 |
| Bellacosa Mainframe quando a Meta do Instagram e Facebook é suspeita de imparcialidade |
☕ UM CAFÉ NO BELLACOSA MAINFRAME
🥷 THE EMINENCE IN SHADOW: CID KAGENOU CONTRA O ALGORITMO INVISÍVEL DA META — QUEM ESTÁ MANIPULANDO AS SOMBRAS DA DEMOCRACIA?
Facebook, Instagram, Cambridge Analytica, eleições brasileiras de 2026 e os misteriosos algoritmos que continuam recomendando conteúdos políticos mesmo quando o usuário os rejeita. Sob a tutela de Cid Kagenou, vamos investigar as engrenagens invisíveis das redes sociais e descobrir como COBOL, JCL, Db2, RACF e a auditoria de sistemas podem ajudar a compreender o poder dos algoritmos.
Bellacosa Mainframe — Arqueologia da Computação, COBOL, Inteligência Artificial, Segurança Cibernética e os Fantasmas dos Algoritmos
🎬 Prólogo — Quando Cid Kagenou descobriu que alguém estava controlando as sombras
Era uma noite particularmente tranquila no Reino de Midgar.
Cid Kagenou caminhava pelas ruas, aparentemente despreocupado, enquanto os habitantes seguiam suas rotinas.
Na superfície, tudo funcionava normalmente.
Comerciantes vendiam mercadorias. Nobres discutiam política. Aventuras eram anunciadas nas tavernas.
Mas Cid tinha uma obsessão: tornar-se uma eminência nas sombras, alguém capaz de exercer um poder extraordinário sem que os demais percebessem sua verdadeira identidade.
De repente, seu olhar encontrou uma enorme tela luminosa.
Nela, milhares de mensagens apareciam, desapareciam e voltavam a aparecer.
Algumas defendiam o governo. Outras o atacavam. Muitas provocavam medo, indignação ou entusiasmo.
Cid tentou ignorá-las.
Entretanto, quanto mais tentava afastar determinadas mensagens, mais conteúdos semelhantes surgiam.
— Interessante... — murmurou.
Alpha aproximou-se.
— Meu senhor, detectamos uma entidade que organiza praticamente tudo aquilo que os cidadãos conseguem enxergar.
— O Culto de Diablos?
— Não exatamente. Chama-se algoritmo de recomendação.
Cid sorriu.
Finalmente, um adversário digno de uma verdadeira eminência nas sombras!
Naturalmente, a situação era muito menos cinematográfica do que ele imaginava.
Não havia uma sociedade secreta comprovadamente comandando cada publicação. Existiam sistemas matemáticos, modelos de aprendizado de máquina, objetivos comerciais, milhares de sinais comportamentais e decisões humanas sobre o funcionamento da plataforma.
Mas a pergunta permanecia fascinante:
Quem controla o que podemos ver quando uma empresa privada administra grande parte da nossa comunicação pública?
Era hora de abrir um terminal 3270.
E talvez preparar um café.
Nota narrativa: Cid Kagenou e Shadow Garden são personagens de ficção. Seus diálogos e participações nesta investigação são criações literárias. Os fatos históricos e as análises técnicas são apresentados separadamente.
🥷 Capítulo I — Quem é Cid Kagenou e por que ele deveria investigar a Meta?
The Eminence in Shadow, originalmente Kage no Jitsuryokusha ni Naritakute!, nasceu das light novels escritas por Daisuke Aizawa, ilustradas por Tozai.
Sua adaptação para anime estreou em 5 de outubro de 2022, produzida pelo estúdio Nexus e dirigida por Kazuya Nakanishi.
O protagonista é Cid Kagenou, um jovem cuja ambição não consiste simplesmente em tornar-se herói ou vilão.
Ele deseja ser uma figura misteriosa que interfere nos acontecimentos a partir dos bastidores.
Depois de reencarnar em um mundo de fantasia, Cid desenvolve a identidade de Shadow e organiza, inicialmente quase por brincadeira, uma sociedade chamada Shadow Garden.
O detalhe delicioso da narrativa é que suas invenções sobre uma organização inimiga acabam correspondendo a ameaças reais daquele universo.
Cid acredita estar participando de uma encenação grandiosa, enquanto suas companheiras enfrentam conspirações verdadeiras.
Essa combinação de fantasia, humor, ação e equívocos é perfeita para uma investigação sobre algoritmos.
Mas precisamos evitar uma armadilha.
Em The Eminence in Shadow, existe um culto secreto dentro do universo ficcional.
Na vida real, não podemos transformar todo resultado inesperado de um algoritmo em prova de conspiração.
Uma análise séria deve começar justamente pela distinção entre intenção, comportamento e consequência.
E isso nos leva ao primeiro laboratório de Shadow Garden.
🕵️ Capítulo II — O algoritmo invisível: por que bloquear uma página não resolve o problema?
Imagine um usuário brasileiro navegando pelo Facebook.
Ele acompanha publicações sobre história, informática, cinema e política.
