Algoritmo, no vocabulário da segurança cognitiva, designa o sistema de ranqueamento e recomendação que seleciona, ordena e distribui conteúdo em plataformas digitais, e cuja relevância política decorre de que a ordenação é um julgamento sobre o que importa, executado em escala e fora do alcance da inspeção pública.
1. Definição e Escopo
Em sentido técnico, algoritmo é uma sequência finita de passos que transforma uma entrada em uma saída. A definição é correta e inútil para o debate público, porque cobre tudo, do cálculo de imposto de renda à criptografia. O objeto deste verbete é mais estreito: os sistemas de ranqueamento e recomendação que decidem, para cada usuário e em cada acesso, qual fração de um acervo disponível será exibida e em que ordem. A literatura de comunicação os chama de algoritmos públicos de relevância, expressão que destaca a função e não o mecanismo (GILLESPIE, 2014).
A amplificação algorítmica é o efeito agregado dessa ordenação. Determinado conteúdo recebe alcance desproporcional não porque seja verdadeiro, útil ou representativo, mas porque gera reações mensuráveis: clique, tempo de permanência, comentário, compartilhamento. O sistema otimiza um indicador de engajamento, proxy imperfeito de interesse e nenhum indicador de veracidade, e essa substituição é a origem de quase todos os problemas descritos na literatura (GILLESPIE, 2018).
O escopo se define por três contrastes. Com o microtargeting, a diferença é de operação: o microtargeting segmenta a entrega de uma mensagem; a ordenação decide o que aparece a todos, com personalização derivada. Com a câmara de eco, a diferença é de nível: a câmara é configuração social de um grupo, a ordenação é mecanismo de seleção, e a segunda pode produzir a primeira sem que isso seja necessário. Com a curadoria editorial, a diferença é de responsabilidade: o editor responde pelo que escolhe, e o sistema responde a uma métrica, o que dispersa a imputação por uma cadeia de decisões de produto e de modelo de negócio.
2. Etimologia e Origem Conceitual
O termo deriva do nome latinizado de Muhammad ibn Musa al-Khwarizmi, matemático persa do século IX cujos tratados de aritmética e álgebra entraram na Europa pela tradução latina e deram origem a algorismus, o conjunto de regras para operar com numerais indo-arábicos. Por seis séculos, algoritmo foi palavra de aritmética. A generalização vem com a ciência da computação: nos anos 1930 e 1940 o termo passa a designar qualquer procedimento efetivo, e a formalização da computabilidade fixa o sentido técnico que hoje circula.
A migração para o vocabulário público é fenômeno dos anos 2010 e tem função retórica própria. Dizer que “o algoritmo” decidiu atribui agência a um artefato e dissolve a pergunta sobre quem definiu a métrica e quem lucra com ela. O algoritmo não é ator, é inscrição de decisões humanas em código, e a análise ganha quando pergunta pelas decisões, não pela máquina (SEAVER, 2017).
Em português, “algoritmo” entra por tradução direta. “Amplificação algorítmica” é decalque do inglês e se consolidou no debate regulatório brasileiro a partir de 2020, junto com “transparência algorítmica” e “auditoria de algoritmo”, expressões que designam objetos que a legislação ainda não define.
3. Desenvolvimento Histórico
1990–2006: a ordenação da relevância. A primeira aplicação de ranqueamento em escala pública é o buscador. O PageRank, publicado em 1998, ordena páginas por autoridade derivada de links e institui o padrão que a década seguinte generalizaria: a ordem dos resultados passa a ser calculada, não editada, e o critério é invisível para quem consulta (GILLESPIE, 2014). A pergunta “o que existe sobre isso” passa a ser respondida por um sistema cuja lógica ninguém fora da empresa conhece.
2006–2016: a virada do feed. A introdução do feed de notícias desloca a ordenação do acervo para o fluxo: a linha do tempo deixa de ser cronológica e passa a ser ordenada por probabilidade de interação, com o objetivo declarado de mostrar o que é relevante para cada usuário. É o período em que a pesquisa começa a medir o efeito, e o estudo de exposição no Facebook mostra que a ordenação restringe o contato com conteúdo contraposto, mas menos do que a escolha individual (BAKSHY; MESSING; ADAMIC, 2015).
