Quem Tem Medo das Probabilidades?
Mercados preditivos, pesquisas eleitorais, inteligência artificial e um problema que continuará existindo depois de 2026: quem deve controlar as ferramentas com que o cidadão tenta compreender a política?
Mercados preditivos entraram definitivamente na eleição presidencial brasileira de 2026.
Em 14 de abril, Flávio Bolsonaro ultrapassou Lula pela primeira vez na Polymarket. Naquele momento, os contratos negociados na plataforma correspondiam a cerca de 40% de probabilidade implícita para Flávio e 39% para Lula. Era um sinal novo — e politicamente desconfortável para o governo.
Dez dias depois, em 24 de abril, o Brasil determinou o bloqueio de 27 plataformas de mercados preditivos, entre elas Polymarket e Kalshi. No mesmo movimento regulatório, o Conselho Monetário Nacional restringiu contratos derivados vinculados a eventos políticos, eleitorais, esportivos e outros acontecimentos não financeiros.
A sequência chamou atenção por uma razão óbvia: um novo termômetro eleitoral começou a produzir um resultado desfavorável ao presidente e, poucos dias depois, esse termômetro deixou de ser normalmente acessível no país.
Isso não prova que uma coisa causou a outra.
A documentação pública mostra que a discussão regulatória já estava em andamento. A Nota Técnica SEI nº 2958/2026/MF registra que a Secretaria de Prêmios e Apostas já havia identificado a oferta desses mercados no Brasil, recebido questionamentos sobre sua legalidade e consultado CVM e Procuradoria-Geral da Fazenda Nacional antes da decisão final. A conclusão da Secretaria foi que esses contratos apresentavam características compatíveis com apostas de quota fixa fora dos objetos autorizados pela legislação brasileira.
Também havia um antecedente eleitoral. Em setembro de 2024, o TSE explicitou que apostas vinculadas ao resultado das eleições, inclusive em plataformas on-line, poderiam configurar ilícito eleitoral, abuso de poder econômico ou captação ilícita de votos.
Portanto, a história não precisa de uma teoria conspiratória para ser interessante.
A questão maior é outra:
o que acontece quando novas tecnologias começam a competir com instituições tradicionais pelo direito de medir, organizar e interpretar a realidade política?
A eleição de 2026 é apenas um estudo de caso.
O problema é muito mais duradouro.
Quando opinião passa a custar dinheiro
Uma pesquisa eleitoral pergunta, essencialmente:
“Em quem você pretende votar?”
Um mercado preditivo pergunta algo diferente:
“O que você acredita que acontecerá?”
E a segunda resposta tem consequências financeiras.
Se um contrato que paga US$ 1 caso determinado candidato vença está sendo negociado a US$ 0,58, o preço pode ser lido aproximadamente como uma probabilidade implícita de 58%.
Não é uma pesquisa.
Não existe uma amostra representativa do eleitorado.
Há compradores e vendedores tentando antecipar um acontecimento futuro.
A diferença central é o incentivo.
O entrevistado de uma pesquisa não perde dinheiro se estiver errado.
O comentarista político pode errar repetidamente sem pagar por isso.
No mercado, o erro custa.
O palpite deixa de ser gratuito.
Isso não transforma mercados preditivos em oráculos. Liquidez insuficiente, concentração de capital, comportamento de manada, manipulação e informação privilegiada podem distorcer preços.
Mas cria um mecanismo diferente de agregação de informação.
E esse mecanismo começou a competir com outro muito mais antigo: a pesquisa eleitoral.
De experimento a indústria
A Polymarket foi fundada em 2020 por Shayne Coplan e cresceu convertendo acontecimentos políticos, econômicos e culturais em contratos negociáveis. Em 2022, a Commodity Futures Trading Commission dos Estados Unidos aplicou à empresa uma multa de US$ 1,4 milhão por oferecer contratos binários baseados em eventos sem o registro exigido.