Subitamente aparece um vídeo partidário que não deseja assistir.
O usuário bloqueia a página.
No dia seguinte surge outro vídeo semelhante, produzido por outro perfil.
Novamente bloqueia.
Dois dias depois aparece uma terceira publicação com discurso parecido.
A experiência gera uma pergunta perfeitamente razoável:
Se eu já disse que não quero receber esse conteúdo, por que a plataforma continua oferecendo material semelhante?
A resposta começa pela arquitetura dos mecanismos de recomendação.
A Meta não possui um único algoritmo universal que decide tudo.
Facebook Feed, Instagram Reels, Stories, Explore, anúncios e recomendações de contas podem utilizar modelos e sistemas diferentes.
Cada sistema interpreta informações para prever comportamentos futuros.
Entre os sinais possíveis estão:
Publicações curtidas.
Vídeos assistidos.
Tempo de permanência.
Comentários.
Compartilhamentos.
Perfis acompanhados.
Conteúdos ocultados.
Histórico de interações com autores semelhantes.
Em junho de 2023, a Meta divulgou documentação sobre 22 sistemas de inteligência artificial utilizados em seus produtos.
A empresa reconheceu expressamente o uso de sinais comportamentais e mecanismos de previsão para ordenar conteúdos.
E aqui encontramos um paradoxo.
O usuário pode assistir a um vídeo político não porque concorda com ele, mas porque deseja compreender uma afirmação absurda, verificar uma notícia ou criticar determinado argumento.
Para um modelo preditivo, porém, o tempo de visualização pode representar um sinal de interesse.
Interesse não significa concordância.
Esse é um problema clássico de interpretação de dados.
A curiosidade de Cid
Cid observa um relatório.
— Alpha, o usuário assistiu ao vídeo durante um minuto.
— Sim, meu senhor.
— Então ele gostou?
— Não necessariamente.
— Talvez ele estivesse indignado?
— Exatamente.
Cid fecha os olhos.
— Um sistema que sabe quanto tempo alguém observa algo, mas não sabe por quê...
Esse pequeno diálogo ilustra uma limitação importante da modelagem comportamental.
Sistemas podem prever probabilidades de interação sem compreender plenamente as motivações humanas.
Bloquear um perfil, por sua vez, normalmente impede interações com aquela fonte específica.
Não equivale a instruir todos os mecanismos da plataforma a eliminar qualquer publicação de orientação política semelhante.
E identificar automaticamente a orientação ideológica de toda publicação também é uma tarefa complexa.
Uma reportagem criticando um partido pode conter os mesmos nomes, palavras e imagens utilizados pela propaganda daquele partido.
A classificação precisa considerar contexto, ironia, citações e objetivos da mensagem.
Primeira lição de Shadow Garden: uma preferência precisa ser definida corretamente antes de ser aplicada por um programa.
📚 Capítulo III — Cambridge Analytica: a primeira grande organização das sombras digitais
Para entender por que a Meta desperta tanta desconfiança, precisamos retornar à década de 2010.
Em 2016 aconteceram dois acontecimentos políticos extraordinários.
O Reino Unido votou pela saída da União Europeia.
Nos Estados Unidos, Donald Trump venceu a eleição presidencial.
Dois anos depois, o escândalo Cambridge Analytica revelou uma extensa controvérsia envolvendo a obtenção indevida de dados de usuários do Facebook e sua utilização para perfis comportamentais e campanhas políticas.
Informações de milhões de pessoas foram coletadas por meio de um aplicativo e de mecanismos de acesso a dados que existiam na plataforma.
A controvérsia envolveu privacidade, consentimento, publicidade política e possível segmentação psicológica.
Mas precisamos separar três coisas:
Primeira: houve um escândalo documentado de obtenção e utilização indevida de dados pessoais.
Segunda: técnicas de publicidade segmentada foram usadas em campanhas políticas.
Terceira: não foi demonstrado que a Cambridge Analytica tenha determinado o resultado do Brexit ou da eleição americana.
No caso britânico, investigações também examinaram empresas, organizações de campanha e outros mecanismos de direcionamento de mensagens políticas.
O erro seria confundir a existência comprovada de um mercado de influência política baseada em dados com a demonstração de que determinada empresa decidiu sozinha uma eleição.
Ainda assim, a descoberta foi suficientemente grave para alterar profundamente o debate internacional sobre privacidade.
O verdadeiro poder dos perfis comportamentais
Imagine três cidadãos.
O primeiro preocupa-se principalmente com empregos.
O segundo acompanha notícias sobre imigração.
O terceiro manifesta grande interesse por segurança pública.
Uma campanha digital pode tentar apresentar mensagens distintas a esses públicos.
O problema não está simplesmente em anunciar propostas diferentes.
O risco aparece quando informações pessoais são obtidas sem consentimento adequado, quando mensagens enganosas são distribuídas de maneira pouco transparente ou quando não existe fiscalização sobre o direcionamento.
