Quando eu vejo política “acontecendo” no TikTok, eu não vejo um eleitorado novo — eu vejo um sistema de distribuição novo. Segundo o Terra.com.br, o fluxo em que um corte de podcast vira “frase de efeito”, um influenciador comenta um projeto de lei e milhares reagem nos comentários redesenhou como jovens consomem informação e formam convicções. E, como dev, eu reconheço o padrão: se o algoritmo decide o alcance e o formato decide a retenção, então a política vira um problema de mediação… e não só de conteúdo.
Por que a política virou “feed”: algoritmo, atenção e autenticidade
Na prática, a diferença não é que “os jovens se interessam menos ou mais”. É que o caminho até a decisão mudou. Antes, partidos, programas eleitorais e TV dominavam a topologia do debate. Hoje, a topologia está no app: recomputação contínua, personalização e microformatos que favorecem urgência e emoção.
Na minha experiência construindo sistemas de recomendação e medindo engagement, dois efeitos costumam ser subestimados:
- Fracionamento do contexto: você consome uma tese em 10–25 segundos, sem as premissas.
- Reforço por identidade: você não só vê conteúdo; você vê conteúdo que “te representa” (ou finge representar).
Segundo o Terra.com.br, essa geração busca identificação e “autenticidade”. Traduzindo para engenharia: autentica-se (ou performa-se) na superfície do vídeo. O que é preciso pra transformar um tema complexo em argumento curto é o que ganha visibilidade.
O erro de pensar em “um voto jovem” (e como isso quebra estratégia)
O Terra.com.br também destaca um ponto que eu acho crucial: não existe um eleitorado jovem homogêneo. A literatura internacional citada pelas pesquisadoras aponta clivagens importantes — classe, raça, religião, escolaridade, território, inserção no mercado de trabalho e, especialmente, gênero (segundo Mayra Goulart, professora da UFRJ).
Como dev, eu olho isso e penso: se você trata uma base inteira como um único segmento, você faz feature engenharia errada. Em produto e em campanha, segmentação ruim costuma gerar duas falhas clássicas:
- mensagens “genéricas” que não engajam porque não tocam aspirações específicas;
- mensagens “fortes” que engajam, mas polarizam de modo improdutivo por falta de nuance.
Dados do TSE e o que eles significam em termos de produto e engenharia
O Terra.com.br traz números que ajudam a calibrar prioridade. Nas eleições gerais de 2018, havia pouco mais de 1,4 milhão de eleitores entre 16 e 17 anos. Em 2022, passou para mais de 2,1 milhões (+51%). Já em 2024 (municipais), eram mais de 1,8 milhão de adolescentes aptos a votar (+78%). Some-se a isso os mais de 18 milhões de brasileiros de 18 a 24 anos, e você entende por que campanhas agora tratam “distribuição digital” como canal primário.
O jeito como eu transformo isso em engenharia é simples: quando o público cresce rápido, o custo de errar aumenta. Você não consegue só “postar”. Você precisa de:
- mensuração (o que performa por tema e formato);
- controle de versão de mensagens (A/B test de abordagem e gancho);
- pipeline de conteúdo com consistência (ritmo + qualidade + correção).
Se você não faz isso, você vira refém do acaso — e aí quem domina o alcance vira quem tem melhor operação (e, muitas vezes, melhores incentivos internos ao algoritmo).
Comparação técnica: TV e panfleto vs. feed e recomendador
Para quem programa e desenha web, a diferença entre “política na TV” e “política no feed” é quase como comparar dois modelos de entrega de informação:
Modelo 1: Broadcast (TV / rádio / material impresso)
- Baixa personalização por usuário.
- O custo de produção é alto; a otimização é mais lenta.
- O “erro” demora para aparecer, porque o ciclo de feedback é mais longo.
Modelo 2: Recomendações (TikTok / Instagram / shorts)
- Alta personalização por usuário e contexto.