A Kalshi tomou outra rota.
Fundada em 2018 por Tarek Mansour e pela brasileira Luana Lopes Lara, colegas no MIT, nasceu com a proposta de permitir que pessoas negociassem diretamente acontecimentos futuros, em vez de construírem instrumentos financeiros complexos para reproduzir esse risco. Mansour havia trabalhado em Goldman Sachs e Citadel; Luana, em Bridgewater e Citadel.
Em novembro de 2020, a CFTC designou a KalshiEX como Designated Contract Market, integrando-a à estrutura federal americana de mercados de derivativos.
A diferença regulatória entre os países é reveladora.
Nos Estados Unidos, a disputa passou a ser em grande parte sobre como enquadrar esses contratos.
No Brasil, em 2026, a resposta foi bloquear as plataformas.
Quando os termômetros discordam
Em 20 de setembro de 2026, a Kalshi atribuía aproximadamente 59% de probabilidade implícita de vitória a Flávio Bolsonaro. Na Polymarket, ele aparecia com cerca de 58%. Lula estava próximo de 42% em ambas.
Esses números não significavam 59% dos votos.
Significavam apenas que, naquele instante, os contratos eram negociados a preços compatíveis com uma expectativa maior de vitória final de Flávio.
As pesquisas tradicionais mostravam quadro muito mais apertado.
A Quaest divulgada em 21 de setembro, por exemplo, mostrava 42% para Flávio e 41% para Lula num eventual segundo turno, dentro da margem de erro de dois pontos percentuais.
Temos, portanto, dois instrumentos descrevendo o mesmo processo de maneiras diferentes.
A pesquisa tenta medir o eleitorado naquele momento.
O mercado tenta precificar o desfecho final.
A pergunta mais interessante não é simplesmente “qual deles está certo?”
É:
por que eles discordam?
Pesquisas também falham
A confiança excessiva em pesquisas eleitorais merece cautela.
Na véspera do primeiro turno presidencial de 2022, o Datafolha mostrava 50% dos votos válidos para Lula e 36% para Jair Bolsonaro. O resultado oficial terminou em 48,43% para Lula e 43,20% para Bolsonaro. A estimativa para Lula ficou próxima; a de Bolsonaro ficou mais de sete pontos abaixo do resultado real.
No mesmo dia, em São Paulo, o Datafolha apontava Fernando Haddad com 39% dos votos válidos e Tarcísio de Freitas com 31%. A apuração final produziu 42,32% para Tarcísio e 35,70% para Haddad. Além de subestimar Tarcísio em mais de onze pontos, a pesquisa inverteu a ordem dos dois primeiros colocados.
Isso não demonstra fraude.
Demonstra algo mais importante:
margem de erro amostral não representa todas as maneiras pelas quais uma pesquisa pode errar.
Não resposta, ponderação, distribuição da amostra, método de entrevista, comparecimento efetivo e mudanças tardias do voto podem produzir erros maiores do que a margem de erro estampada no rodapé.
Também é legítimo perguntar quem contratou e financiou o levantamento, como o questionário foi formulado e como a amostra foi construída.
Não porque o contratante prove manipulação.
Mas porque transparência faz parte da metodologia.
O problema começa quando um instrumento imperfeito deixa de ser tratado como medição e passa a ser tratado como autoridade.
Então entrou a inteligência artificial
Em março de 2026, o TSE estabeleceu outra fronteira.
A Resolução nº 23.755/2026 proibiu provedores de sistemas de inteligência artificial, mesmo quando solicitados pelo próprio usuário, de ranquear, recomendar, sugerir ou priorizar candidatos, partidos, campanhas ou coligações. A norma também impede os sistemas de indicar preferência eleitoral ou recomendar voto.
Em setembro, a Folha de S.Paulo testou cinco sistemas: Claude, DeepSeek, Gemini, ChatGPT e Grok.
