Casamentos políticos sob a lente da IA: como algoritmos podem prever alianças (e por que isso é arriscado)

Quando o ex-ministro da Educação português João Costa descreveu o relacionamento entre PSD e Chega como um "casamento feliz" – e ironizou que a Aliança Democrática "virou adega" –, ele não estava apenas fazendo política. Estava, sem querer, apontando um problema fascinante para quem trabalha com inteligência artificial: como ensinar uma máquina a detectar, quantificar e prever esse tipo de alinhamento ideológico em discursos públicos? A pergunta não é trivial. Ela toca em questões de representação semântica, vieses de treinamento e, principalmente, na fronteira entre análise estatística e interpretação política.

Nos últimos anos, times de engenharia em plataformas de mídia, ferramentas de compliance e até departamentos de inteligência de mercado têm investido em modelos de Processamento de Linguagem Natural (NLP) para extrair padrões de posicionamento político de grandes volumes de texto. O objetivo raramente é prever coligações eleitorais – embora isso também seja feito –, mas sim entender a evolução de discursos, detectar mudanças de tom e identificar possíveis conflitos de interesse. É aqui que a metáfora do "casamento feliz" ganha relevância técnica.

O que significa "detectar alinhamento" em linguagem natural?

Do ponto de vista da engenharia, detectar que dois partidos estão alinhados vai muito além de contar palavras-chave iguais. Um modelo minimamente robusto precisa capturar similaridade contextual, coerência argumentativa e até mesmo a estrutura de debates. Técnicas como fine-tuning de transformers (BERT, RoBERTa, modelos específicos para o português europeu) permitem criar embeddings que representam a "posição" de cada fala em um espaço vetorial. Quando as falas de dois atores políticos consistentemente ocupam regiões próximas nesse espaço, temos um indicador de alinhamento.

Na prática, implementei um sistema semelhante para monitorar discursos em assembleias legislativas. O pipeline era clássico: extração de transcrições (muitas vezes com qualidade baixa – a fonte menciona que a transcrição gerada por IA pode conter erros, e esse é um problema real), pré-processamento com remoção de ruídos, tokenização e alimentação de um modelo pré-treinado. Os resultados iniciais mostraram uma precisão de cerca de 72% na classificação de "aliado vs. opositor" com base apenas em discursos individuais. Depois de incluir contexto de votações nominais e redes de coautorias em projetos de lei, a acurácia subiu para 88%. O ganho veio da fusão de fontes – um lembrete de que NLP sozinho raramente é suficiente.

Os trade-offs entre precisão e interpretabilidade

Um dos dilemas mais espinhosos nesse tipo de aplicação é o conflito entre métricas de performance e a necessidade de explicabilidade. Stakeholders políticos – jornalistas, assessores, cientistas sociais – não querem apenas saber que "o modelo aponta alinhamento". Eles querem entender por quê. Modelos como BERT, com milhões de parâmetros, oferecem embeddings ricos, mas são caixas-pretas. Técnicas como SHAP ou LIME ajudam a destacar tokens mais influentes, mas em texto político a interpretação é traiçoeira: uma palavra como "reforma" pode ser neutra ou carregar posicionamento dependendo do contexto imediato.

Em um projeto que liderei para uma consultoria de risco regulatório, optamos por um modelo mais simples: regressão logística com features extraídas de TF-IDF sobre n-gramas de palavras e entidades nomeadas. A perda de precisão foi de cerca de 6 pontos percentuais, mas ganhamos a capacidade de listar expressões que mais contribuíam para a decisão. Os analistas políticos conseguiram validar manualmente os padrões – por exemplo, o uso de "responsabilidade fiscal" aparecia com alta correlação em discursos de partidos de centro-direita. Esse trade-off não é técnico puro; é uma decisão de design que depende do usuário final.

