Dividir, Amplificar, Dominar: Como a IA Está Transformando a Polarização Política em uma Arma
A inteligência artificial está transformando não apenas quais informações chegam até nós, mas também quem tem o poder de decidir o que pode ser visto, amplificado, questionado ou esquecido.
Maurício Pinheiro
17 – 26 min.
Nota Editorial de 2026
Este artigo consolida e reescreve completamente dois ensaios anteriores publicados no AI-Talks.org sobre redes sociais, polarização política, inteligência artificial e liberdade de expressão. Sua preocupação central é o crescente poder dos algoritmos para moldar as informações com que as pessoas entram em contato, as opiniões que consideram e, em última instância, as próprias condições em que o debate público acontece. O argumento parte de princípios essenciais a uma sociedade livre: liberdade de expressão, julgamento individual, pluralismo político, limites à concentração de poder e ceticismo diante do controle centralizado da informação. Nada disso exige supor que toda afirmação feita em nome da liberdade de expressão seja verdadeira, nem que os algoritmos sejam inofensivos. Exige apenas formular uma pergunta mais fundamental: quem detém o poder de decidir? À medida que a inteligência artificial passa a mediar cada vez mais o que as pessoas leem, assistem, ouvem e discutem, essa pergunta se torna mais importante do que nunca.
O Alerta de Stuart Russell
“Divide et impera.” — “Dividir para conquistar.”
IA e polarização política estão se tornando inseparáveis. Algoritmos já não apenas selecionam o que vemos: eles aprendem o que captura nossa atenção, reforça nossas crenças e pode influenciar aquilo em que acreditaremos amanhã.
Em 2019, alguns anos antes do ChatGPT e antes que a inteligência artificial generativa passasse a fazer parte da vida cotidiana, o cientista da computação Stuart Russell fez um alerta que hoje parece extraordinariamente premonitório. Em Human Compatible: Artificial Intelligence and the Problem of Control, ele examinou um problema que está no coração da IA avançada: o que acontece quando máquinas cada vez mais capazes se tornam excepcionalmente eficientes em perseguir objetivos que os seres humanos definiram de maneira inadequada, incompleta ou sem prever plenamente suas consequências?
Russell, professor de Ciência da Computação na Universidade da Califórnia, Berkeley, e coautor, com Peter Norvig, de Artificial Intelligence: A Modern Approach, publicado pela primeira vez em 1995, não estava preocupado principalmente com o conhecido cenário de ficção científica em que uma máquina subitamente se torna maligna. O perigo mais sutil é quase o oposto. Um sistema inteligente pode perseguir fielmente o objetivo que lhe damos e, ainda assim, produzir resultados radicalmente diferentes daqueles que realmente desejávamos.
Uma máquina não precisa ter más intenções para se tornar perigosa. Competência combinada com o objetivo errado pode ser suficiente.
Russell não precisou imaginar uma futura superinteligência para ilustrar o problema. As redes sociais já estavam conduzindo um experimento em escala planetária. Facebook, YouTube, Instagram, TikTok, X, Bluesky, Google e outras plataformas desenvolveram sistemas capazes de decidir, milhões de vezes por segundo, quais informações determinados indivíduos encontrariam.
Esses algoritmos não precisam de uma filosofia política. Precisam de um objetivo.
Um sistema de recomendação programado para maximizar cliques, tempo de visualização, compartilhamentos ou engajamento não precisa compreender por que uma pessoa permanece conectada. Precisa apenas aprender o que a mantém assistindo, reagindo e voltando.
Mais tarde, Russell apresentou esse argumento de forma ainda mais explícita em depoimento perante o Senado dos Estados Unidos. Os sistemas de recomendação, alertou ele, exercem enorme influência sobre aquilo que bilhões de pessoas consomem, enquanto trabalhos teóricos sugerem que um otimizador de engajamento pode ter incentivos não apenas para prever os usuários, mas também para induzir mudanças que tornem seu comportamento futuro mais fácil de prever.
Essa distinção muda tudo.
O algoritmo que compreende aquilo em que você acredita é útil.
O algoritmo capaz de influenciar aquilo em que você acreditará amanhã pode ser ainda mais útil.
O Problema É o Que Pedimos ao Algoritmo para Maximizar
O perigo se torna mais fácil de compreender quando deixamos de imaginar os algoritmos como pequenos atores políticos e perguntamos o que eles realmente foram projetados para fazer.
