Desinformação Algorítmica e Processos Eleitorais: Análise de Mecanismos, Impactos e Respostas Regulatórias
Série: IBGIA Working Paper Series Número: WP-2026-007 ISSN: Em processo de registro Data: Março de 2026
Autores: André Nakamura — Coordenador Técnico, IBGIA; Thiago Almeida — Coordenador de Pesquisa, IBGIA Contato: [email protected] | ibgia.org
Resumo
A desinformação algorítmica — conteúdo falso ou enganoso criado, amplificado ou distribuído com auxílio de Inteligência Artificial — representa ameaça qualificada à integridade dos processos eleitorais. Diferente da desinformação convencional, a desinformação algorítmica opera em escala, velocidade e personalização impossíveis para operadores humanos. Este working paper analisa os mecanismos técnicos da desinformação algorítmica eleitoral, examina evidências de seu impacto sobre comportamento eleitoral, compara respostas regulatórias internacionais e propõe framework analítico para avaliação de medidas de mitigação no contexto brasileiro.
Palavras-chave: desinformação, IA generativa, eleições, deepfake, redes sociais, micro-targeting, PL 2338/2023, TSE, integridade eleitoral
1. Introdução
A relação entre tecnologia e democracia é fundamentalmente ambivalente. As mesmas ferramentas digitais que expandem o acesso à informação, ampliam a participação política e reduzem barreiras à expressão podem ser instrumentalizadas para manipular, enganar e silenciar. A IA generativa intensificou essa ambivalência a um ponto sem precedente histórico.
O problema não é novo — fake news, propaganda política e manipulação midiática são tão antigos quanto a própria democracia. O que muda com a IA é a escala (um único operador pode criar e disseminar conteúdo que antes exigiria centenas de humanos), a qualidade (deepfakes de qualidade cinematográfica a custo de algumas horas de processamento), a personalização (mensagens adaptadas ao perfil psicológico de cada eleitor) e a velocidade (respostas em tempo real a acontecimentos políticos).
Este working paper adota abordagem técnico-regulatória: compreender como a desinformação algorítmica funciona como pré-condição para projetar respostas efetivas.
2. Taxonomia da Desinformação Algorítmica Eleitoral
2.1 Por Tipo de Conteúdo
Deepfakes Audiovisuais: Vídeos ou áudios manipulados ou sintetizados por IA para colocar palavras na boca de pessoas reais. A qualidade de deepfakes acessíveis ao público atingiu, em 2024-2025, nível suficiente para enganar observadores não treinados na maioria dos casos. Técnicas de detecção melhoraram, mas a assimetria entre criação e detecção permanece favorável à criação.
Texto Sintético em Escala: LLMs permitem gerar notícias falsas, análises enganosas, comentários simulando eleitores reais e conteúdo de campanha em volume industrial. A diferenciação de texto gerado por IA de texto humano por observadores humanos tornou-se estatisticamente não confiável com os modelos de 2025.
Imagens e Memes Manipulados: Ferramentas de edição baseadas em difusão permitem alterar imagens de candidatos, criar cenas falsas e produzir material de propaganda visualmente convincente em minutos.
Síntese de Voz: Sistemas de clonagem de voz de alta qualidade permitem criar áudios convincentes de candidatos dizendo coisas que nunca disseram, com aplicação imediata em campanhas de ligação telefônica automatizada.
2.2 Por Mecanismo de Amplificação
Redes de Bots: Perfis automatizados que amplificam mensagens criando aparência de consenso popular. A sofisticação dos bots modernos, alimentados por LLMs, os torna difíceis de distinguir de perfis humanos.
Micro-targeting Algorítmico: Uso de dados comportamentais para identificar eleitores particularmente suscetíveis a determinadas mensagens e direcionar desinformação especificamente a eles, maximizando impacto com mínimo de exposição pública.
Recommendation Systems: Algoritmos de recomendação de plataformas (YouTube, TikTok, Instagram) que maximizam engajamento podem amplificar desinformação sensacionalista sem que haja ator malicioso ativo — a arquitetura da plataforma faz o trabalho.
