IA redigindo leis: como governos usam ML para criar políticas

Trinta por cento dos textos de novas leis na Estônia já são redigidos com auxílio de inteligência artificial. O número, do relatório e-Estonia 2026, não é uma curiosidade de laboratório. É a nova realidade de governos que descobriram na IA uma aliada para acelerar a burocracia legislativa.

No Reino Unido, a ferramenta PolicyGPT cortou o tempo de análise de impacto regulatório de três semanas para dois dias (UK Government Digital Service, 2026). Esses exemplos mostram que a máquina não está só nos chats ou nos carros autônomos. Ela está redigindo parágrafos de projetos de lei e simulando consequências antes de uma proposta sequer chegar ao plenário.

Este artigo não é apenas um resumo de notícias. É um tutorial prático para você entender como essas ferramentas funcionam e como usar modelos abertos para simular o impacto de políticas públicas — sem depender de sistemas fechados de governos estrangeiros.

O que está mudando na redação de políticas

A ideia de "policy as code" — política pública como código — ganhou tração em 2026. Em vez de um assessor passar dias escrevendo um texto jurídico do zero, o sistema recebe inputs como objetivo da lei, público-alvo e restrições orçamentárias. O modelo de linguagem gera uma primeira versão.

Na Estônia, o processo é integrado ao sistema X-Road, a espinha dorsal digital do governo. O modelo é treinado com todo o arcabouço legal do país. Isso garante que a IA não invente artigos conflitantes com leis existentes. O resultado: 30% dos textos de novas leis já saem direto da máquina (e-Estonia 2026 report).

O Reino Unido foi além. O PolicyGPT não escreve a lei, mas analisa o impacto dela. Ele escaneia milhares de páginas de documentos, identifica riscos e sugere alterações. O tempo de análise caiu de 21 dias para 48 horas (UK Government Digital Service, 2026).

A máquina não substitui o legislador. Ela faz o trabalho pesado de compatibilidade e impacto. O humano decide o rumo político.

DeepMind, por sua vez, desenvolveu modelos de simulação para prever efeitos de políticas em áreas como saúde e educação. Eles rodam cenários com milhões de agentes sintéticos — uma população virtual que reage às mudanças propostas. O resultado orienta decisões antes do gasto real de dinheiro público.

Tutorial: como simular impacto de políticas com ferramentas abertas

Você não precisa ser um governo bilionário para fazer isso. Com modelos open-source e dados públicos, é possível montar uma simulação básica de impacto. Aqui vai um passo a passo realista.

1. Escolha o modelo de linguagem

Use o Llama 3 70B (Meta) ou o Mistral Large. Ambos são gratuitos e rodam localmente em hardware razoável. Eles têm capacidade de contexto suficiente para analisar documentos longos.

2. Defina a política a ser simulada

Pegue um texto real de projeto de lei. Exemplo: "Aumento da alíquota do imposto de renda para rendas acima de R$ 50 mil mensais de 27,5% para 35%." Escreva isso como um prompt estruturado.

3. Crie o prompt de simulação

O prompt deve conter: o texto da política, o objetivo declarado, e uma lista de variáveis a serem analisadas (arrecadação, consumo, desigualdade). Exemplo prático:

Analise o impacto da seguinte política:
"Nova alíquota de 35% para rendas acima de R$ 50 mil."
Objetivo: aumentar arrecadação em 15%.
Variáveis: arrecadação total, consumo das classes A e B, índice de Gini.
Formato de resposta: tabela com cenários otimista, neutro e pessimista.

4. Use um framework de agentes

Monte um sistema com três agentes: um economista, um sociólogo e um especialista em direito tributário. Cada um recebe o mesmo prompt, mas com um viés de papel. O modelo responde de perspectivas diferentes. Você cruza os resultados.

Ferramentas como LangChain ou AutoGen facilitam essa orquestração. O custo? Apenas processamento local ou API de modelos abertos.

5. Valide com dados reais

Para não ser apenas um exercício de ficção, compare as saídas com séries históricas. Use dados abertos do IPEA ou do IBGE. Se o modelo prevê um aumento de arrecadação de 10%, mas a elasticidade histórica é de 5%, você sabe que precisa ajustar os parâmetros.

Essa tabela é um exemplo de saída do sistema. Ela não substitui um estudo completo da Receita Federal, mas dá um norte rápido para o tomador de decisão.

Desafios éticos e riscos reais

Usar IA para criar políticas não é só vantagem. Há riscos sérios. O primeiro é o viés dos dados de treinamento. Se o modelo foi treinado com textos legais de um período de alta desigualdade, ele pode reproduzir esse viés nas sugestões.

Na Estônia, o governo treina os modelos com todo o acervo legislativo desde 1991. Isso inclui leis de transição pós-soviética, que podem conter conceitos ultrapassados. A equipe de curadoria revisa manualmente os textos de saída.

Outro risco é a falta de transparência. Se uma lei foi escrita por IA, quem responde por ela? O assessor que usou a ferramenta? O desenvolvedor do modelo? A legislação ainda não respondeu essa pergunta de forma clara.

O PolicyGPT do Reino Unido tem um recurso de "rastreabilidade": cada parágrafo gerado é acompanhado de uma referência aos documentos-fonte. Isso permite que o humano verifique a origem da sugestão. Mas nem todos os governos adotam esse padrão.

Uma política pública não pode ser uma caixa-preta. Se a IA decide, o cidadão tem o direito de saber como e por quê.

Por fim, há o risco de simulação excessiva. Governos podem cair na tentação de rodar infinitos cenários e nunca decidir. A ferramenta deve acelerar, não paralisar.

Conclusão: o legislador aumentado

A inteligência artificial na criação de políticas públicas não é ficção científica. É uma ferramenta real, usada por governos reais, com resultados mensuráveis. A Estônia reduziu o tempo de redação de leis. O Reino Unido cortou semanas de análise regulatória. DeepMind simula impactos antes de qualquer gasto.

O tutorial que você acabou de ver mostra que isso não está restrito a gabinetes bilionários. Com modelos abertos e dados públicos, qualquer equipe de policy pode montar um sistema de simulação. O segredo está em prompts bem estruturados, agentes com papéis definidos e validação com dados históricos.

A política pública continua sendo um ato humano. Mas o humano, agora, pode ser aumentado por máquinas que processam, analisam e simulam em escala que nenhum cérebro sozinho alcança. O próximo passo é garantir que esse aumento seja ético, transparente e a serviço do interesse público.

Artigos Relacionados

• A Crise de Segurança dos Agentes de IA em 2026: 30 Mil Instâncias Expostas, 1,5 Milhão de Tokens Vazados e o que Isso Significa para Você
• Deepfake em Tempo Real: A Nova Ameaça às Eleições de 2026 e Como se Proteger
• 63 Dias para Evitar €15 Mi em Multas: Guia Prático das Regras de Transparência do EU AI Act