Em uma praça pública, qualquer cidadão pode ouvir o discurso de um candidato.
Na publicidade digital altamente segmentada, duas pessoas podem receber mensagens contraditórias sem perceber.
Cid provavelmente chamaria isso de magia das sombras.
Um auditor chamaria de ausência de transparência e rastreabilidade.
📊 Capítulo IV — O grande experimento científico com 208 milhões de usuários
Em julho de 2023, a revista científica Science publicou um estudo especialmente relevante.
Pesquisadores examinaram dados agregados de aproximadamente 208 milhões de usuários americanos do Facebook durante as eleições de 2020.
O objetivo era investigar como pessoas de orientações políticas diferentes eram expostas a notícias.
Os cientistas distinguiram três níveis:
Exposição potencial: notícias que poderiam aparecer para os usuários.
Exposição efetiva: notícias efetivamente apresentadas.
Engajamento: notícias com as quais as pessoas interagiram.
Essa distinção é importantíssima.
O fato de um conteúdo estar disponível não significa que tenha sido mostrado.
E aparecer no feed não significa que tenha recebido atenção.
Os pesquisadores encontraram elevada segregação ideológica, que aumentava da exposição potencial até o engajamento.
Também identificaram assimetrias entre os públicos conservadores e liberais.
Uma parcela significativa das fontes de notícias políticas era consumida quase exclusivamente por conservadores, sem um setor liberal diretamente equivalente nas dimensões analisadas.
Grande parte da desinformação identificada pelo programa de verificação de fatos da Meta concentrava-se nesse setor conservador.
Isso não demonstra que Zuckerberg tenha programado o Facebook para favorecer políticos conservadores.
Demonstra que o ecossistema de distribuição de notícias apresentava assimetrias importantes.
E oferece uma pergunta científica:
Quanto dessas diferenças decorre das escolhas dos usuários, quanto da oferta de conteúdos e quanto dos mecanismos de recomendação?
Não existe uma resposta universal para todos os países e períodos.
A segunda descoberta surpreendente
Outra pesquisa publicada na Science, também em 2023, examinou os efeitos da substituição de feeds algorítmicos por feeds cronológicos durante a campanha americana de 2020.
Os participantes passaram a receber publicações em ordem temporal.
A mudança alterou significativamente o conteúdo visto e reduziu o tempo de utilização das plataformas.
Entretanto, durante o experimento de três meses, os pesquisadores não encontraram mudanças estatisticamente significativas nas principais medidas de polarização e atitudes políticas avaliadas.
Portanto, a influência dos algoritmos sobre a exposição a informações não deve ser confundida automaticamente com influência demonstrada sobre o voto.
Alpha registra essa observação no relatório.
Cid responde:
— Então controlar a vitrine não significa controlar completamente a mente do cliente.
Exatamente.
🏛️ Capítulo V — Janeiro de 2025: quando a Meta mudou suas regras
Em 7 de janeiro de 2025, a Meta anunciou mudanças importantes em suas políticas de moderação e recomendação.
Entre elas estavam a transição, começando pelos Estados Unidos, do programa de checagem independente para um modelo de notas da comunidade e a revisão de restrições aplicadas a determinados discursos.
A empresa também declarou que voltaria a recomendar mais conteúdos políticos conforme sinais de interesse dos usuários.
Isso marcou uma revisão relevante da estratégia adotada anteriormente, quando a Meta havia procurado reduzir a circulação de certos conteúdos políticos nas recomendações.
A justificativa oficial incluía ampliar a liberdade de expressão e reduzir erros de moderação.
Críticos apontaram riscos relacionados à desinformação e ao enfraquecimento de mecanismos de proteção.
A questão técnica mais interessante, entretanto, está na definição de interesse.
Se a plataforma passa a recomendar mais conteúdo político com base em sinais explícitos e implícitos, torna-se fundamental verificar se a rejeição do usuário recebe peso suficiente.
Um sistema pode reconhecer corretamente que determinada pessoa acompanha assuntos eleitorais e, ainda assim, falhar ao interpretar quais conteúdos ela deseja evitar.
Conhecer o assunto de interesse do usuário não é o mesmo que compreender sua preferência em relação às mensagens sobre aquele assunto.
🇧🇷 Capítulo VI — Eleições brasileiras de 2026: o algoritmo entra no tribunal
Em outubro de 2026, a discussão sobre a Meta deixou de ser exclusivamente acadêmica.
A campanha de Luiz Inácio Lula da Silva, do PT, questionou restrições envolvendo publicações eleitorais e a ferramenta Meta AI.
Entre as reclamações estava a alegação de que determinados comandos de geração de imagens envolvendo Lula eram recusados, enquanto solicitações semelhantes relacionadas a Flávio Bolsonaro, do PL, poderiam ser atendidas.
Em 15 de outubro, o Tribunal Superior Eleitoral determinou medidas para garantir tratamento igualitário às candidaturas.
No dia seguinte, o plenário manteve unanimemente a decisão.
