Por Renan Filho · 2026-10-02**Lead**
Cientistas de dados e empresas de tecnologia estão investindo em modelos preditivos baseados em inteligência artificial para tentar identificar possíveis “zebras” nas eleições brasileiras de 2026. A ideia é usar machine learning, análise de sentimentos em redes sociais e dados históricos para detectar candidatos que, mesmo com pouca exposição nos meios tradicionais, possam surpreender nas urnas. No entanto, a história eleitoral do Brasil está repleta de exemplos em que as pesquisas convencionais e até mesmo os algoritmos mais sofisticados falharam em captar o humor do eleitorado.
**Contexto**
O conceito de “zebra” no jargão político brasileiro remonta a surpresas eleitorais que desafiaram todas as previsões. Em 1989, Fernando Collor de Mello, então governador de Alagoas com baixo reconhecimento nacional, venceu a primeira eleição direta para presidente após a ditadura, derrotando Lula, que liderava as pesquisas. Em 2002, Luiz Inácio Lula da Silva, após três derrotas consecutivas, finalmente venceu, mas o que chamou a atenção foi a ascensão meteórica de Anthony Garotinho e Ciro Gomes, que chegaram perto do segundo turno contra todas as expectativas. Já em 2018, Jair Bolsonaro, um deputado federal com pouca expressão em pesquisas de intenção de voto até meados daquele ano, venceu a eleição presidencial, superando candidatos com muito mais tempo de TV e recursos financeiros.
Esses episódios expuseram as limitações das pesquisas tradicionais, baseadas em questionários telefônicos ou presenciais, que muitas vezes não conseguem captar o chamado “voto envergonhado” ou mudanças de última hora. Com o avanço da tecnologia, surgiu a esperança de que modelos preditivos possam preencher essa lacuna. Empresas como a Quaest, o Datafolha e o Ibope já utilizam técnicas de big data para cruzar informações demográficas, econômicas e de consumo com dados de redes sociais. Além disso, startups brasileiras têm desenvolvido algoritmos que monitoram menções a candidatos no Twitter, Facebook e WhatsApp, tentando extrair tendências de apoio ou rejeição.
No entanto, a confiabilidade desses modelos ainda é questionada. Um estudo recente do Laboratório de Estudos Eleitorais da Universidade de São Paulo (USP) mostrou que, embora a análise de sentimentos em redes sociais possa indicar o humor do eleitorado, ela é altamente suscetível a bolhas de informação, bots e desinformação. Em 2018, por exemplo, Bolsonaro tinha um engajamento digital muito superior ao de seus adversários, mas as pesquisas tradicionais demoraram a refletir isso. Os algoritmos que tentaram prever o resultado com base apenas em dados de redes sociais superestimaram o apoio a candidatos com forte presença digital, mas não necessariamente com intenção de voto real.
**Análise**
A tentativa de usar tecnologia para prever zebras eleitorais no Brasil enfrenta dois grandes desafios. O primeiro é a natureza volátil do eleitorado brasileiro, que muitas vezes decide o voto nos dias finais da campanha, influenciado por eventos de última hora, debates televisivos ou escândalos. Modelos preditivos baseados em dados históricos podem não captar essas oscilações abruptas. O segundo é a qualidade dos dados disponíveis. As redes sociais são um termômetro imperfeito: nem todos os eleitores estão nelas, e aqueles que estão podem não expressar suas verdadeiras intenções. Além disso, a disseminação de fake news e o uso de robôs para inflar artificialmente o apoio a candidatos distorcem os sinais captados pelos algoritmos.
Por outro lado, a tecnologia pode ser uma aliada importante para campanhas e analistas. Ferramentas de machine learning já são usadas para segmentar o eleitorado e personalizar mensagens, o que pode aumentar a eficácia da comunicação. Em 2022, algumas campanhas utilizaram modelos preditivos para identificar regiões com maior potencial de crescimento, otimizando a alocação de recursos. Ainda assim, prever uma zebra — ou seja, um resultado que foge completamente ao esperado — continua sendo um desafio estatístico e computacional. Como lembram especialistas, a história mostra que, no Brasil, o imprevisível muitas vezes se torna realidade.
**Fontes**
- Tribunal Superior Eleitoral (TSE) — dados históricos de eleições. - Datafolha e Ibope — pesquisas de intenção de voto e metodologias. - Laboratório de Estudos Eleitorais da Universidade de São Paulo (USP) — estudos sobre análise de sentimentos em redes sociais. - Reportagens da Folha de S.Paulo e O Estado de S. Paulo sobre as eleições de 1989, 2002 e 2018. - Artigos acadêmicos sobre predição eleitoral e machine learning publicados em periódicos como a Revista Brasileira de Ciência Política.