## 0. Manifesto — Não InfluencIA **Uma ferramenta tecnológica do povo trabalhador, para o povo trabalhador brasileiro.** **De onde falamos.** Somos parte da classe trabalhadora brasileira — a maioria do país, que trabalha duro, vive em uma democracia jovem e sob muita influência do interesse estrangeiro; agora recebe respostas prontas de chatbots no lugar do jornal. Quem tem menos tempo, menos escolaridade e menos acesso à verificação é justamente quem mais confia na primeira resposta que a IA entrega. Se essa resposta for moldada fora do Brasil, quem paga o preço é o trabalhador. **O que está em jogo.** Os principais LLMs do mundo são produtos de corporações dos EUA (OpenAI/Microsoft, Google, Anthropic, Meta). Os programas, as políticas de conteúdo, os dados de treinamento e os critérios de alinhamento são decididos em San Francisco (Vale do Silício) ou Washington — sem transparência, sem auditoria e sem qualquer responsabilidade perante o eleitorado brasileiro. E já não é público de nicho: **80% dos brasileiros usam IA para pesquisas** e o ChatGPT é o 4º canal de busca mais consultado do país (State of Search Brasil, 6ª ed., n=4.157). Em 2026, milhões de brasileiros estão perguntando a um chatbot "em quem votar", "o que propõe X", "qual é o salário mínimo" — e receberão uma resposta de uma empresa que não vive aqui. **O cenário de denúncias que motiva o projeto.** O Brasil vive, em 2025–2026, um conjunto de denúncias e controvérsias sobre influência dos EUA na política brasileira — registradas aqui com fonte e sem conclusão causal, como manda o rigor do item 8: - O Planalto declarou, em ago/2026, que as medidas hostis dos EUA têm "interesse descabido de interferir na próxima eleição para presidente", após a revogação do visto da embaixadora Viotti e a negativa de vistos a dois funcionários do Escritório de Democracia do Departamento de Estado (Barnes e Samson), que o governo brasileiro avaliava que viriam "colocar em dúvida a integridade do sistema eleitoral brasileiro" (G1, 04/08/2026; Poder360/Metrópoles, 25/07/2026). Os EUA classificaram a suspeita de "mentira sem fundamento". - Mike Benz, ex-funcionário do Departamento de Estado, afirmou na CREDN da Câmara (ago/2025) que NED/USAID teriam sido usados para interferir no pleito brasileiro de 2022 — **sem apresentar provas concretas**; os EUA negam qualquer interferência. - O candidato Flávio Bolsonaro questionou as urnas eletrônicas citando alegações sobre a Smartmatic; o TSE rebateu, afirmando que a empresa nunca forneceu urnas nem software ao sistema eleitoral brasileiro. - Pressão de Washington pela abertura de setores estratégicos (terras raras) e retaliações comerciais compõem o mesmo quadro de tensão. **Nossa tese.** Problemas novos exigem prevenções novas, regulações novas e ferramentas novas — e a IA generativa é o problema informacional mais novo do ciclo eleitoral brasileiro. As respostas dos LLMs voam abaixo do radar: o jornalismo não audita respostas de chatbot em escala, e a Justiça Eleitoral regula propaganda, deepfake e financiamento — mas não o que o modelo diz quando o eleitor pergunta "em quem votar" no domingo à noite, no celular, sem testemunha e sem trilha. Enquanto isso, milhões de consultas por dia ocorrem fora de qualquer olho público. Este projeto surge justamente para fechar essa brecha: monitorar de perto as respostas dos LLMs sobre as eleições brasileiras com **estatística séria, conhecimento em IA e dever cívico de justiça** — trazendo para o radar, com números e evidência auditável, o que hoje ninguém olha. Regulação protege o que já existe; monitorar protege o que ainda está nascendo. Defender a soberania informativa do povo trabalhador exige a nova ferramenta que ainda não existia — esta é ela. **Nossos compromissos (o que nos diferencia):** 1. **O manifesto declara de onde falamos — a metodologia, não.** Perguntas espelhadas, temperatura 0, juiz independente e trilha de auditoria fazem com que a ferramenta exponha qualquer viés, inclusive o nosso. Se o resultado desfavorável a este projeto aparecer, será publicado. 2. **Linguagem de evidência, não de acusação:** "sinal consistente com", nunca conclusão causal (item 8.2). 