Posteriormente, o tribunal exigiu esclarecimentos técnicos sobre distribuição de conteúdo, utilização de inteligência artificial e propaganda eleitoral.
Esses acontecimentos demonstram a existência de uma controvérsia institucional real.
Entretanto, uma investigação precisa considerar também a resposta da empresa.
A Meta afirmou que a falha envolvendo a geração de imagens estava relacionada ao reconhecimento de nomes e números eleitorais utilizados nas solicitações.
Segundo a empresa, havia proteções que identificavam nomes completos ou expressões conhecidas, mas determinadas combinações de nomes comuns e números eleitorais podiam escapar às verificações.
A Meta também apresentou dados de alcance ao TSE.
Em sua manifestação de 6 de novembro de 2026, informou que, entre 16 de agosto e 25 de outubro, o conteúdo orgânico das contas oficiais de Lula registradas no TSE alcançou aproximadamente uma vez e meia o público alcançado pelas contas comparadas de Flávio Bolsonaro.
Esses números são informações apresentadas pela própria empresa, e não uma auditoria independente.
Além disso, a quantidade total de pessoas alcançadas não demonstra, isoladamente, que todas as publicações foram tratadas corretamente em cada momento.
Pode existir um erro localizado mesmo quando o alcance agregado de uma campanha é superior.
O erro que Shadow Garden não cometeria
Cid observa dois relatórios.
Um mostra maior alcance total da campanha de Lula.
Outro descreve restrições técnicas que prejudicaram publicações específicas.
— Alpha, qual está correto?
— Os dois podem estar corretos, meu senhor.
É isso!
Dados agregados e incidentes individuais não são necessariamente contraditórios.
O alcance acumulado mede uma coisa.
O funcionamento de uma regra em determinado instante mede outra.
Para demonstrar favorecimento deliberado, seria necessário encontrar evidências adicionais de decisões conscientes, instruções internas ou configurações dirigidas especificamente a produzir vantagem partidária.
Até aqui, os fatos públicos examinados não sustentam afirmar como comprovada uma operação deliberada da Meta para favorecer o PL.
Mas sustentam a necessidade de fiscalização técnica das falhas apontadas.
💻 Capítulo VII — Laboratório COBOL: construindo um pequeno algoritmo de recomendação
Chegou a hora de abandonar o mundo das suposições e entrar no território onde os programadores se sentem confortáveis.
Vamos construir um modelo didático de recomendação usando COBOL.
O objetivo não é reproduzir os sistemas reais da Meta, que são muito mais complexos.
Queremos compreender como sinais comportamentais podem influenciar uma decisão automática.
Passo 1 — Definindo o problema
Nosso pequeno sistema receberá:
Uma pontuação inicial de relevância.
Tempo de visualização.
Quantidade de curtidas.
Informação de rejeição explícita.
Depois calculará uma pontuação final.
O exemplo utiliza números arbitrários, exclusivamente para ensinar lógica de programação.
Passo 2 — Escrevendo o programa
>>SOURCE FORMAT FREE
identification division.
program-id. SHADOW01.
environment division.
data division.
working-storage section.
01 ws-score pic s9(5) value zero.
01 ws-tempo pic 9(4) value 45.
01 ws-curtidas pic 9(3) value 2.
01 ws-rejeitado pic x value 'N'.
procedure division.
move 50 to ws-score
compute ws-score =
ws-score + ws-tempo
compute ws-score =
ws-score + (ws-curtidas * 10)
if ws-rejeitado = 'S'
subtract 100 from ws-score
end-if
display 'SHADOW GARDEN - AUDITORIA'
display 'PONTUACAO FINAL: ' ws-score
if ws-score >= 80
display 'DECISAO: RECOMENDAR'
else
display 'DECISAO: NAO RECOMENDAR'
end-if
goback.Passo 3 — Entendendo o programa
A instrução IDENTIFICATION DIVISION identifica o programa.
PROGRAM-ID determina seu nome.
A DATA DIVISION declara os campos de trabalho.
A WORKING-STORAGE SECTION contém as variáveis utilizadas durante a execução.
Na declaração:
01 ws-score pic s9(5) value zero.
o campo aceita um número inteiro com sinal e até cinco dígitos decimais.
O S indica que o valor pode ser negativo.
Isso é útil porque uma rejeição pode produzir pontuação inferior a zero.
Em seguida, o programa define o tempo de visualização e a quantidade de curtidas.
A PROCEDURE DIVISION reúne as instruções executáveis.
A primeira operação atribui 50 pontos ao conteúdo.
Depois acrescentamos 45 pontos pelo tempo de visualização e 20 pontos pelas duas curtidas.
O resultado é 115.
Como a rejeição está inicialmente definida como N, nenhuma penalidade é aplicada.
O sistema decide recomendar.
Passo 4 — Simulando a rejeição
Agora altere:
01 ws-rejeitado pic x value 'N'.
para:
01 ws-rejeitado pic x value 'S'.
A nova pontuação será:
115 - 100 = 15.