- O custo de iteração é baixo (criar, cortar, remixar).
- O ciclo de feedback é rápido e reativo: minutos viram aprendizado.
O resultado é que a política passa por um processo de produção orientada por métrica. E aqui entra uma implicação prática: o “o que” importa, mas o “como” decide o alcance.
Implicações práticas para quem programa (e para quem usa IA)
Vou ser direto: mesmo que você não trabalhe com campanhas, esse padrão afeta sistemas de mídia, moderação e IA generativa.
Primeiro, o feed cria um incentivo para conteúdo “encaixável” em janela curta. Isso pressiona:
- geração automática de cortes (resumos, trechos);
- transformação de fala em claims curtos;
- tradução de nuance em slogan.
Segundo, você precisa lidar com o descompasso entre forma e verdade. Em engenharia, isso é o mesmo tipo de problema que a gente vê em OCR e NLU: o modelo acerta a forma, mas erra o sentido. Com política, essa diferença vira risco social.
Terceiro, a segmentação por gênero e outros fatores (como destacado pelo Terra.com.br) exige cuidado. Se você automatiza mira e otimiza engajamento sem guardrails, você pode amplificar vieses e atacar grupos específicos com mensagens emocionalmente direcionadas.
Na prática: um pipeline simples para analisar “formatos que espalham” (sem inventar causalidade)
Eu uso uma abordagem pragmática: ao invés de tentar “provar influência do algoritmo” (quase impossível sem acesso ao ranking real), eu analiso sinais observáveis. Um exemplo funcional: medir se vídeos curtos com determinadas estruturas têm maior retenção e engajamento, e como isso se correlaciona com o tipo de afirmação (opinião vs. dado).
- Defina um dataset: salve métricas públicas (views, likes, comments, shares) e metadados simples (duração do vídeo, tipo de criador, tema).
- Extraia sinais de “estrutura”: por exemplo, se há texto na tela, se começa com pergunta, se tem “frase de impacto” nos primeiros 3 segundos.
- Classifique o conteúdo: use uma taxonomia manual (opinião, citação, “explicação”, pergunta retórica). Se for usar IA, trate como assistente, não como árbitro final.
- Calcule indicadores: taxa de comentário por mil visualizações (comments/1000 views), taxa de compartilhamento, e distribuição por tema.
- Faça regressão/correlação com cuidado: o máximo que você consegue é correlação. O “porquê” exige validação adicional.
- Gere relatórios por segmento: se você tiver dados demográficos agregados (ex.: faixa etária), compare padrões — mas evite decisões automatizadas para direcionamento político.
Abaixo vai um exemplo de código em Python que calcula uma métrica de engajamento normalizada e agrupa por “tipo de gancho” (sinal simples). Usei essa linha de raciocínio em projetos de analytics porque ela reduz vieses de escala (views maiores não distorcem tanto quanto likes absolutos).
import pandas as pd
# Exemplo: dataset tabular com colunas:
# views, likes, comments, shares, hook_type (ex: 'pergunta', 'frase_impacto', 'historia')
df = pd.read_csv("politica_feed_samples.csv")
# Métricas normalizadas
df["comments_per_1k"] = (df["comments"] / df["views"]) * 1000
df["shares_per_1k"] = (df["shares"] / df["views"]) * 1000
summary = (
df.groupby("hook_type")
.agg(
samples=("views", "size"),
mean_comments_per_1k=("comments_per_1k", "mean"),
mean_shares_per_1k=("shares_per_1k", "mean"),
median_comments_per_1k=("comments_per_1k", "median"),
)
.sort_values("mean_shares_per_1k", ascending=False)
)
print(summary.to_string())Por que essa decisão técnica? Porque “likes e comentários absolutos” viram ruído: um vídeo com 2M views naturalmente terá números maiores. Normalizar por 1.000 visualizações compara eficiência de engajamento. E, na maioria dos dashboards, isso melhora o sinal rápido para testar hipóteses.