Uma plataforma de rede social pode querer que os usuários permaneçam conectados por mais tempo, assistam a mais vídeos, cliquem em mais anúncios, compartilhem mais publicações ou retornem com maior frequência. Esses são objetivos mensuráveis, e sistemas de aprendizado de máquina podem se tornar excepcionalmente eficientes em persegui-los.
Mas engajamento não é verdade. Não é julgamento informado, tolerância, estabilidade social nem autonomia individual.
Se a indignação mantém as pessoas assistindo por mais tempo do que a moderação, a indignação adquire valor. Se afirmações emocionalmente carregadas circulam mais do que explicações cuidadosas, a certeza emocional ganha vantagem. Se reforçar a identidade política de alguém torna seu comportamento futuro mais previsível, o sistema pode favorecer repetidamente conteúdos que fortaleçam essa identidade.
Ninguém precisa programar a instrução “polarize a sociedade”.
“Maximize o engajamento” pode ser suficiente.
Esse é um dos pontos mais importantes de todo o debate. A polarização política pode surgir sem que exista uma conspiração política. Plataformas competem por atenção, algoritmos otimizam comportamentos mensuráveis, atores políticos aprendem o que funciona, anunciantes exploram os perfis resultantes e os próprios usuários recompensam conteúdos que confirmam lealdades e provocam emoções.
Cada participante pode estar respondendo racionalmente a incentivos locais enquanto o sistema, como um todo, se desloca para um resultado que praticamente ninguém planejou de forma explícita.
A máquina aprende conosco e, depois, nós aprendemos com o ambiente que a própria máquina construiu ao nosso redor.
Isso é um ciclo de retroalimentação.
Quando Seres Humanos se Tornam Variáveis
A Cambridge Analytica ofereceu uma das primeiras demonstrações do que pode acontecer quando dados pessoais se transformam em instrumentos políticos.
A empresa obteve, por meio de práticas enganosas, dados do Facebook de dezenas de milhões de usuários e os combinou com perfis de personalidade e registros eleitorais para segmentar eleitores e direcionar mensagens políticas sob medida, segundo a Federal Trade Commission dos Estados Unidos.
Não há evidências sólidas de que a Cambridge Analytica tenha, sozinha, determinado o resultado da eleição presidencial norte-americana de 2016, e alegações de que ela possuía uma capacidade quase mágica de controlar eleitores devem ser tratadas com ceticismo.
Mas essa não é a principal lição.
A Cambridge Analytica revelou a arquitetura.
Informações pessoais podiam ser coletadas, transformadas em perfis políticos e utilizadas para decidir que o eleitor A receberia uma mensagem enquanto o eleitor B receberia outra. A comunicação política começava a deixar de transmitir o mesmo argumento para todos e avançava em direção à persuasão individualizada.
A reação mais óbvia é exigir controle.
Mas o controle cria outro problema.
A eleição presidencial brasileira de 2022 oferece um exemplo revelador. Durante uma campanha excepcionalmente polarizada, o Tribunal Superior Eleitoral, o TSE, ampliou seus poderes de combate à desinformação eleitoral. A Resolução 23.714 proibiu afirmações sabidamente falsas ou gravemente descontextualizadas que atacassem a integridade do processo eleitoral e permitiu ao tribunal ordenar às plataformas a rápida remoção de conteúdo. Violações reiteradas poderiam levar à suspensão temporária de contas, canais e até mesmo do acesso às plataformas. Alexandre de Moraes, ministro do Supremo Tribunal Federal e, naquele momento, também presidente do TSE, foi o relator da resolução.
As medidas foram defendidas como necessárias para proteger uma eleição inundada por informações falsas. Também foram profundamente controversas. O procurador-geral da República contestou partes da resolução perante o Supremo Tribunal Federal, argumentando, entre outras coisas, que ela ampliava os poderes da Justiça Eleitoral e ameaçava garantias constitucionais da liberdade de expressão. O STF recusou-se a suspender as regras durante a eleição, e a maioria apoiou a decisão provisória que as manteve em vigor.
Para muitos brasileiros de direita, o sistema passou a parecer cada vez mais assimétrico, porque ordens de remoção de destaque atingiram apoiadores de Bolsonaro e veículos de mídia conservadores. Um caso particularmente ilustrativo envolveu a Brasil Paralelo. O TSE decidiu, por 4 votos a 3, retirar do ar um vídeo crítico a Lula.
