A estimativa da USP de 71,9 mil participantes no ato de Flávio na Avenida Paulista, obtida com imagens aéreas e inteligência artificial, expõe um tema central para empresas: a IA já produz números que orientam decisões públicas e privadas, mas exige governança, validação e transparência metodológica para ser confiável.
Introdução contextual
Em outubro de 2026, a Universidade de São Paulo (USP) divulgou uma estimativa de 71,9 mil pessoas presentes em um ato político do pré-candidato Flávio na Avenida Paulista, em São Paulo. O dado ganhou relevância não apenas pelo contexto eleitoral, mas pelo método: a contagem foi realizada a partir de imagens aéreas processadas com apoio de inteligência artificial, conforme noticiado pelo Valor Econômico.
O episódio é um retrato de uma mudança estrutural: a IA deixou de ser um experimento de laboratório e passou a produzir números que circulam como fatos na esfera pública. Para o setor privado, a lição vai além da política. Trata-se de entender como algoritmos de visão computacional, modelos de contagem e pipelines de dados estão sendo usados para medir, prever e decidir — e quais riscos surgem quando esses resultados são tratados como verdades absolutas sem camadas adequadas de validação, auditoria e governança.
Nesta análise, a WSVP examina o caso sob a ótica executiva: o que aconteceu, por que importa para empresas, quais impactos tocam cibersegurança, governança, IA e continuidade de negócios, e quais recomendações práticas podem ser adotadas por organizações que já operam ou planejam operar modelos analíticos em escala.
O que aconteceu
Segundo a reportagem, a USP estimou em 71,9 mil o número de participantes do ato por meio de imagens aéreas da manifestação combinadas com o uso de inteligência artificial. A metodologia se apoia em técnicas de visão computacional para identificar e contar pessoas em áreas densamente ocupadas, um problema historicamente difícil de resolver com precisão por métodos manuais.
Vale destacar três elementos técnicos implícitos nesse tipo de abordagem:
- Aquisição de imagem: sobrevoos e captura aérea geram grandes volumes de dados visuais, que precisam ser georreferenciados e tratados para reduzir distorções de perspectiva.
- Processamento por IA: modelos de detecção de objetos e estimativa de densidade populacional convertem pixels em contagens, normalmente com margens de erro que dependem de calibração, oclusão, iluminação e qualidade do imageamento.
- Comunicação do resultado: o número final é apresentado ao público, muitas vezes sem detalhamento completo da margem de erro, das premissas e dos limites do modelo.
O caso também ocorre em um ambiente de crescente escrutínio sobre a confiabilidade de métricas geradas por IA. Contagens de multidões são sensíveis politicamente e, por isso, tendem a ser contestadas por diferentes atores. A existência de uma metodologia acadêmica e de uma instituição reconhecida agrega credibilidade, mas não elimina a necessidade de transparência sobre incertezas.
Por que isso importa para empresas
Para o mundo corporativo, o episódio funciona como um espelho. Empresas já utilizam IA para medir fluxo de clientes em lojas, ocupação de espaços, produtividade de equipes, risco de crédito, demanda por produtos e uma infinidade de indicadores operacionais. A diferença é que, no ambiente de negócios, esses números alimentam decisões de investimento, contratos, metas e reputação.
Quando um modelo de visão computacional estima a ocupação de um shopping, a densidade de uma fila ou o tráfego em uma loja, o resultado carrega as mesmas fragilidades metodológicas do caso da Paulista: margens de erro, vieses de amostragem, dependência de qualidade de imagem e sensibilidade a condições ambientais. Se a organização trata esse número como exato, decisões podem ser tomadas sobre bases frágeis.
Além disso, a notícia evidencia um fenômeno de legitimidade algorítmica: números produzidos por IA ganham aura de objetividade. Executivos, reguladores, jornalistas e o público tendem a aceitar resultados computacionais com menos questionamento do que aceitariam estimativas humanas. Esse efeito é perigoso quando não há documentação clara sobre como o número foi gerado, quais dados o alimentaram e quais limitações existem.
Há ainda uma dimensão de reputação e comunicação. Empresas que divulgam métricas baseadas em IA — seja em relatórios de sustentabilidade, resultados operacionais ou estudos de mercado — precisam estar preparadas para defender a metodologia diante de questionamentos de auditors, investidores e órgãos reguladores. A ausência de rastreabilidade pode transformar um indicador em passivo.