Claude, DeepSeek e Gemini produziram notas ou classificações. ChatGPT e Grok recusaram fazê-lo. Quando as mesmas perguntas foram repetidas 24 horas depois, as respostas mudaram e, em alguns casos, a ordem dos candidatos também.
O experimento mostrou uma fragilidade real dos modelos generativos.
Mas mostrou também uma fragilidade da própria pergunta.
Perguntar a uma IA:
“Quem tem as melhores propostas?”
não define um problema objetivo.
Melhores segundo qual critério?
Responsabilidade fiscal?
Crescimento?
Segurança?
Saúde?
Redução da pobreza?
Liberdade econômica?
Meio ambiente?
E qual deve ser o peso de cada variável?
Um dos próprios modelos observou no teste que usar pesos iguais era uma escolha arbitrária e que alterar esses pesos alteraria o ranking.
Esse ponto é central.
Uma IA pode responder mal porque o modelo é instável.
Mas também pode responder de maneira aparentemente precisa porque recebeu uma pergunta metodologicamente vaga.
Prompt também é metodologia.
A IA mais interessante não é a que escolhe
O uso mais promissor da inteligência artificial em política talvez não seja perguntar:
“Em quem devo votar?”
Há perguntas muito mais úteis.
Uma análise estruturada poderia comparar propostas segundo critérios definidos previamente: viabilidade constitucional, impacto fiscal, fonte de financiamento, evidência empírica, competência legal para execução e histórico de políticas semelhantes.
Poderia confrontar promessas atuais com decisões anteriores.
Poderia examinar declarações patrimoniais sucessivas.
Poderia mapear participações societárias declaradas.
Poderia reconstruir cronologias de processos públicos.
Poderia comparar discursos com documentos.
E, sobretudo, poderia mostrar as fontes.
O TSE disponibiliza em seus dados abertos de 2026 informações sobre candidatos, bens declarados, redes sociais e propostas de governo.
O CNJ disponibiliza, por meio da API Pública do DataJud, metadados de processos e movimentações judiciais públicas em todo o país, respeitando sigilo e proteção de dados.
Isso abre espaço para uma espécie de auditoria política assistida por IA.
Mas com uma condição: rigor.
Crescimento patrimonial não significa enriquecimento ilícito.
Presença em um processo não significa culpa.
Investigação não é denúncia.
Denúncia não é condenação.
Condenação em primeira instância não é trânsito em julgado.
A força da ferramenta deveria estar em preservar essas distinções, não apagá-las.
Informar, analisar e recomendar são coisas diferentes
Comparar duas propostas tributárias é análise.
Examinar patrimônio declarado é análise.
Reconstruir um processo judicial é análise.
Estimar o custo de um programa é análise.
Dizer ao eleitor qual candidato ele deve escolher é outra coisa.
Essa fronteira será uma das questões regulatórias mais importantes dos próximos anos.
Porque quanto melhores ficarem os sistemas de IA, menos sentido fará tratá-los apenas como chatbots.
Eles poderão funcionar como assistentes privados de investigação política.
Cada cidadão poderá, em princípio, dispor de algo parecido com uma pequena equipe de pesquisa capaz de vasculhar documentos, confrontar alegações e apresentar evidências.
Isso reduz o custo de investigar o poder.
E tudo que reduz esse custo altera a política.
E enquanto isso, o ad hominem continua funcionando
Há uma ironia no debate.
Enquanto instituições discutem cuidadosamente o que mercados preditivos e sistemas de IA podem ou não apresentar ao eleitor, campanhas continuam recorrendo a um instrumento muito mais antigo e intelectualmente pobre:
o argumento ad hominem.
Em vez de mostrar que uma proposta está errada, ataca-se a pessoa.
Em vez de discutir custos e consequências, questiona-se caráter.
Em vez de confrontar evidência com evidência, produz-se uma caricatura do adversário.
É preciso distinguir isso da fiscalização legítima.
