidato de centro se a pauta fosse segurança pública. Esses clusters, quando bem definidos, servem como insumo para simulações de cenários alternativos, criando uma base mais sólida do que simples regressões.

No entanto, é fundamental que o engenheiro responsável pelo pipeline de dados entenda as limitações do modelo. Em um dos meus projetos, desenvolvi um sistema de previsão de demanda para um e-commerce que usava random forests. Quando testamos cenários com a remoção de um produto sazonal, o modelo errou por mais de 40% — porque a árvore de decisão tinha aprendido a depender daquele produto como nó principal. A solução foi criar um ensemble de modelos especializados, cada um treinado em um subconjunto diferente de dados, e depois agregar os resultados. Algo similar poderia ser aplicado a pesquisas eleitorais: ter modelos específicos para cada cenário alternativo, em vez de um único modelo tentando cobrir tudo.

Implicações para o mercado de trabalho e para produtos digitais

Para quem trabalha com engenharia de software e IA, o caso das pesquisas eleitorais é um lembrete de que a técnica não substitui o domínio do domínio. O mercado está cada vez mais demandando profissionais que saibam não apenas construir modelos, mas também questionar os dados de entrada e a validade dos cenários testados. Em startups de produtos digitais, por exemplo, é comum que líderes de produto peçam simulações de "e se tirarmos esse recurso?" ou "e se mudarmos o preço?". Saber aplicar causal inference e counterfactual reasoning é um diferencial competitivo claro.

Além disso, a transparência metodológica será cada vez mais importante. Assim como a AtlasIntel precisa registrar a pesquisa no TSE e divulgar a metodologia, qualquer empresa que usa IA para modelar cenários alternativos deve ser capaz de explicar como o modelo foi construído, quais vieses foram mitigados e quais são as margens de erro. Isso não é apenas uma questão ética — é uma exigência de confiabilidade do produto. Eu já vi times inteiros de engenharia perderem a credibilidade interna porque apresentaram simulações sem documentar as premissas, gerando decisões de negócio equivocadas.

Riscos, limitações e o que a engenharia pode aprender

O maior risco, na minha opinião, é a falsa sensação de precisão. Modelos de IA, especialmente os complexos como redes neurais profundas, podem gerar predições muito específicas — "o candidato X teria 23,7% dos votos nesse cenário" — que parecem científicas, mas que escondem uma enorme incerteza. O engenheiro responsável precisa comunicar essa incerteza de forma honesta, usando intervalos de confiança ou distribuições de probabilidade, e não apenas um número pontual. Isso é algo que ainda vejo pouco em sistemas de produção.

Outra limitação é a dependência de dados históricos. Para simular cenários sem Lula e Flávio Bolsonaro, seria ideal ter dados de eleições passadas em que ambos não concorreram — mas isso é raro, pois eles dominam o cenário há décadas. Modelos generativos, como GANs ou VAEs, podem tentar preencher essa lacuna, mas a qualidade do dado sintético depende de suposições que nem sempre são realistas. Em um trabalho que acompanhei, um time de pesquisa usou dados sintéticos para simular o comportamento de eleitores em um novo mercado, e o resultado foi um desastre: o modelo gerava padrões que não existiam na realidade, levando a uma campanha de marketing ineficaz.

Por fim, a privacidade dos entrevistados é um ponto que não pode ser negligenciado. Qualquer modelo que use dados pessoais — mesmo que anonimizados — para construir cenários contrafactuais corre o risco de expor preferências sensíveis. Em sistemas de recomendação, já vimos casos em que o modelo inferiu orientação política ou religiosa a partir de padrões de consumo; em pesquisas eleitorais, o risco é ainda maior. Aplicar técnicas de differential privacy e anonimização robusta não é opcional, é parte do dever de casa de qualquer engenheiro que trabalha com dados de pessoas.

Uma perspectiva pessoal sobre o papel da IA

Depois de anos projetando sistemas de IA para problemas reais, aprendi que a tecnologia é uma ferramenta poderosa, mas não uma oráculo. Pesquisas eleitorais com cenários alternativos, como a da AtlasIntel, têm enorme valor para entender a dinâmica política e para subsidiar decisões estratégicas — mas o valor está na interpretação dos resultados, não na predição em si. O papel do engenheiro é construir modelos que sejam robustos, interpretáveis e honestos sobre suas limitações. Se o modelo disser "não sei" com um intervalo de confiança amplo, isso é melhor do que dar uma resposta precisa, mas errada.

No fim das contas, a pesquisa sem Lula e Flávio Bolsonaro não é sobre o futuro — é sobre como lidamos com a incerteza. E, para quem constrói sistemas de IA, essa é a habilidade mais importante de todas.