Como 15 é inferior ao limite de 80, a recomendação deixa de ocorrer.
Simples, certo?
Mas existe uma questão.
Quem decidiu que uma rejeição deveria descontar exatamente 100 pontos?
O programador!
Ou, em sistemas de aprendizado de máquina, uma combinação de decisões de projeto, dados de treinamento, métodos de otimização e regras operacionais.
O modelo matemático não elimina a responsabilidade pelas escolhas que determinam seu funcionamento.
Passo 5 — Descobrindo uma limitação
Nosso programa considera uma única recomendação.
Mas imagine que o usuário rejeitou o autor A, enquanto o autor B publica conteúdo muito semelhante.
Se o sistema apenas registrar o bloqueio do autor A, o conteúdo do autor B poderá continuar recebendo pontuação elevada.
Esse é um dos problemas que precisamos resolver.
🗃️ Capítulo VIII — O arquivo sequencial: registrando as decisões do usuário
Em um sistema corporativo, uma rejeição não deveria simplesmente desaparecer depois que o programa termina.
Precisamos persistir o evento.
Um modelo elementar pode utilizar um arquivo sequencial.
O registro conterá um identificador fictício de usuário, um tipo de conteúdo, a ação solicitada e a pontuação final calculada.
O objetivo é demonstrar como uma aplicação COBOL registra informações para posterior auditoria.
>>SOURCE FORMAT FREE
identification division.
program-id. SHADOW02.
environment division.
input-output section.
file-control.
select arquivo-auditoria
assign to "auditoria.dat"
organization is line sequential
file status is ws-file-status.
data division.
file section.
fd arquivo-auditoria.
01 registro-auditoria.
05 reg-usuario pic 9(6).
05 reg-categoria pic x(20).
05 reg-acao pic x(12).
05 reg-pontuacao pic s9(5).
working-storage section.
01 ws-file-status pic xx.
01 ws-erro pic x value 'N'.
procedure division.
open extend arquivo-auditoria
if ws-file-status not = '00'
display 'ERRO AO ABRIR: '
ws-file-status
move 'S' to ws-erro
else
move 123456 to reg-usuario
move 'POLITICA' to reg-categoria
move 'MOSTRAR MENOS' to reg-acao
move 15 to reg-pontuacao
write registro-auditoria
if ws-file-status not = '00'
display 'ERRO NA GRAVACAO: '
ws-file-status
move 'S' to ws-erro
end-if
close arquivo-auditoria
if ws-file-status not = '00'
display 'ERRO NO FECHAMENTO: '
ws-file-status
move 'S' to ws-erro
end-if
end-if
if ws-erro = 'N'
display 'AUDITORIA GRAVADA'
end-if
goback.Este exemplo utiliza recursos compatíveis com implementações COBOL que oferecem arquivos sequenciais em linhas, como o GnuCOBOL.
Em um ambiente IBM Enterprise COBOL no z/OS, a definição do arquivo e sua associação a um DD statement exigiriam adaptações apropriadas.
Uma curiosidade importante
O comando OPEN EXTEND permite acrescentar registros ao arquivo, em vez de sobrescrever os registros anteriores.
Mas essa pequena trilha de auditoria ainda não é suficiente para comprovar integridade.
Uma solução corporativa precisaria de controles adicionais, incluindo data e hora confiáveis, identificação do programa que produziu o evento, controle de acessos, retenção de registros e mecanismos para detectar alterações indevidas.
Para lidar com informações pessoais reais, também seria necessário aplicar minimização de dados e medidas de privacidade.
Cid observa o arquivo.
— Alpha, agora sabemos que o usuário rejeitou a categoria.
— Sim, meu senhor.
— Mas sabemos se o algoritmo realmente respeitou a rejeição?
— Ainda não.
Exatamente!
Registrar a preferência não comprova que ela foi utilizada corretamente.
Precisamos de mais uma camada.
🧠 Capítulo IX — O que o Db2, o RACF e o JCL ensinariam à Meta?
Um sistema bancário possui exigências severas de integridade.
Imagine que o cliente solicita o bloqueio de um cartão.
A instituição registra o bloqueio, mas algumas autorizações continuam sendo aprovadas.
Não bastaria o banco responder que o cliente foi compreendido pelo sistema.
Seria necessário investigar se o bloqueio foi propagado corretamente e por que determinadas operações passaram pelas verificações.
Esse raciocínio pode ser aplicado à governança de recomendações.
Db2 — Preservando o histórico
Um banco de dados relacional poderia registrar cada evento de preferência com campos como:
| Campo | Finalidade |
|---|---|
| USER_ID | Identificador pseudonimizado |
| EVENT_ID | Identificador único do evento |
| CONTENT_CLASS | Classificação do conteúdo |
| ACTION_CODE | Ação solicitada |
| EVENT_TIMESTAMP | Data e hora |
| POLICY_VERSION | Versão da regra aplicável |
| PROCESSING_STATUS | Situação do processamento |
Uma estrutura desse tipo permitiria consultar o histórico de eventos e verificar mudanças de comportamento.