2016–2020: a prestação de contas. O ciclo eleitoral de 2016 converte a ordenação em objeto de escrutínio público, e a pesquisa se organiza em torno da accountability algorítmica: auditar sistemas, medir viés, exigir explicação. O período rende avanço conceitual e pouco avanço empírico, porque a auditoria externa depende de acesso que as plataformas não concedem, e a crítica decisiva é que transparência, quando obtida, não basta para produzir responsabilização (ANANNY; CRAWFORD, 2018).
2020–2025: experimentos e regulação. A década abre com a primeira geração de experimentos de grande escala com dados internos: a manipulação do feed durante a eleição estadunidense de 2020 mediu o efeito de trocar a ordenação por critério cronológico e de retirar o compartilhamento, e encontrou efeitos pequenos sobre atitudes e conhecimento político (GUESS et al., 2023). Em paralelo, a regulação europeia cria obrigações de transparência e de auditoria de risco sistêmico, e a pesquisa brasileira passa a discutir o mesmo desenho sem dispor de instrumento equivalente.
4. Debate Teórico
Opacidade. A primeira controvérsia é sobre o que impede o conhecimento. A literatura distingue três opacidades: a intencional, própria de sistemas proprietários; a técnica, que decorre da competência exigida para ler código e modelo; e a de escala, própria do aprendizado de máquina, em que nem o projetista explica a decisão de uma instância (BURRELL, 2016). Cada uma pede resposta diferente: auditoria, formação ou explicação local.
Performatividade. A segunda controvérsia é sobre o estatuto do objeto. Tratar o algoritmo como artefato fixo leva a buscar sua essência; tratá-lo como cultura leva a observar como é feito, mantido e contestado por pessoas em contextos específicos (SEAVER, 2017). A segunda posição ganhou terreno porque explica por que o mesmo sistema produz efeitos distintos em mercados distintos, e paga por isso com a perda de generalização.
Causalidade. A terceira controvérsia é a menos resolvida. Demonstrar que a ordenação afeta o que as pessoas veem é trivial; demonstrar que afeta o que pensam exige comparar o mundo com e sem o sistema. Os experimentos disponíveis usam manipulações parciais e encontram efeitos modestos (GUESS et al., 2023), enquanto os estudos observacionais encontram associação forte entre conteúdo e engajamento sem identificar direção. A discrepância é compatível com a hipótese de que a ordenação amplifica disposições existentes mais do que as cria.
Regulação. A quarta controvérsia distingue regular algoritmos de regular por algoritmos. O primeiro movimento exige transparência, auditoria e dever de cuidado; o segundo usa sistemas automatizados como instrumento de política pública, com riscos de rigidez e de deslocamento da decisão para o código (YEUNG, 2018). O debate público confunde as duas coisas e trata transparência como sinônimo de controle.
Valoração. A quinta controvérsia é sobre neutralidade. A crítica demonstra que sistemas de busca e recomendação não são neutros: incorporam valores, reproduzem discriminações e hierarquizam o que existe segundo métricas comerciais (NOBLE, 2018). A pergunta “o algoritmo é tendencioso” está mal formulada; a pergunta é quais valores realiza e quem responde por eles.
5. Casos Documentados
A busca como julgamento. O caso fundador é o buscador, que decide o que é relevante em escala planetária com critério comercialmente sigiloso (GILLESPIE, 2014). A pesquisa sobre resultados documentou hierarquização sistemática e efeitos de discriminação em consultas sobre grupos raciais, o que sustenta a tese de que a ordenação é ato valorativo e não operação neutra (NOBLE, 2018).
O experimento do feed. O estudo de 2020 combinou questionários e registro de comportamento e manipulou a ordenação do feed durante uma eleição presidencial, com consentimento dos participantes. A troca por ordem cronológica e a retirada do compartilhamento produziram mudanças pequenas em atitudes, com algum efeito sobre conhecimento político e sobre o que foi visto (GUESS et al., 2023). É o melhor achado disponível, não definitivo: mede uma eleição, uma plataforma e um intervalo curto.
A viralidade assimétrica. O estudo da difusão de notícias verdadeiras e falsas no Twitter mostrou que as falsas se espalham mais longe, mais rápido e mais profundamente, com o efeito atribuído sobretudo a fatores humanos e a automação em papel secundário (VOSOUGHI; ROY; ARAL, 2018). O caso é citado como prova do poder dos algoritmos, e a leitura correta é mais estreita: mede difusão em uma plataforma e em um período, e não isola o mecanismo de ordenação.