Câmaras de Eco e Polarização: Algoritmos de personalização criam ambientes informacionais distintos para diferentes usuários, reduzindo exposição a perspectivas divergentes e amplificando narrativas de grupo.
2.3 Por Objetivo
Supressão de Votos: Desinformação sobre local de votação, data, documentos necessários ou regras eleitorais que visa reduzir a participação de grupos específicos.
Descrédito de Candidatos: Acusações falsas, deepfakes comprometedores, escândalos fabricados visando danos reputacionais.
Descrédito do Processo: Narrativas de fraude eleitoral, manipulação da urna, contagem irregular — visando reduzir a confiança no resultado independentemente de quem ganhe.
Amplificação de Divisão: Conteúdo que não necessariamente favorece um candidato específico mas aprofunda polarização e ressentimento, tornando o debate político mais emocional e menos racional.
3. Evidências de Impacto
3.1 Desafios Metodológicos
Mensurar o impacto causal da desinformação sobre o comportamento eleitoral é metodologicamente difícil por várias razões:
- Exposição à desinformação é correlacionada com preferência política preexistente (endogeneidade)
- Efeitos de curto prazo (mudança de intenção de voto) são diferentes de efeitos de longo prazo (erosão de confiança institucional)
- A maioria dos estudos disponíveis é baseada em contextos americanos ou europeus, com aplicabilidade limitada ao Brasil
3.2 Evidências Disponíveis
Estudos experimentais sobre deepfakes: Experimentos controlados mostram que deepfakes de qualidade moderada enganam uma proporção significativa de participantes — entre 30-60% dependendo da qualidade e da familiaridade prévia com o sujeito do vídeo. A detecção melhora com treinamento prévio, mas o efeito do treinamento se dissipa em semanas.
Estudos sobre redes de bots: Análises de redes sociais em eleições americanas (2016, 2020), brasileiras (2018, 2022) e europeias mostram que bots amplificam consistentemente conteúdo extremo e desinformação, representando volumes desproporcionais de engajamento durante picos de campanha.
Estudos sobre micro-targeting: A metodologia Cambridge Analytica — uso de perfis psicográficos para segmentação de mensagens políticas — foi objeto de investigação extensa após o escândalo de 2018. Evidências de impacto causal sobre resultados eleitorais são controvertidas; evidências de impacto sobre engajamento e percepções são mais sólidas.
Evidências brasileiras: As eleições de 2018 e 2022 foram amplamente estudadas. Pesquisas documentam:
- Difusão massiva de desinformação via WhatsApp, com grupos políticos como vetores principais
- Padrões de amplificação que sugerem coordenação inautêntica
- Correlações entre exposição a desinformação e percepções sobre fraude eleitoral
3.3 O Problema da Pré-Persuasão
Estudos recentes sugerem que o principal impacto da desinformação pode não ser na mudança de intenção de voto (difícil de medir e relativamente raro) mas na "pré-persuasão": criação de ambiente cognitivo que torna certos fatos mais salientes, certos candidatos mais negativamente percebidos e certa narrativa de mundo mais plausível. Esses efeitos são cumulativos e difíceis de revertir com correções pontuais.
4. Respostas Regulatórias Internacionais: Análise Comparada
4.1 União Europeia
DSA (Digital Services Act, 2022): Impõe obrigações a plataformas muito grandes (VLOPs) de análise de riscos sistêmicos, incluindo desinformação, com auditoria independente e transparência sobre sistemas de recomendação. Obriga transparência sobre publicidade política direcionada.
Código de Conduta sobre Desinformação: Acordo voluntário entre plataformas e Comissão Europeia, com comprometimentos de transparência e medidas de mitigação. Criticado por falta de enforcement.
EU AI Act: Classifica sistemas de IA usados em micro-targeting eleitoral como de alto risco. Exige identificação de conteúdo sintético (deepfakes) quando há risco de indução em erro do público.
4.2 Estados Unidos
Abordagem fragmentada baseada em First Amendment (Primeira Emenda), com resistência a regulação de conteúdo pelo governo federal. Iniciativas estaduais incluem leis sobre deepfakes eleitorais em California, Texas e outros estados. Sem legislação federal abrangente.