Erros comuns (e armadilhas) que devs cometem nesse tipo de análise
1) Confundir correlação com causalidade
Você pode encontrar que “frase de impacto” aumenta comentários. Mas isso não prova que o algoritmo amplifica por ser “mais verdadeiro” ou “mais engajador”. Pode ser apenas que certos perfis fazem isso com mais frequência, ou que o tema já vinha quente.
2) Aprender a “otimização de métrica” sem guardrails
Quando você otimiza só retenção/compartilhamento, o modelo (humano ou IA) descobre rapidamente caminhos que maximizam reação emocional. No mundo real, isso costuma atravessar a fronteira do informacional para o manipulativo.
3) Ignorar a heterogeneidade do público
O Terra.com.br reforça que não existe “um voto jovem”. Se você construir features que tratam tudo como homogêneo, você vai obter recomendações e insights ruins. Em produto, isso vira “um modelo que funciona, mas para o público errado”.
4) Tokenizar nuance demais (ou de menos) no uso de IA
Resumo automático pode cortar explicações que “destravariam” entendimento. Por outro lado, manter nuance completa torna o vídeo longo demais e mata a retenção. O equilíbrio é o problema de design — não só de modelo.
5) Ficar refém de automação sem validação
Eu já vi times colocarem rotulagem de conteúdo por IA como “verdade” e esquecerem de amostrar erros. Para política, isso é perigoso. IA deve entrar para reduzir esforço, não para decidir o que é “o que aconteceu”.
Gênero e segmentação: o que muda quando você pensa como sistema
O Terra.com.br destaca gênero como clivagem relevante na literatura. Isso tem uma consequência prática para qualquer pipeline de conteúdo: segmentar por identidade pode melhorar relevância, mas também pode criar microcâmaras de persuasão.
Do ponto de vista de engenharia e ética, eu tratei isso como um requisito de produto:
- evitar personalização sensível para fins persuasivos;
- se coletar dados, garantir agregação e minimização;
- auditar vieses de modelos de linguagem e classificadores.
Ou seja: a mesma tecnologia que entrega “autenticidade percebida” pode ser usada para direcionar manipulação. Não é um problema do app — é do sistema que você monta em cima dele.
FAQ
O que significa dizer que “algoritmos estão redesenhando a política brasileira”?
Significa que a distribuição (quem vê o quê e quando) passou a depender fortemente do recomendador e do formato. Segundo o Terra.com.br, a política chega no feed em cortes curtos com afirmações de alto impacto e reações imediatas, mudando como as pessoas consomem e discutem.
“Voto jovem” é um grupo único?
Não. Segundo o Terra.com.br, especialistas apontam que não existe um eleitorado jovem homogêneo. Há diferenças por classe, raça, religião, escolaridade, território e também gênero.
Como eu posso medir impacto digital sem acesso ao algoritmo?
Eu recomendo analisar correlações observáveis: métricas normalizadas (por 1.000 views), distribuição por formato (hook, duração, tipo de conteúdo) e qualidade/estrutura da afirmação. O objetivo é entender padrões, não provar causalidade.
IA ajuda a resumir política, mas onde ela costuma errar?
Ela pode perder premissas, inverter sentido em citações e simplificar nuance demais. Em política, isso é especialmente crítico porque um resumo “fluente” pode ser informacionalmente errado. Trate como assistência e valide amostras.
Que cuidados de engenharia devo ter ao segmentar audiência?
Evite personalização sensível para persuasão. Se usar segmentação, faça auditoria de vieses e mantenha minimização e agregação de dados. A própria literatura citada pelo Terra.com.br sugere que gênero e outras clivagens são relevantes — então o risco de enviesar conversas aumenta.
Gostou? Me segue no GitHub e deixa um comentário se tiver dúvida ou quiser aprofundar algum ponto.