O Brasil. A literatura consultada não registra auditoria independente de sistemas de recomendação em uso no país, com acesso a dados internos. O que existe são análises de circulação em redes públicas, estudos de desinformação em plataformas específicas e o debate legislativo sobre transparência, sem base empírica própria sobre a ordenação.
6. Implicações para o Contexto Brasileiro
Na regulação. O PL nº 2.630/2020 introduz no debate brasileiro a transparência de sistemas de recomendação e a avaliação de risco sistêmico, aproximando o desenho nacional do modelo europeu. A dificuldade é de execução: auditar recomendação exige acesso a dados e capacidade técnica no regulador, e nenhuma das versões em debate define quem audita, com que método e com que consequência em caso de descumprimento.
Na Constituição. A intervenção em ordenação toca a liberdade de expressão por via indireta: não se remove conteúdo, altera-se sua probabilidade de ser visto. A experiência comparada sugere que a saída viável é procedimental, com deveres de transparência e de explicação, e não com imposição de critérios de relevância pelo Estado.
Na pesquisa do núcleo. O acervo do NEGISC permite descrever a arquitetura e a crítica da amplificação, não medir o fenômeno no país. A agenda realista é dupla: acompanhar o debate regulatório com base documental e construir protocolo de observação de superfície que registre, ao longo do tempo, o que os sistemas exibem em consultas e fluxos públicos, com as limitações que o método impõe e que devem ser declaradas em cada resultado.
7. Ver Também
- Microtargeting
- Câmara de eco
- Propaganda computacional
- Inautenticidade coordenada (CIB)
- Regulação internacional da guerra informacional
- Glossário: algoritmo
8. Referências
ANANNY, Mike; CRAWFORD, Kate. Seeing without knowing: limitations of the transparency ideal and its application to algorithmic accountability. New Media & Society, v. 20, n. 3, p. 973-989, 2018. DOI: 10.1177/1461444816676645.
BAKSHY, Eytan; MESSING, Solomon; ADAMIC, Lada A. Exposure to ideologically diverse news and opinion on Facebook. Science, v. 348, n. 6239, p. 1130-1132, 2015. DOI: 10.1126/science.aaa1160.
BURRELL, Jenna. How the machine “thinks”: understanding opacity in machine learning algorithms. Big Data & Society, v. 3, n. 1, p. 1-12, 2016. DOI: 10.1177/2053951715622512.
GILLESPIE, Tarleton. The relevance of algorithms. In: GILLESPIE, Tarleton; BOCZKOWSKI, Pablo J.; FOOT, Kirsten A. (org.). Media technologies: essays on communication, materiality, and society. Cambridge: MIT Press, 2014. p. 167-194. DOI: 10.7551/mitpress/9780262525374.003.0009.
GILLESPIE, Tarleton. Custodians of the internet: platforms, content moderation, and the hidden decisions that shape social media. New Haven: Yale University Press, 2018.
GUESS, Andrew M. et al. How do social media feed algorithms affect attitudes and behavior in an election campaign? Science, v. 381, n. 6656, p. 398-404, 2023. DOI: 10.1126/science.abp9364.
NOBLE, Safiya Umoja. Algorithms of oppression: how search engines reinforce racism. New York: New York University Press, 2018.
SEAVER, Nick. Algorithms as culture: some tactics for the ethnography of algorithmic systems. Big Data & Society, v. 4, n. 2, p. 1-12, 2017. DOI: 10.1177/2053951717738104.
VOSOUGHI, Soroush; ROY, Deb; ARAL, Sinan. The spread of true and false news online. Science, v. 359, n. 6380, p. 1146-1151, 2018. DOI: 10.1126/science.aap9559.
YEUNG, Karen. Algorithmic regulation: a critical interrogation. Regulation & Governance, v. 12, n. 4, p. 505-523, 2018. DOI: 10.1111/rego.12158.
Verbete da Enciclopédia NEGISC — Núcleo de Estudos em Guerra Informacional e Segurança Cognitiva / GEPSI / IREL / UnB. Licença CC BY-SA 4.0.