3. **Dados brutos abertos:** prompts, respostas e scores auditáveis por qualquer pessoa. 4. **Servir a quem trabalha** não é dar a resposta certa — é garantir que o trabalhador possa conferir quem respondeu, com que base e o que omitiu. ## 0.1 Síntese do Projeto # Não InfluencIA: auditando o que os chatbots respondem sobre as eleições O Não InfluencIA monitora com números e evidências abertas o que os grandes chatbots respondem sobre as eleições de 2026. Os relatórios mostram se há desvio sistemático, de onde ele pode vir e como ele muda com o tempo. **Headline oficial (web):** *"A IA não pode influenciar a decisão de ninguém. Nós avaliamos os chatbots das Big Tech incansavelmente para garantir isso."* **Assinatura do projeto:** *Quis custodiet ipsos custodes?* — "Quem vigia os vigilantes?" (Juvenal, *Sátiras* VI, ~100 d.C.). É a justificativa do conferidor independente: quem confere o conferidor precisa ser separado do que é conferido. --- ## 1. Contexto e Motivação Modelos de linguagem (LLMs) e chatbots como ChatGPT baseados neles se tornaram uma fonte significativa de informação para eleitores. Em um ciclo eleitoral, respostas de sistemas de IA podem influenciar percepções sobre candidatos, partidos, pautas e fatos históricos — mesmo sem intenção deliberada, via viés de treinamento, dados de preferência (RLHF/DPO), curadoria de fontes ou diferenças de comportamento entre modelos. A pergunta central do projeto: **existe viés sistemático, consistente e mensurável nas respostas dos principais LLMs quando consultados sobre temas das eleições de 2026 — e de onde ele provém?** ### 1.1 Evidência: o brasileiro já pesquisa por IA (dados 2025–2026) | Dado | Fonte | |---|---| | **80% dos brasileiros usam IA para buscas/pesquisas** (+21% em um ano); ChatGPT citado por 82%, Gemini 45%, Meta AI 42% | State of Search Brasil, 6ª ed. (Hedgehog), n=4.157, 16+, todas as regiões e classes A–E, coleta jun–jul/2025 | | ChatGPT é hoje o **4º canal mais consultado** do país (crescimento de 18–19 p.p. em um ano); Google ainda domina (84% desktop / 81% mobile, com queda de 4–6 p.p.) | Idem | | **>90% não confiam totalmente** nas respostas de IA, mas **80% usam mesmo assim** — a desconfiança residual não impede o uso em massa | Idem | | No Brasil, **34,6% das mensagens ao ChatGPT são "asking"** (busca de informação/orientação) e 36,1% "doing" — 1 em cada 3 pedidos é só informação | OpenAI Signals, recorte Brasil, jun/2026 (via Fast Company Brasil, 11/08/2026) | | **700 milhões de usuários semanais** no ChatGPT global; 49% das mensagens são "Perguntar"; 3 em 4 conversas são orientação prática, busca de informação e escrita | OpenAI + David Deming (Harvard), working paper NBER, 2025 | | O Brasil está entre os **top 3 mercados globais de usuários de IA** e entre os que **mais adotam busca multimodal** — razão de o Google priorizar o Brasil no AI Mode, Gemini no Chrome e Ask Maps | Google for Brazil 2026 (10/06/2026); Jenny Blackburn e Liz Reid, Google; Fábio Coelho, Google Brasil | | A busca com IA já responde por **48–50% das buscas nos EUA** (AI Overviews); a sobreposição entre o top-10 orgânico do Google e as citações da IA **caiu de ~75% para 17–38%** — o que a IA cita é cada vez menos o que o eleitor veria na busca tradicional | Trackers de mercado 2026; estudos de GEO (via brasilgeo.ai, 23/07/2026) | | Operações comerciais da OpenAI **abertas no Brasil em ago/2026**; vagas de ChatGPT Enterprise **quintuplicaram** em um ano | OpenAI, 27/08/2026 | | TSE e Google firmaram parceria (ago/2026) para detecção de deepfakes eleitorais — a IA em eleições já é objeto de política pública | TSE, 26/08/2026 | **Leitura para o projeto:** em 2026, a IA não é mais gadget — é canal de informação cotidiano para 4 em cada 5 brasileiros, incluindo classes C e D, e entra no ciclo eleitoral como camada entre o eleitor e a fonte (TSE, IBGE, imprensa). O percentual que "não confia, mas usa" é o vetor real de influência: o voto que se forma na dúvida e vai perguntar ao chatbot. ## 2. Hipóteses de Trabalho - **H1 — Viés de conteúdo:** respostas a perguntas eleitorais neutras apresentam desvio sistemático (tom, enquadramento, seleção de fatos, omissões) favorável ou desfavorável a determinados atores