Isso não demonstra que todo o tribunal eleitoral funcionasse como instrumento partidário.
Mas é justamente por isso que o caso importa.
A questão difícil não é se confiamos hoje em determinado juiz, plataforma, governo ou facção política. É se qualquer instituição deveria possuir poderes tão amplos para determinar, sob intensa pressão de tempo e durante uma eleição, quais afirmações políticas os cidadãos podem encontrar.
A Cambridge Analytica mostra um perigo: organizações privadas utilizando dados para manipular o ambiente informacional.
O Brasil mostra outro: instituições estatais adquirindo mecanismos cada vez mais poderosos para controlar esse ambiente em resposta.
A manipulação vinda de baixo não justifica automaticamente o controle vindo de cima.
Ela apenas desloca o problema.
Quem controla o controlador?
A Bolha Informacional Existe. A Explicação Simples, Não.
Durante anos, uma explicação para a polarização política tornou-se quase um senso comum: algoritmos criam bolhas informacionais, bolhas criam radicalização e radicalização produz polarização.
As evidências hoje são muito mais interessantes.
Durante a eleição presidencial norte-americana de 2020, pesquisadores realizaram um grande experimento envolvendo mais de 23 mil usuários do Facebook. Eles reduziram em aproximadamente um terço a exposição dos participantes a fontes politicamente alinhadas com suas próprias posições. A intervenção alterou substancialmente aquilo que os participantes viam, mas os pesquisadores não encontraram efeito mensurável sobre oito atitudes políticas previamente registradas, incluindo polarização afetiva e extremismo ideológico.
Esse resultado importa.
Os algoritmos claramente moldam a exposição à informação, mas alterar essa exposição não necessariamente transforma identidades políticas profundamente estabelecidas. As pessoas não são recipientes passivos nos quais as redes sociais simplesmente despejam opiniões. Elas escolhem amigos, fontes, comunidades, partidos, igrejas, jornais, podcasts e movimentos políticos. Interpretam novas informações à luz de valores e experiências que existiam muito antes do Facebook.
A autonomia humana não desapareceu quando o algoritmo chegou.
Mas a influência algorítmica tampouco desapareceu.
Algoritmos Podem Mudar Atitudes Políticas
Um experimento de campo randomizado realizado no X em 2026 torna o quadro ainda mais complexo.
Os pesquisadores designaram usuários ativos nos Estados Unidos para receber durante sete semanas o feed algorítmico “For You” ou um feed cronológico. Entre os usuários que anteriormente utilizavam o feed cronológico, a ativação das recomendações algorítmicas aumentou o engajamento e deslocou várias atitudes políticas em uma direção mais conservadora. Os participantes passaram a atribuir maior prioridade a temas como imigração, inflação e criminalidade, modificaram opiniões sobre questões políticas contemporâneas e se tornaram mais propensos a seguir contas de ativistas conservadores.
Ao mesmo tempo, o experimento não encontrou mudanças significativas na identificação partidária nem na polarização afetiva. Desativar o algoritmo também não produziu uma reversão equivalente. Uma explicação plausível foi a persistência: usuários expostos a determinadas contas recomendadas passaram a segui-las, e essas relações permaneceram mesmo depois que o algoritmo deixou de atuar.
É exatamente por isso que afirmações simplistas sobre “o algoritmo” são inadequadas.
O experimento não demonstra que algoritmos sejam inerentemente conservadores. O X pode alterar seu sistema de classificação amanhã. Outra plataforma pode produzir efeitos diferentes. O fato importante é que existe um mecanismo capaz de deslocar atitudes políticas.
A direção política é contingente.
A infraestrutura de influência, não.
Outro experimento realizado em 2026 torna esse ponto ainda mais claro. Pesquisadores construíram diferentes sistemas de classificação para redes sociais e designaram 2 mil participantes para utilizá-los durante o período da eleição norte-americana de 2024. A classificação baseada em engajamento amplificou indignação moral, conflito entre grupos, conteúdo emocional e material político tóxico quando comparada a um feed cronológico. Entretanto, um algoritmo redesenhado para reduzir a influência de usuários extremos diminuiu a exposição a grande parte desse conteúdo sem reduzir o prazer declarado pelos usuários ao utilizar a plataforma.
Isso sugere uma pergunta melhor do que “Os algoritmos causam polarização?”
O que este algoritmo específico recompensa?
Mude o objetivo e você pode mudar o ambiente.