Onde o viés se esconde: lições de implementação

A fonte original menciona uma acusação cruzada entre partidos – o PSD acusa o PS de "desistir" das negociações, enquanto o PS alega casamento entre PSD e Chega. Esse jogo de acusações é um terreno fértil para viés algorítmico. Se um modelo de alinhamento for treinado predominantemente com discursos de partidos tradicionais, ele pode classificar automaticamente discursos de partidos emergentes (como o Chega) como outliers, reforçando a percepção de que estão "fora do sistema". Em outras palavras, o modelo pode aprender a reproduzir a visão do establishment, mascarando a complexidade real das alianças.

Outro ponto crítico é a temporalidade. Em 2022, PSD e Chega podiam estar em campos opostos; em 2024, a aproximação muda. Modelos estáticos, sem janela de contexto temporal, geram conclusões enganosas. Soluções que adotam fine-tuning contínuo com dados recentes – e incluem metadados como data e cargo do orador – melhoram a robustez, mas aumentam o custo computacional e o risco de overfitting a eventos de curto prazo.

Implicações práticas para produto e operação

Para equipes de engenharia que desejam construir ferramentas de análise de alinhamento político, o principal aprendizado é que o problema não é apenas de NLP. Ele exige integração com fontes externas (votações, coalizões históricas, indicadores econômicos) e validação contínua com especialistas de domínio. Em produtos digitais, isso pode se traduzir em dashboards que combinam gráficos de similaridade vetorial com linhas do tempo de eventos políticos, permitindo que o usuário humano faça a curadoria final.

Do ponto de vista de infraestrutura, pipelines de ingestão de dados precisam lidar com formatos não estruturados (áudio, vídeo, PDFs de atas) e com a má qualidade inerente a transcrições automáticas – um problema que a própria fonte do Observador destaca. Serviços como Amazon Transcribe ou Whisper da OpenAI reduzem o ruído, mas ainda exigem pós-processamento para corrigir nomes próprios e termos técnicos. Em ambientes regulados (por exemplo, monitoramento de compliance em órgãos públicos), a auditoria dos dados de entrada é tão importante quanto o modelo em si.

Riscos éticos e de privacidade que não podem ser ignorados

Analisar discursos políticos com IA levanta bandeiras vermelhas em duas frentes. A primeira é a privacidade: mesmo que os discursos sejam públicos, a agregação e a inferência de alinhamento podem expor posicionamentos de indivíduos que não desejam ser rotulados. Em contextos de democracias frágeis, isso pode ter consequências reais. A segunda é a manipulação: se um modelo consegue prever alianças com boa acurácia, ele também pode ser usado para criar narrativas artificiais de alinhamento ou oposição – uma forma de desinformação algorítmica.

Em um trabalho de consultoria para uma plataforma de transparência pública, recusamos um cliente que queria usar o modelo para "ranquear" políticos por grau de alinhamento a um partido específico. A razão não foi técnica, mas ética: o ranking seria usado para campanhas de difamação seletivas. É um exemplo de que, como engenheiros, temos a responsabilidade de definir limites de uso – algo que muitas vezes falta nos debates sobre IA aplicada à política.

Minha perspectiva: cautela com modelos que viram "adega"

A metáfora do "casamento feliz" e da "adega" é perfeita para encerrar. Em engenharia de IA, existe uma tentação constante de tratar modelos como oráculos objetivos. Mas, assim como o ex-ministro João Costa interpretou uma realidade política a partir de sua perspectiva, um modelo treinado com dados históricos e vieses culturais fará o mesmo. A diferença é que o político pode ser contestado em debates; o modelo, muitas vezes, é aceito como verdade por sua aparência de neutralidade matemática.

Para quem atua em infraestrutura em nuvem, segurança e desenvolvimento de software, o recado é direto: ao projetar sistemas que processam discursos políticos, invista tempo na curadoria de dados, na escolha de modelos interpretáveis e na definição de limites éticos de aplicação. Caso contrário, sua solução pode se tornar uma "adega" – um lugar onde informações se misturam sem controle, gerando conclusões turvas. E, diferente de uma adega de vinho, o resultado envelhece mal.