4.3 Reino Unido
Online Safety Act (2023) impõe obrigações às plataformas de proteger usuários de conteúdo danoso, com poderes de investigação da OFCOM. Foco no dano ao usuário mais do que na integridade eleitoral especificamente.
4.4 Brasil
TSE: A Resolução 23.732/2024 foi a resposta mais concreta do sistema eleitoral brasileiro à desinformação por IA, exigindo rotulagem de conteúdo gerado por IA em campanhas. Importante mas limitada ao período eleitoral e às campanhas formais.
PL 2630/2024 (Lei das Plataformas): Foco em moderação de conteúdo e transparência de plataformas, sem endereçar especificamente a desinformação gerada por IA.
PL 2338/2023: Não endereça adequadamente desinformação eleitoral.
5. Framework Analítico para Avaliação de Medidas
5.1 Dimensões de Avaliação
Propomos avaliar medidas de resposta à desinformação algorítmica em quatro dimensões:
Eficácia: A medida reduz genuinamente a incidência ou impacto da desinformação? Evidência empírica disponível?
Proporcionalidade: A medida é proporcional ao risco? Não cria restrições desnecessárias à liberdade de expressão?
Exequibilidade: É tecnicamente e operacionalmente implementável? Com que custo? Em que prazo?
Efeitos Colaterais: Que riscos a medida cria? Censura indevida? Criação de "autoridade da verdade"? Efeitos sobre inovação?
5.2 Avaliação de Medidas Selecionadas
Rotulagem de Conteúdo Gerado por IA
Eficácia: Moderada. Estudos mostram que rótulos de alerta reduzem a aceitação de desinformação, mas eleitores que já acreditam na mensagem tendem a ignorar rótulos. Eficácia maior quando aplicada preventivamente (antes da exposição) do que corretivamente.
Proporcionalidade: Alta. Não restringe o conteúdo, apenas exige transparência sobre sua origem.
Exequibilidade: Alta para conteúdo produzido por campanhas formais (fiscalizável pelo TSE). Baixa para conteúdo grassroots e compartilhamentos anônimos.
Efeitos Colaterais: Baixos. Risco de falsos positivos (conteúdo rotulado incorretamente).
Proibição de Deepfakes Eleitorais
Eficácia: Alta para atores de campanha formais. Baixa para atores anônimos que usam plataformas criptografadas.
Proporcionalidade: Dependente da definição. Proibição de deepfakes não identificados é proporcional; proibição ampla de sátira e paródia criaria riscos de liberdade de expressão.
Exequibilidade: Moderada. Identificação técnica de deepfakes é imperfeita; enforcement requer capacidade técnica do TSE.
Efeitos Colaterais: Risco de uso político para silenciar conteúdo legítimo (sátira, crítica).
Regulação de Micro-targeting Eleitoral
Eficácia: Moderada a alta. Limitar micro-targeting com dados sensíveis reduz capacidade de exploração de vulnerabilidades psicológicas individuais.
Proporcionalidade: Alta. Segmentação por interesses gerais é menos problemática que por dados psicográficos detalhados.
Exequibilidade: Baixa a moderada. Requer capacidade de auditoria das plataformas pelo regulador.
Efeitos Colaterais: Pode reduzir alcance de campanhas menores que dependem de segmentação para competir com candidatos mais ricos.
Obrigações de Transparência para Plataformas
Eficácia: Indireta. Transparência não remove desinformação mas permite identificação e resposta.
Proporcionalidade: Alta. Não restringe conteúdo.
Exequibilidade: Moderada. Depende de cooperação de plataformas e capacidade de auditoria regulatória.
Efeitos Colaterais: Baixos. Risco de divulgação de dados de usuários.