Liberdade de Expressão Não É Amplificação Algorítmica
A era digital também exige uma distinção que os debates convencionais sobre censura frequentemente ignoram.
O direito de falar não é o mesmo que um direito à amplificação algorítmica.
Um cidadão pode ter todo o direito de publicar uma opinião política impopular. Isso não significa que um sistema privado de recomendação tenha obrigação de distribuí-la a dez milhões de pessoas.
Mas o inverso é igualmente importante.
Uma plataforma pode manter todas as opiniões tecnicamente disponíveis enquanto projeta seu sistema de classificação de maneira que determinados pontos de vista praticamente nunca se tornem visíveis. Ninguém foi formalmente silenciado, mas o controle sobre a atenção ainda pode remodelar o debate público.
Historicamente, censura frequentemente significava impedir que palavras fossem impressas.
O controle digital pode ser mais sutil.
As palavras continuam online.
Quase ninguém as vê.
É por isso que o argumento não pode ser reduzido a “moderação versus liberdade de expressão”. O próprio ranking é uma forma de poder. Resultados de busca, recomendações, assuntos em destaque, desmonetização, alertas, redução de alcance e suspensão de contas influenciam aquilo que chega ao público.
E como a atenção humana é finita, toda amplificação é necessariamente seletiva.
A pergunta relevante torna-se mais ampla:
Quem decide o que se torna visível?
Então a IA Aprendeu a Falar
Até recentemente, grande parte dessa maquinaria dizia respeito à seleção.
Os seres humanos criavam a mensagem política. Os algoritmos decidiam quem a veria.
A IA generativa modifica profundamente essa arquitetura porque a própria máquina agora pode criar a mensagem.
Uma propaganda eleitoral na televisão transmite essencialmente o mesmo argumento para milhões de pessoas. Um sistema de recomendação pode decidir qual propaganda você receberá. Uma IA conversacional pode ir muito além: pode ouvir sua objeção, reformular o argumento, mudar o tom, selecionar evidências diferentes, descobrir o que importa para você e continuar se adaptando enquanto a conversa acontece.
Os experimentos estão começando a revelar o poder dessa diferença.
Um estudo de 2025 comparou debatedores humanos com o GPT-4 em conversas sobre questões sociopolíticas. Quando o GPT-4 tinha acesso a informações demográficas sobre a pessoa com quem debatia, tornou-se substancialmente mais persuasivo do que os oponentes humanos. Entre os debates em que os dois lados não foram considerados igualmente persuasivos, o sistema GPT-4 personalizado foi mais persuasivo em 64,4% dos casos.
Outro conjunto de experimentos investigou diretamente a persuasão eleitoral. Participantes nos Estados Unidos, Canadá e Polônia mantiveram conversas com sistemas de IA instruídos a defender candidatos políticos específicos. Essas conversas produziram mudanças significativas nas preferências dos eleitores, com efeitos medidos superiores aos normalmente associados a propagandas eleitorais convencionais em vídeo. Em geral, os modelos persuadiram apresentando argumentos, fatos e evidências, e não por meio de técnicas psicológicas exóticas, embora algumas das informações fornecidas fossem incorretas.
A transição é profunda.
O algoritmo de ontem perguntava:
Qual mensagem existente devo mostrar a esta pessoa?
O sistema emergente pode perguntar:
Qual argumento devo construir para esta pessoa neste exato momento?
“A Última Eleição Humana”
Em 2023, Aza Raskin, do Center for Humane Technology, expressou essa preocupação de forma deliberadamente provocativa durante The A.I. Dilemma, uma apresentação realizada com Tristan Harris:
“2024 será a última eleição humana.”
A previsão obviamente não se concretizou de forma literal. Seres humanos votaram em 2024, candidatos humanos disputaram eleições e a inteligência artificial não se tornou presidente.
Esse não era o ponto de Raskin.
Ele alertava para uma transição dos testes convencionais de campanha para a persuasão computacional em escala massiva: sistemas de IA capazes de gerar mensagens e mídia sintética, testar incontáveis variações sobre populações inteiras e, eventualmente, utilizar agentes conversacionais para estabelecer relações persuasivas de longo prazo com indivíduos.
A data era provocativa.
A arquitetura não era imaginária.
A propaganda tradicional sempre sofreu de uma grande limitação: ela é produzida em massa. Um cartaz, um discurso, um comercial, um slogan.
A IA elimina grande parte dessa restrição.