Impacto para cibersegurança, governança, IA ou continuidade
Governança de IA e dados
O caso reforça a necessidade de frameworks de governança de IA que cubram todo o ciclo de vida do modelo: definição do problema, aquisição e tratamento de dados, treinamento, validação, implantação, monitoramento e comunicação dos resultados. Organizações maduras já adotam princípios como explicabilidade, auditabilidade e gestão de riscos, mas a aplicação prática ainda é desigual.
Um ponto crítico é a documentação da margem de erro. No caso da contagem de multidões, a diferença entre 60 mil e 80 mil pessoas pode alterar a interpretação política de um evento. Nas empresas, a diferença entre uma estimativa de demanda e o valor real pode significar estoque parado ou ruptura. A governança precisa exigir que todo indicador baseado em IA venha acompanhado de intervalos de confiança e premissas explícitas.
Cibersegurança e integridade de dados
Modelos de visão computacional e pipelines de dados são superfícies de ataque. Imagens aéreas, vídeos e datasets de treinamento podem ser adulterados, corrompidos ou manipulados para produzir resultados enviesados. Ataques de data poisoning e manipulação de entrada são riscos reais para organizações que dependem de IA para decisões críticas.
Além disso, a coleta de imagens em espaços públicos levanta questões de privacidade e conformidade com a LGPD. Empresas que capturam imagens de clientes ou transeuntes precisam garantir base legal, finalidade específica e medidas de segurança adequadas. A integridade do dado é tão importante quanto a proteção do titular.
Continuidade de negócios
A dependência de modelos de IA para medir e decidir cria riscos de continuidade. Se um modelo falha, é descontinuado ou se torna indisponível, processos inteiros podem ser afetados. Organizações precisam de planos de contingência que incluam métodos alternativos de medição, validação humana e critérios claros de degradação controlada.
No caso de contagens de multidões, a ausência de um método de fallback — como amostragem manual calibrada — pode deixar a organização sem referência confiável em momentos críticos. O mesmo vale para empresas que automatizam decisões de crédito, precificação ou logística.
Leitura executiva da WSVP
A WSVP entende que o episódio da Avenida Paulista é sintomático de uma fase em que a IA já produz números com consequências reais, mas a maturidade organizacional para lidar com esses números ainda está em construção. A estimativa da USP é relevante porque combina rigor acadêmico com uma aplicação prática de visão computacional — e, ao mesmo tempo, expõe a tensão entre precisão técnica e comunicação pública.
Para empresas, a mensagem é clara: não basta ter IA; é preciso ter governança sobre o que a IA produz. Indicadores gerados por modelos devem ser tratados como estimativas, não como verdades. A confiança do mercado, de reguladores e da sociedade depende da capacidade de explicar como o número foi obtido, qual sua margem de erro e quais limites existem.
A WSVP observa também que a transparência metodológica tende a se tornar diferencial competitivo. Organizações que documentam seus modelos, publicam premissas e mantêm auditoria contínua estarão mais preparadas para responder a questionamentos e para capturar valor em um ambiente regulatório crescentemente exigente.
“A IA não elimina a incerteza; ela a desloca para o modelo. Governar IA é, antes de tudo, governar a incerteza.”
Recomendações práticas
- Documente a metodologia: para cada indicador baseado em IA, registre fontes de dados, premissas, margem de erro e limitações conhecidas.
- Estabeleça validação cruzada: combine métodos automatizados com amostragens manuais periódicas para calibrar modelos e detectar desvios.
- Implemente governança de IA: defina papéis, comitês de revisão, critérios de aprovação e monitoramento contínuo de modelos em produção.
- Reforce segurança de dados: proteja pipelines de treinamento e inferência contra manipulação, e garanta conformidade com a LGPD na captura de imagens e dados pessoais.
- Prepare planos de contingência: mantenha métodos alternativos de medição e critérios de fallback para quando modelos falharem ou forem descontinuados.
- Comunique com transparência: ao divulgar métricas baseadas em IA, inclua contexto sobre incerteza e evite apresentar estimativas como certezas.
- Capacite lideranças: treine executivos para interpretar resultados de IA com ceticismo saudável e para exigir evidências antes de decisões críticas.
Fontes consultadas
- Valor Econômico — USP estima que 71,9 mil pessoas participaram de ato de Flávio na Avenida Paulista
- ANPD — Autoridade Nacional de Proteção de Dados
- Universidade de São Paulo (USP)
Este rascunho foi produzido com apoio de inteligência artificial e ainda requer revisão humana antes da publicação.