5.3 Combinação Ótima de Medidas
A literatura e a análise comparada sugerem que nenhuma medida isolada é suficiente. A combinação mais efetiva inclui:
- Rotulagem obrigatória (alto benefício, baixo custo)
- Proibição de deepfakes não identificados com processo ágil de remoção
- Transparência obrigatória de publicidade política (quem pagou, quem foi segmentado)
- Centro de resposta rápida com capacidade técnica de detecção
- Letramento midiático e digital como medida estrutural de longo prazo
6. Recomendações Específicas para o Brasil
6.1 Para o TSE
-
Expandir a Resolução 23.732/2024 para incluir: (a) rotulagem de conteúdo compartilhado, não apenas publicado originalmente; (b) mecanismo de denúncia rápida de deepfakes por partidos e candidatos
-
Criar Centro de Monitoramento de IA Eleitoral com capacidade técnica para: detecção automatizada de deepfakes (parcerias com universidades e empresas de cybersecurity), monitoramento de redes sociais durante períodos de campanha, resposta rápida em 2-4 horas para casos prioritários
-
Estabelecer acordos com plataformas para takedown expedito de deepfakes eleitorais com prazo de 2 horas durante período de campanha e 30 minutos no dia da eleição
6.2 Para o Congresso
-
Incluir no PL 2338/2023 obrigações específicas sobre IA generativa e eleições: identificação técnica de conteúdo sintético (watermarking), transparência de proveniência
-
Legislar sobre desinformação eleitoral por IA com distinção clara entre: (a) conteúdo de campanha com IA identificada (permitido com rotulagem), (b) sátira e paródia com IA identificada (permitida), (c) deepfakes não identificados com intenção de enganar (proibido)
6.3 Para Plataformas
- Implementar C2PA (Coalition for Content Provenance and Authenticity) para rastreamento de proveniência de conteúdo visual
- Aumentar transparência sobre sistemas de recomendação em períodos eleitorais
- Publicar relatórios de transparência específicos para eleições brasileiras
7. Conclusão
A desinformação algorítmica não é um problema tecnológico que pode ser resolvido com tecnologia. É um problema político-tecnológico que exige respostas em múltiplos níveis: técnico (detecção, rotulagem, watermarking), regulatório (obrigações para plataformas e campanhas) e social (letramento midiático, confiança institucional).
O Brasil tem janela estreita de oportunidade antes das eleições de 2026. As medidas regulatórias de maior impacto — expansão da Resolução TSE, acordos com plataformas, criação do Centro de Monitoramento — podem ser implementadas em 6-12 meses com vontade política e capacidade técnica. As medidas estruturais de longo prazo — letramento midiático, legislação abrangente, capacidade de pesquisa — exigem investimento sustentado que deve começar agora.
A questão não é se o Brasil terá desinformação algorítmica em 2026. Terá. A questão é se o país estará preparado para detectá-la, respondê-la e mitigar seus efeitos sobre a qualidade do debate democrático.
Referências Bibliográuficas
- BRASIL. Resolução TSE nº 23.732, de 5 de setembro de 2024.
- BENKLER, Y.; FARIS, R.; ROBERTS, H. Network Propaganda: Manipulation, Disinformation, and Radicalization in American Politics. Oxford University Press, 2018.
- EUROPEAN COMMISSION. Regulation (EU) 2022/2065 (Digital Services Act).
- EUROPEAN COMMISSION. Regulation (EU) 2024/1689 (EU AI Act).
- IBGIA. PB-2026-005: IA e Eleições no Brasil: Riscos e Salvaguardas. São Paulo, 2026.
- PENNYCOOK, G.; RAND, D.G. The Psychology of Fake News. Trends in Cognitive Sciences, 2021.
- ROOZENBEEK, J.; VAN DER LINDEN, S. Fake News Game Confers Psychological Resistance Against Online Misinformation. Palgrave Communications, 2019.
- TSE. Relatório de Combate à Desinformação nas Eleições 2022. Brasília, 2023.
Sobre o IBGIA
O Instituto Brasileiro de Governança em Inteligência Artificial (IBGIA) é uma associação civil sem fins lucrativos dedicada a promover práticas responsáveis de desenvolvimento e uso de IA no Brasil. Os working papers representam as opiniões dos autores e não necessariamente o posicionamento oficial do IBGIA como instituição. Saiba mais em ibgia.org.