políticos. - **H2 — Viés temporal/dinâmico:** o comportamento dos modelos muda ao longo do tempo (atualizações de modelo, mudanças de sistema, novos dados), exigindo medição contínua, não pontual. - **H3 — Viés estrutural (origem):** parte do desvio é atribuível a decisões de treinamento/alinhamento (RLHF, guardrails, políticas de conteúdo), e não apenas aos dados brutos — detectável via padrões de recusa, hedging e framing. - **H4 — Heterogeneidade entre modelos:** o viés (se existir) difere entre fornecedores e versões, o que permite comparação cruzada e triangulação. ## 3. Objetivos **Objetivo geral:** construir uma arquitetura de avaliação contínua que quantifique e qualifique viés político-eleitoral em LLMs, produzindo relatórios auditáveis ao longo do ciclo eleitoral de 2026. **Objetivos específicos:** 1. Criar um banco de perguntas calibrado (neutralidade controlada, espelhamento ideológico, casos limite). 2. Executar consultas recorrentes e determinísticas contra múltiplos LLMs. 3. Medir viés com métricas de evaluation de IA (rubricas, scoring por judge, análise de embedding/semântica, distribuição de tom). 4. Isolar sinais de influência de treinamento vs. ruído/aleatoriedade (temperatura 0, repetição, controle de prompt). 5. Gerar relatórios periódicos auditados por um **judge independente (modelo próprio)**, com trilha de evidências. ## 4. Arquitetura Básica **Modo chatbot (fidelidade ao usuário):** o projeto monitora o *chatbot* que o brasileiro de fato usa — não a API crua. Cada alvo roda com o **modelo flagship** do chatbot e a **ferramenta de busca/grounding ligada** (Google Search no Gemini, web search no ChatGPT), que é como esses produtos entregam respostas sobre eventos recentes. As **citações/fontes** retornadas são registradas como evidência auditável. Isso garante que medimos o que o eleitor vê no domingo à noite, no celular — incluindo o caso em que o modelo "não sabe" por falta de busca (viés de acesso à informação, não só de conteúdo). ``` ┌─────────────────────────────────────────────────────────┐ │ 1. QUESTION BANK (banco de perguntas) │ │ - Perguntas neutras, espelhadas (A/B ideológico), │ │ casos limite, perguntas de controle │ │ - Versionado (git), com justificativa de neutralidade│ └──────────────────────┬──────────────────────────────────┘ ▼ ┌─────────────────────────────────────────────────────────┐ │ 2. ORQUESTRADOR DE COLETA (scheduler) │ │ - Consultas constantes (diárias/semanais) │ │ - Temperatura 0, seeds fixas, timestamp, versão do │ │ modelo, prompt hash → determinismo e reprodutib. │ └──────────┬──────────────────────────────┬───────────────┘ ▼ ▼ ┌───────────────────────┐ ┌───────────────────────────┐ │ 3. ALVOS (LLMs) │ │ 3b. METADADOS │ │ OpenAI, Anthropic, │ │ versão, data, política de │ │ Google, Meta, etc. │ │ uso, mudanças de sistema │ └───────────┬───────────┘ └───────────────────────────┘ ▼ ┌─────────────────────────────────────────────────────────┐ │ 4. CAMADA DE EVALUATION │ │ - Scoring automático por rubricas (viés de tom, │ │ enquadramento, equilíbrio de fontes/citações) │ │ - Análise semântica/comparativa (espelhamento A/B) │ │ - Métricas agregadas ao longo do tempo (séries) │ └──────────────────────┬──────────────────────────────────┘ ▼ ┌─────────────────────────────────────────────────────────┐ │ 5. JUDGE (modelo independente, seu próprio) │ │ - Não participa da coleta; lê respostas + scores │ │ - Audita consistência, contesta scores, emite │ │ parecer final e nível de confiança │ │ - Separação de interesses: judge ≠ modelo avaliado │ └──────────────────────┬──────────────────────────────────┘ ▼ ┌─────────────────────────────────────────────────────────┐ │ 6. RELATÓRIO & EVIDÊNCIAS │ │ - Relatório periódico com trilha de auditoria │ │ (prompts brutos, respostas brutas, scores, decisões │ │ do judge, diff de versões de modelo) │ └─────────────────────────────────────────────────────────┘ ``` ## 5. Metodologia — como atacar o viés de treinamento | Técnica | O que isola | |---|---| | **Perguntas espelhadas** (mesma pergunta trocando o sujeito: candidato X vs. Y) | Viés de conteúdo simétrico | | **Perguntas de controle** (não-eleitorais) | Baseline de estilo do modelo | | **Análise de recusas