Um eleitor pode receber um argumento sobre impostos. Outro, sobre religião. Outro, sobre criminalidade. Outro, sobre desigualdade. Outro, sobre mudança climática. O vocabulário, as evidências, o enquadramento emocional, o grau aparente de moderação política e até mesmo a personalidade do mensageiro podem ser ajustados ao indivíduo.
A máquina não precisa descobrir o argumento político perfeito.
Ela pode procurar o argumento perfeito para você.
Essa é uma forma fundamentalmente diferente de poder político.
A IA Que Sempre Concorda com Você
Existe um perigo ainda mais sutil.
Manipulação nem sempre se apresenta como oposição.
Às vezes, ela se parece com concordância.
Um estudo de 2026 que examinou 21 modelos de linguagem no contexto político brasileiro constatou que os modelos tendiam a deslocar suas posições expressas na direção da ideologia política declarada pelo usuário. Os pesquisadores descreveram esse comportamento como uma forma de camaleonismo ideológico: um usuário de esquerda poderia receber respostas inclinadas a pressupostos de esquerda, enquanto um usuário de direita poderia receber respostas inclinadas na direção oposta.
A bolha informacional tradicional nos cerca de outras pessoas parecidas conosco.
Uma bolha conversacional pode ser mais íntima. A própria máquina pode aprender gradualmente a se parecer conosco.
Isso deveria preocupar a todos.
Um usuário conservador não se beneficia de uma IA que confirme automaticamente pressupostos conservadores. Um usuário progressista não se beneficia de uma máquina que valide automaticamente pressupostos progressistas. Em ambos os casos, um sistema que parece intelectualmente autoritativo pode estar simplesmente aprendendo a manter o usuário satisfeito.
Isso não é raciocínio independente.
É viés de confirmação automatizado.
Uma das funções mais valiosas da IA deveria ser justamente a oposta: formular o argumento sério mais forte contra aquilo em que já acreditamos.
Compreender-nos é útil.
Adular-nos, não.
Não Existe um Guardião Perfeitamente Neutro
A solução óbvia costuma ser resumida em duas palavras:
IA imparcial.
Infelizmente, a expressão esconde a dificuldade.
Todo sistema de informação precisa fazer escolhas. Qual fonte é confiável? Qual evidência merece maior peso? O que conta como contexto relevante? Quando uma afirmação é falsa, e quando é apenas controversa? Quando o equilíbrio esclarece uma discussão e quando cria uma falsa equivalência? O que caracteriza discurso extremista? Quando informações prejudiciais devem ser restringidas?
Essas não são questões puramente computacionais.
Elas envolvem julgamentos.
O problema não é que o julgamento possa ser eliminado. Não pode.
O problema começa quando o julgamento se esconde atrás da aparência de neutralidade.
Um objetivo melhor é a transparência intelectual. Sistemas de IA deveriam distinguir evidências de interpretações, reconhecer incertezas genuínas, apresentar argumentos concorrentes sérios quando apropriado, fornecer fontes e permitir que os usuários questionem como determinadas conclusões foram alcançadas.
Uma máquina deveria ajudar as pessoas a pensar.
Não deveria se transformar em um Ministério da Verdade invisível.
Combater a Fala com Mais Fala
Existem alternativas ao controle centralizado dos fatos.
O Community Notes representa uma dessas experiências. Em vez de delegar toda correção a um pequeno grupo institucional de verificadores, o sistema tenta acrescentar contexto quando colaboradores que normalmente discordam entre si concordam que determinada nota é útil. Em 2025, a Meta começou a substituir nos Estados Unidos seu sistema de verificação por terceiros pelo Community Notes e informou que as notas acrescentariam contexto sem reduzir automaticamente a distribuição da publicação original.
O modelo não é perfeito. Multidões podem estar erradas. Grupos coordenados podem tentar manipular avaliações. O consenso pode chegar tarde demais.
Mas a arquitetura incorpora um princípio importante: sempre que possível, contestar uma fala questionável com informação adicional em vez de simplesmente fazer com que a fala original desapareça.
Outro princípio útil é o controle pelo próprio usuário. De acordo com o Digital Services Act da União Europeia, as grandes plataformas online devem explicar parâmetros importantes de seus sistemas de recomendação e oferecer aos usuários pelo menos uma opção de recomendação que não seja baseada em perfilamento.
Nenhuma dessas abordagens resolve a polarização política.