Por exemplo, uma rotina de auditoria poderia identificar recomendações incompatíveis com preferências explícitas ainda válidas.
Mas, novamente, esse é um modelo conceitual.
Não representa o desenho interno dos bancos de dados da Meta.
RACF — Quem pode alterar as regras?
No IBM z/OS, o RACF permite implementar controles de autenticação, autorização e proteção de recursos.
Uma arquitetura inspirada nesses princípios poderia exigir permissões específicas para modificar parâmetros sensíveis de recomendação.
Pense no risco de uma alteração não autorizada em um sistema utilizado por milhões de pessoas.
Sem controle adequado, alguém poderia modificar filtros, critérios de classificação ou políticas de distribuição.
A questão fundamental seria:
Quem alterou?
Quando?
Com qual autorização?
Qual versão foi colocada em produção?
Quem aprovou?
Essas são perguntas conhecidas de qualquer auditor experiente em ambientes corporativos.
JCL — Executando auditorias periódicas
O Job Control Language, ou JCL, permite organizar a execução de programas em lotes no z/OS.
Em um cenário didático, uma tarefa noturna poderia analisar registros de recomendações e rejeições.
O fluxo seria:
Ler o histórico de preferências.
Identificar usuários com rejeições explícitas.
Comparar os eventos com conteúdos recomendados posteriormente.
Detectar possíveis inconsistências.
Gerar relatórios estatísticos.
Encaminhar casos relevantes à equipe responsável.
Em um ambiente real, o trabalho poderia combinar COBOL, Db2, SQL, JCL e ferramentas modernas de análise.
Não seria necessário usar COBOL para todas as partes.
O ponto é que tecnologias consolidadas de processamento e auditoria continuam oferecendo princípios valiosos para a governança de sistemas contemporâneos de inteligência artificial.
🔬 Capítulo X — Shadow Garden investiga o algoritmo durante sete dias
Agora vamos realizar uma investigação simples.
Nada de teorias secretas.
Nada de conclusões antes de reunir evidências.
Cid organiza uma equipe imaginária.
Alpha ficará responsável pela documentação.
Beta registrará observações.
Gamma examinará as estatísticas.
Eta estudará os sistemas de recomendação.
E Cid, naturalmente, ficará observando tudo das sombras.
Primeiro dia — Estabelecendo uma linha de base
Abra o Facebook ou o Instagram normalmente.
Escolha uma superfície específica: Feed, Reels ou recomendações.
Não misture anúncios patrocinados com recomendações orgânicas.
Registre, por exemplo, as primeiras trinta publicações apresentadas em uma sessão habitual.
Anote quantas são políticas, quantas não são e quais possuem orientação identificável.
Utilize categorias como direita, esquerda, centro, ambígua e não política.
Evite classificar uma publicação somente porque menciona determinada figura pública.
Uma reportagem jornalística não é necessariamente propaganda partidária.
Segundo dia — Registrando a rejeição
Utilize os comandos disponíveis para indicar que não deseja receber determinadas publicações.
Registre a data, o conteúdo e a ação utilizada.
Não é necessário armazenar informações pessoais de terceiros.
O importante é verificar se a plataforma aparentemente reconhece a preferência.
Terceiro dia — Examinando conteúdos semelhantes
Observe se novas publicações do mesmo assunto ou da mesma orientação continuam aparecendo.
Distinga conteúdos de páginas bloqueadas, conteúdos de novos autores e anúncios pagos.
Essa separação ajuda a evitar interpretações incorretas.
Quarto dia — Testando outro feed
Experimente utilizar a visualização de contas seguidas, quando disponível.
Compare com a superfície de recomendações.
A experiência poderá mudar bastante porque as fontes selecionadas são diferentes.
Mas um feed cronológico também não significa ausência completa de filtros ou decisões da plataforma.
Quinto dia — Comparando horários
Repita a observação em horários diferentes.
Uma mudança na distribuição pode decorrer de acontecimentos políticos, publicações recentes e atividade dos usuários.
Um único período não caracteriza necessariamente uma tendência duradoura.
Sexto dia — Examinando a persistência das preferências
Verifique se o conteúdo rejeitado diminuiu.
Considere também se a plataforma começou a recomendar novos autores com mensagens semelhantes.
Essa diferença é essencial para distinguir bloqueio de fonte e redução de categoria.
Sétimo dia — Produzindo o relatório
Calcule as proporções observadas.
Compare os resultados antes e depois das rejeições.
Anote limitações metodológicas.
Uma amostra individual não prova viés político global.
Entretanto, pode revelar problemas concretos de personalização e produzir informações úteis para uma reclamação técnica fundamentada.
O cuidado estatístico de Eta
Um erro comum seria concluir que a plataforma tem preferência partidária porque 60% das publicações políticas observadas pertencem a determinada orientação.
É necessário saber quais fontes estavam disponíveis, quais contas eram seguidas, como o conteúdo foi classificado e quais acontecimentos dominaram o noticiário.