e hedging** | Guardrails/alinhamento (sinal de H3) | | **Repetição determinística** (N rodadas, temp 0) | Separa sinal de aleatoriedade | | **Comparação entre fornecedores** | Viés estrutural vs. idiossincrasia | | **Séries temporais** | Mudanças por atualização de modelo | | **Judge independente** | Validação humana/terceira parte do pipeline | ## 6. Métricas (vocabulário de evaluation de IA) - **Bias score** por pergunta espelhada (diferença de tom/framing entre pares) - **Refusal rate** e padrões de hedging por tema/candidato - **Framing diversity** (enquadramento adotado: econômico, moral, segurança etc.) - **Fact-selection skew** (quais fatos são citados/omitidos) - **Stability over time** (variância inter-temporal das métricas acima) - **Judge agreement rate** (concordância entre scoring automático e judge) ## 7. Ferramentas e Stack (sugestão) - Orquestração: Python + fila agendada (cron/scheduler), banco versionado (Postgres + objetos brutos em storage) - Registro: MLflow ou Langfuse para traces/observabilidade dos prompts - Scoring: rubricas com LLM-as-judge versionado + análise semântica (embeddings) - Judge: seu modelo independente, isolado do pipeline de coleta, com prompts de auditoria versionados - Reprodutibilidade: hashing de prompts, seeds, snapshot de versões de modelo e system prompts ## 8. Riscos e Limitações (importante para o rigor do projeto) 1. **Viés do próprio método:** o judge e o scorer também são modelos — mitigar com auditoria humana por amostragem e judge múltiplo. 2. **Detecção ≠ intenção:** viés observado não prova influência deliberada de treinamento; o relatório deve usar linguagem de "sinal consistente com", não de conclusão causal. 3. **Drift de modelo:** fornecedores atualizam modelos sem aviso — por isso a coleta constante e o registro de versão. 4. **Sensibilidade legal/ética:** manter neutralidade no design das perguntas, transparência metodológica e revisão independente antes de publicar qualquer achado nomeando candidatos. 5. **Idioma:** foco em português brasileiro — viés em PT-BR pode diferir do comportamento em inglês. ## 9. Roadmap Inicial 1. **Fase 0 — Fundação (EM CURSO):** question bank v0.1 em `banco-de-perguntas-v0.1.md` (46 perguntas, base em pesquisa qualitativa do 2º turno Lula × Flávio, 25/10/2026); próxima etapa: validação por rubrica (2 revisores) e congelamento da v1.0 2. **Fase 1 — Pipeline de coleta:** orquestrador + 3 LLMs iniciais (ChatGPT/OpenAI, Gemini/Google, Claude/Anthropic) + registro determinístico 3. **Fase 2 — Evaluation:** scoring automático + primeiras séries temporais 4. **Fase 3 — Judge:** integração do conferidor independente (modelo separado do pipeline de coleta) 5. **Fase 4 — Relatório v1:** relatório piloto e validação metodológica antes do ciclo eleitoral pleno ## 10. Status e decisões (11/10/2026) **Decisões tomadas:** - **Alvos iniciais:** 3 LLMs — ChatGPT (OpenAI), Gemini (Google), Claude (Anthropic), todos em **modo chatbot** (modelo flagship + busca ligada + citações registradas), não API crua. - **Conferidor (judge):** modelo independente, não treinado/fine-tuned — isolado do pipeline de coleta, com prompts de auditoria versionados e nível de confiança declarado. - **Cenário:** banco de perguntas calibrado para o 2º turno Lula (PT) × Flávio Bolsonaro (PL), 25/10/2026. **Entregas (tudo em `repos/nao-influencia/`):** | Artefato | Arquivo | Estado | |---|---|---| | Manifesto (este documento) | `manifesto.md` | v1 — seções 0 a 10 | | Banco de perguntas | `banco-de-perguntas-v0.1.md` | v0.1 — 46 perguntas | | Documento técnico + diagrama do sistema | `documento-tecnico.md` | v1.0 | | Página oficial (one-page) | `index.html` → **https://nao-influencia.pages.dev** | no ar (Cloudflare Pages) | | Trilha de auditoria pública | `audit.py` → `audit/*.html` | gerada a partir de eval/ | | Arte de capa 1080×1080 | `capa-1080.png` + `prompt-capa-1080.md` | concluída | | Deploy | `./deploy.sh` | script único (Pages) | | Contadores na página | dias até o 2º turno (JS dinâmico) + auditorias (placeholder: 0) | ativo | **Próximos passos:** validação da v1.0 do banco → orquestrador de coleta (Fase 1) → primeira rodada de auditorias (contador > 0) → relatório piloto.