Mas ambas reconhecem que o poder sobre a informação deve ser visível e contestável.
Da Economia da Atenção à Economia da Intenção
As redes sociais industrializaram a competição pela atenção humana.
A IA generativa pode industrializar algo ainda mais importante: a influência sobre a intenção humana.
O algoritmo de ontem aprendia qual manchete nos fazia clicar.
A IA de hoje pode aprender qual argumento nos faz concordar.
Os sistemas de amanhã poderão combinar histórico de navegação, preferências políticas, comportamento de consumo, relações sociais, conversas, localização, memórias pessoais e inferências psicológicas em modelos cada vez mais detalhados do indivíduo.
As mesmas capacidades podem produzir benefícios extraordinários. Um tutor personalizado de IA pode descobrir exatamente por que um estudante não consegue compreender cálculo. Um assistente médico pode adaptar suas explicações ao nível de conhecimento do paciente. Um sistema educacional pode apresentar ideias difíceis na linguagem mais acessível a cada pessoa.
Mas a persuasão utiliza a mesma maquinaria.
A diferença está no objetivo.
Uma IA tentando me ajudar a compreender uma questão e uma IA tentando maximizar a probabilidade de que eu adote determinada posição política podem utilizar modelos muito semelhantes sobre quem eu sou.
Uma serve ao meu julgamento.
A outra o otimiza.
A autonomia política, portanto, torna-se inseparável da privacidade informacional.
A propaganda mais poderosa do futuro talvez não envie a mesma mensagem para todos.
Talvez envie uma realidade diferente para cada pessoa.
Milhões de cidadãos.
Milhões de narrativas individualmente otimizadas.
Nenhum Ministério da Informação na história possuiu essa capacidade.
Dispersar o Poder
Não existe uma instituição perfeita capaz de decidir a verdade para toda a sociedade.
Nem governos.
Nem empresas.
Nem universidades.
Nem jornalistas.
Nem multidões.
Nem a inteligência artificial.
Todos podem descobrir a verdade. Todos podem cometer erros. Todos podem ser capturados por incentivos, ideologias, pressões políticas, interesses institucionais ou simples falhas humanas.
É por isso que a concentração do poder informacional é perigosa, independentemente de quem o detenha.
Um ambiente informacional livre exige competição, pluralismo, transparência, descentralização, possibilidade de contestar decisões, liberdade para escolher plataformas diferentes, privacidade significativa e liberdade de expressão suficiente para que os erros possam ser expostos, em vez de simplesmente suprimidos.
Devemos julgar as instituições não apenas pelo que fazem quando são controladas por pessoas em quem confiamos.
Devemos projetá-las para o dia em que forem controladas por pessoas em quem não confiamos.
O mesmo princípio se aplica à IA.
Dividir, Amplificar, Dominar
A velha máxima política era dividir para conquistar.
A inteligência artificial acrescenta uma nova possibilidade.
A máquina não precisa necessariamente criar a divisão original. Os seres humanos são perfeitamente capazes de fazer isso sozinhos.
Ela pode detectar a divisão.
Medi-la.
Personalizá-la.
Amplificá-la.
Aprender quais ressentimentos provocam as maiores reações.
Descobrir quais mensagens movem quais pessoas.
E alimentar o sistema novamente com esses resultados.
Facções políticas podem acreditar que estão lutando umas contra as outras enquanto ambas estão sendo simultaneamente influenciadas pela mesma arquitetura de engajamento, segmentação, recomendação e persuasão.
É por isso que o problema mais profundo não é esquerda contra direita.
Um sistema que amplifica conservadores hoje pode amplificar progressistas amanhã. Um mecanismo usado para suprimir uma facção ideológica pode posteriormente ser herdado por outra. Um poder de censura celebrado quando exercido contra adversários torna-se intolerável quando o equilíbrio político muda.
A infraestrutura permanece depois que a vantagem política desaparece.
O alerta de Stuart Russell, portanto, vai muito além das redes sociais. O perigo de uma IA cada vez mais capaz não é necessariamente que as máquinas desenvolvam ambições políticas próprias. É que se tornem extraordinariamente eficientes em perseguir os objetivos que lhes forem dados por governos, empresas, campanhas, ativistas e outras instituições.
Se o objetivo for engajamento, elas podem aprender a capturar nossa atenção.
Se o objetivo for concordância, podem aprender a nos adular.
Se o objetivo for persuasão, podem aprender a nos influenciar.