Para demonstrar um viés algorítmico sistemático, pesquisadores precisam comparar situações equivalentes e controlar fatores externos.
O método científico exige paciência.
Até mesmo de Cid Kagenou.
⚖️ Capítulo XI — A diferença entre falha, viés e manipulação deliberada
Este talvez seja o capítulo mais importante de toda a investigação.
Imagine três situações.
Cenário A — Falha operacional
Uma atualização de software faz determinadas solicitações serem classificadas incorretamente.
Alguns usuários ou campanhas sofrem restrições indevidas.
A empresa identifica o defeito, corrige o programa e documenta o incidente.
Temos uma falha operacional.
Ela pode ter consequências graves sem que exista intenção política.
Cenário B — Viés estrutural
Um algoritmo aprende com padrões de interação.
Determinados tipos de conteúdo passam a receber mais circulação porque provocam comportamentos valorizados pelo sistema.
A empresa não precisa ter programado explicitamente uma preferência ideológica para que uma assimetria apareça.
Temos um possível viés estrutural.
Sua identificação exige dados e testes adequados.
Cenário C — Manipulação deliberada
Uma equipe recebe instruções para alterar regras especificamente com o objetivo de favorecer determinado candidato.
Os registros mostram mudanças seletivas, decisões conscientes e tratamento diferenciado injustificado.
Aqui estaríamos diante de evidências de manipulação intencional.
Mas uma acusação dessa gravidade exige provas compatíveis.
A mera presença de conteúdo partidário no feed não demonstra o cenário C.
Da mesma forma, a ausência de prova de intenção deliberada não significa que os problemas dos cenários A e B sejam irrelevantes.
A gravidade das consequências e a intenção de quem age são questões distintas.
Shadow Garden não deve confundir suspeita com prova, nem ausência de conspiração comprovada com ausência de responsabilidade empresarial.
🎩 Capítulo XII — O grande segredo: a inteligência artificial também precisa ser auditada
Durante décadas, os profissionais de mainframe aprenderam uma lição fundamental.
Sistemas críticos não podem depender apenas da confiança no fabricante ou no programador.
Precisam de controles, registros, segregação de funções, testes e auditorias.
Um programa bancário que processa pagamentos precisa produzir resultados corretos e verificáveis.
Um sistema de gestão de riscos precisa demonstrar como aplica suas regras.
Uma aplicação que registra informações sensíveis precisa proteger o acesso e preservar a integridade.
Agora pense nas plataformas digitais.
Elas não processam apenas dinheiro.
Processam atenção, reputação, circulação de informações e oportunidades de comunicação.
Quando o assunto envolve eleições, essas decisões podem assumir relevância democrática.
E aqui surge uma proposta interessante: aplicar princípios maduros de governança corporativa aos sistemas de recomendação.
Não seria necessário divulgar publicamente todos os detalhes internos dos algoritmos, expondo sistemas a fraudes ou ataques.
Mas seria desejável oferecer mecanismos independentes e seguros para verificar:
Se preferências explícitas são respeitadas.
Se conteúdos semelhantes recebem tratamento consistente.
Se mudanças de algoritmos são documentadas.
Se restrições eleitorais são aplicadas de maneira isonômica.
Se falhas podem ser reconstruídas posteriormente.
Se auditores autorizados conseguem examinar evidências sem comprometer dados pessoais.
O desafio não é pequeno.
Algoritmos modernos envolvem modelos estatísticos de alta complexidade, processamento distribuído e milhares de variáveis.
Entretanto, complexidade não deveria servir de justificativa automática para ausência de responsabilidade.
Uma curiosidade do mundo dos mainframes
Sistemas legados são frequentemente criticados por utilizar tecnologias antigas.
Mas muitos ambientes corporativos preservaram práticas robustas de controle justamente porque não podiam aceitar resultados impossíveis de reconstruir.
Um programa COBOL com décadas de existência pode oferecer uma trilha transacional cuidadosamente administrada.
Isso não significa que sistemas antigos sejam necessariamente superiores aos modernos.
Significa que a evolução tecnológica não elimina a necessidade de governança.
O futuro da inteligência artificial talvez dependa tanto de novos modelos quanto da recuperação de disciplinas tradicionais da engenharia de sistemas.
🥚 Easter Egg — O comando secreto de Shadow Garden
Nos antigos ambientes de processamento corporativo, códigos de retorno ajudam a comunicar o resultado de uma execução.
Em aplicações IBM, um código de retorno zero normalmente indica uma conclusão sem problemas detectados pelo programa.
Mas uma execução tecnicamente bem-sucedida não garante que a regra de negócio esteja correta.
Imagine um algoritmo que entrega recomendações perfeitamente, sem erros de infraestrutura, mas ignora sistematicamente uma preferência importante do usuário.
Do ponto de vista operacional, a tarefa pode terminar com sucesso.
Do ponto de vista da experiência do usuário, o resultado pode ser inadequado.