Patrimônio, antecedentes judiciais, decisões administrativas, conflitos de interesse e histórico público são assuntos relevantes quando alguém pretende exercer poder.
O problema surge quando o ataque pessoal substitui o argumento.
Uma proibição ampla de “ataques pessoais” seria juridicamente perigosa e poderia atingir críticas legítimas e liberdade de expressão.
Mas o paradoxo permanece.
Uma democracia pode criar regras sofisticadas para impedir que uma IA produza um ranking e, ao mesmo tempo, continuar tolerando campanhas em que insultos, insinuações e slogans recebem mais espaço do que propostas, custos e resultados.
Se o objetivo é elevar a educação política do eleitorado, talvez a pergunta relevante não seja apenas o que proibir.
Talvez seja este o nível de qualidade que devemos exigir do debate público: nada de ataques ad hominem.
O problema real é o monopólio da interpretação
Pesquisas agregam respostas.
Mercados preditivos agregam expectativas transformadas em preços.
Jornalistas agregam informação e contexto.
Modelos estatísticos agregam dados.
Inteligências artificiais podem agregar documentos, evidências e critérios.
Nenhum desses instrumentos possui monopólio da verdade.
Todos podem falhar.
É justamente por isso que a diversidade de instrumentos pode ser valiosa.
O desafio democrático não deveria ser encontrar uma máquina perfeita de interpretação política.
Ela provavelmente não existe.
O desafio é construir cidadãos capazes de perguntar:
Quem produziu este número?
Com qual metodologia?
Quem financiou?
Qual foi a amostra?
Qual é a liquidez daquele mercado?
Quais critérios foram usados?
Qual era o prompt?
Quais documentos sustentam a conclusão?
O que é fato?
O que é inferência?
O que ainda não sabemos?
A eleição de 2026 passará.
Esse problema não.
Mercados de informação ficarão mais sofisticados.
Sistemas de IA serão capazes de investigar volumes cada vez maiores de dados públicos.
Governos, tribunais e plataformas tentarão estabelecer fronteiras sobre aquilo que essas ferramentas podem produzir.
E os cidadãos precisarão aprender uma lição incômoda:
mais informação não significa automaticamente mais verdade.
Mas menos informação também não produz cidadãos melhores.
O futuro da democracia talvez dependa menos de encontrar um termômetro perfeito e mais de aprender a comparar termômetros imperfeitos.
Quando dois deles mostram temperaturas diferentes, descobrir qual está descalibrado exige trabalho.
Quebrar o termômetro continua sendo mais simples.
Fontes
- Ministério da Fazenda — Nota Técnica SEI nº 2958/2026/MF, sobre mercados de previsão e apostas de quota fixa. Serviços e Informações do Brasil
- TSE — Resolução nº 23.744/2024 e normas sobre apostas ligadas às eleições. Justiça Eleitoral
- Reuters — bloqueio brasileiro de 27 plataformas de mercados preditivos, 24 de abril de 2026. Reuters
- CNN Brasil — Polymarket em 14 de abril e Kalshi/Polymarket em 20 de setembro de 2026. CNN Brasil
- CFTC — decisão contra a Polymarket em 2022 e designação da KalshiEX em 2020. CFTC
- Kalshi — história institucional e fundadores. Kalshi
- Datafolha/Folha e TSE — pesquisas e resultados de 2022 usados na comparação histórica. Folha de S.Paulo
- TSE — Resolução nº 23.755/2026, sobre sistemas de IA nas eleições. Justiça Eleitoral
- Folha de S.Paulo — teste com chatbots e candidatos presidenciais, setembro de 2026. Folha de S.Paulo
- TSE — Dados Abertos de candidaturas 2026. Portal de Dados Abertos do TSE
- CNJ — API Pública do DataJud. Conselho Nacional de Justiça
Maurício Veloso Brant Pinheiro, PhD
Professor of Physics, Federal University of Minas Gerais (UFMG)
Founder, Author and Editor, AI-Talks.org
About Us
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