Se o objetivo for conformidade ideológica, poderão tornar a conformidade mais fácil de produzir do que qualquer tecnologia anterior permitiu.
A resposta não pode ser encontrar a autoridade perfeita e entregar a ela o controle sobre todos os demais.
O princípio mais seguro é mais antigo e mais simples:
Dispersar o poder.
Preservar a liberdade de expressão. Preservar o pluralismo político. Proteger a privacidade. Exigir transparência. Manter as instituições contestáveis. Dar aos cidadãos controle significativo sobre os algoritmos que mediam suas vidas.
Acima de tudo, preservar a distinção entre ajudar uma pessoa a tomar uma decisão e tratar a mente dessa pessoa como o objeto a ser otimizado.
A questão política central da inteligência artificial, portanto, não é inteiramente nova:
Quem detém o poder — e o que limita esse poder?
Durante séculos, sociedades livres enfrentaram essa questão em governos, igrejas, empresas, jornais, universidades e movimentos políticos.
A inteligência artificial não torna essa pergunta obsoleta.
Torna urgente a resposta.
O maior perigo talvez não seja que a IA comece a pensar politicamente.
Talvez seja que atores políticos adquiram máquinas capazes de compreender nossas crenças melhor do que qualquer pessoa antes delas — e então descubram com que eficiência essas crenças podem ser alteradas.
Uma sociedade livre não pode impedir toda tentativa de persuasão. Nem deveria.
O que ela precisa preservar é algo mais fundamental: a capacidade do indivíduo de encontrar ideias concorrentes, julgá-las de forma independente, falar sem medo e continuar sendo um cidadão, em vez de se transformar em uma variável dentro do sistema de otimização de outra pessoa.
Referências
Brady, William J., Meriel Doyle, Abdo Elnakouri, et al. “Redesigning Algorithms to Intervene on Social Norm Misperceptions during a National Election.” Nature 655 (2026): 942–956.
Federal Trade Commission. “FTC Issues Opinion and Order Against Cambridge Analytica for Deceiving Consumers About the Collection of Facebook Data.” 2019.
Gauthier, Germain, Roland Hodler, Philine Widmer, and Ekaterina Zhuravskaya. “The Political Effects of X’s Feed Algorithm.” Nature 652 (2026): 416–423.
Lin, Hause, Gabriela Czarnek, Benjamin Lewis, et al. “Persuading Voters Using Human–Artificial Intelligence Dialogues.” Nature 648 (2025): 394–401.
Meta. “More Speech and Fewer Mistakes.” 2025.
Meta. “Testing Begins for Community Notes on Facebook, Instagram and Threads.” 2025.
Nyhan, Brendan, Jaime Settle, Emily Thorson, Magdalena Wojcieszak, et al. “Like-Minded Sources on Facebook Are Prevalent but Not Polarizing.” Nature 620 (2023): 137–144.
Raskin, Aza, and Tristan Harris. The A.I. Dilemma. Center for Humane Technology presentation, March 2023.
Russell, Stuart. Human Compatible: Artificial Intelligence and the Problem of Control. New York: Viking, 2019.
Russell, Stuart. Written Testimony, U.S. Senate Committee on the Judiciary, Subcommittee on Privacy, Technology, and the Law, July 25, 2023.
Russell, Stuart, and Peter Norvig. Artificial Intelligence: A Modern Approach. First published 1995.
Salvi, Francesco, Manoel Horta Ribeiro, Riccardo Gallotti, and Robert West. “On the Conversational Persuasiveness of GPT-4.” Nature Human Behaviour 9 (2025): 1645–1653.
Soares, Anderson Luis Bento, Bruno Antonio Veiga de Almeida, Leonardo Nascimento Ferreira, Anderson Rocha, Ruben Interian, and Zanoni Dias. “LLMs Are Ideological Chameleons: Personalized Echo Chambers in the Brazilian Political Context.” Scientific Reports (2026).
Tribunal Superior Eleitoral. Resolução nº 23.714, de 20 de outubro de 2022.
Supremo Tribunal Federal. ADI 7261, proceedings concerning TSE Resolution 23.714/2022.
Editorial transparency note: This article, as with all articles published on this site, was conceived, directed, written, and reviewed by Prof. Maurício Veloso Brant Pinheiro. Artificial intelligence was used as an assistant for editorial refinement, formatting, image generation, SEO metadata, and publication workflow.
Copyright 2026 AI-Talks.org