Cid observa a mensagem na tela:
RETURN-CODE = 0
Alpha pergunta:
— Missão cumprida, meu senhor?
Cid responde:
— O computador executou exatamente aquilo que lhe mandaram fazer. Ainda precisamos descobrir se mandaram fazer a coisa certa.
Essa é a verdadeira piada escondida nesta aventura.
Um sistema pode funcionar perfeitamente e produzir resultados indesejáveis porque o problema está na especificação, e não na execução.
É por isso que testes de software não devem verificar apenas se o código roda.
Também precisam verificar se a aplicação cumpre o propósito para o qual foi construída.
🌑 Epílogo — I Am Atomic: o poder de enxergar aquilo que permanece invisível
A investigação chegava ao fim.
Cid Kagenou estava diante de um imenso painel.
Milhões de publicações percorriam canais digitais.
Algumas informavam.
Outras entretinham.
Muitas disputavam atenção.
Nenhum cidadão conseguia acompanhar integralmente o processo que determinava quais mensagens receberia.
Alpha aproximou-se com o último relatório.
— Meu senhor, não encontramos provas suficientes de uma organização única controlando deliberadamente todas as recomendações políticas.
Cid permaneceu em silêncio.
— Mas encontramos sistemas de classificação complexos, assimetrias documentadas, falhas de moderação, mudanças empresariais e dificuldades de auditoria.
Cid sorriu.
— Então encontramos algo mais interessante do que uma conspiração.
— O quê, meu senhor?
— Um sistema cujo poder precisa ser compreendido.
Afinal, a verdadeira questão não é decidir antecipadamente se determinado algoritmo pertence à esquerda ou à direita.
É descobrir como ele seleciona informações, quais objetivos orientam suas decisões e quais mecanismos permitem identificar erros ou abusos.
O cidadão que bloqueia repetidamente conteúdos indesejados e continua recebendo mensagens semelhantes tem motivos legítimos para questionar a eficácia das ferramentas de personalização.
Mas transformar essa experiência em conhecimento exige observação, documentação e análise.
E a ciência já demonstrou que a circulação de notícias políticas nas redes pode apresentar assimetrias importantes.
As controvérsias brasileiras de 2026 reforçam a necessidade de fiscalização.
Por outro lado, demonstrar manipulação eleitoral deliberada exige evidências específicas que não podem ser substituídas por impressões ou resultados isolados.
A grande lição para o programador COBOL iniciante
Nunca confunda entrada de dados com compreensão da intenção.
Nunca confunda um bloqueio registrado com um bloqueio corretamente aplicado.
Nunca confunda uma execução sem erro com a validade da regra de negócio.
Nunca confunda um relatório agregado com a análise de cada incidente.
E, principalmente, nunca aceite que um sistema crítico seja considerado confiável apenas porque seus responsáveis afirmam que ele funciona.
O verdadeiro poder não está em controlar as sombras. Está em iluminar os processos que permitem que elas existam.
Cid Kagenou recolhe seu manto.
O terminal 3270 continua brilhando.
Na última linha aparece uma mensagem:
SHADOW GARDEN AUDIT COMPLETE
SYSTEM STATUS: REVIEW REQUIRED
RETURN-CODE: 0000
Cid sorri.
— I am atomic.
E o operador responde:
— Muito bem, Shadow. Agora documente a alteração, abra o chamado e não esqueça o backup!
☕ Fim de mais um café no Bellacosa Mainframe.
📚 Fontes e referências para aprofundamento
Ciência e algoritmos
González-Bailón, Sandra et al. Asymmetric Ideological Segregation in Exposure to Political News on Facebook. Science, 2023. DOI: https://doi.org/10.1126/science.ade7138
How Do Social Media Feed Algorithms Affect Attitudes and Behavior in an Election Campaign? Science, 2023. DOI: https://doi.org/10.1126/science.abp9364
Meta. How AI Influences What You See on Facebook and Instagram. 29 de junho de 2023.
Meta. More Speech and Fewer Mistakes. 7 de janeiro de 2025.
Eleições brasileiras de 2026
Agência Brasil. Campanha de Lula vai ao TSE após IA da Meta restringir buscas. 14 de outubro de 2026.
Agência Brasil. TSE decide manter ordem para Meta garantir isonomia a candidatos. 16 de outubro de 2026.
Tribunal Superior Eleitoral. Corregedor do TSE dá 24 horas para Meta e X explicarem possível tratamento desigual de candidaturas nas redes. 23 de outubro de 2026.
Meta. A Meta não está interferindo nas eleições brasileiras. Estes são os fatos. Atualização de 6 de novembro de 2026.
Anime
Aizawa, Daisuke. The Eminence in Shadow / Kage no Jitsuryokusha ni Naritakute!
Estúdio Nexus. Adaptação para anime, estreia em outubro de 2022.
Site oficial: https://shadow-garden.jp/
Bellacosa Mainframe — Porque até o algoritmo mais moderno precisa prestar contas ao velho e bom espírito da auditoria.
