A Anthropic publicou em 14 de outubro de 2026 um relatório explicando como reforçou suas salvaguardas eleitorais antes das midterms dos Estados Unidos de 2026. O ponto mais útil para quem opera IA no Brasil não é a política americana em si, mas o método: a empresa mediu como as pessoas realmente usam o assistente em temas políticos, definiu o que considera uso indevido e publicou os números. É um exemplo de transparência operacional que qualquer fornecedor de IA pode seguir.
A ideia central é simples e vale para o seu projeto: antes de discutir regras, meça o uso. Saber qual fração das conversas trata de política, de eleições e de pedidos de recomendação de voto muda a conversa de opinião para dado. Este texto foca no método de medição e nas salvaguardas do fornecedor, não na legislação eleitoral brasileira nem nas regras do TSE, que são assunto de outra análise.
Resumo rápido
- A Anthropic analisou 250.000 conversas de uma semana (21 a 27 de setembro de 2026) para entender o uso político do Claude nos Estados Unidos.
- Conversas sobre política, políticas públicas ou questões sociais somam cerca de 5,75% do total nos EUA no Claude.ai; as especificamente sobre eleições ou votação são cerca de 0,51%.
- Pedidos de indicação de voto apareceram em cerca de 0,01% das conversas; violações das políticas de integridade eleitoral em cerca de 0,002%.
- O método combina medição contínua, política de uso publicada, testes externos independentes e classificação de abuso automatizada.
- Para quem opera IA no Brasil, o valor está no processo replicável: medir, definir política, publicar dados e testar antes de um período de alta demanda.
O que a Anthropic publicou e por que isso importa
O relatório não é um comunicado de marketing sobre um produto novo. Ele descreve um ciclo de trabalho que envolve quatro peças: medição do uso real, política de uso explícita, testes de viés e de abuso, e transparência dos achados. Cada peça existe porque a anterior revelou um problema concreto.
Segundo a página oficial, a Anthropic queria que o Claude fosse útil em conversas políticas sem virar ferramenta de abuso eleitoral. Para isso partiu de uma pergunta básica que muita empresa esquece de responder: as pessoas realmente usam o assistente para isso, e quanto? A resposta veio de uma análise de 250.000 conversas de uma semana. Os números são baixos, e esse detalhe é o que muda a estratégia de salvaguarda.
Para um fornecedor que opera no Brasil, esse recorte importa porque o medo costuma ser maior que o fenômeno. Quando você mede, descobre se precisa de uma máquina pesada de moderação ou de salvaguardas pontuais bem calibradas. Vale ver como o Claude se posiciona no mercado no nosso guia de integrações com o Anthropic Claude.
Os números do relatório: como interpretar cada um
A tabela abaixo reúne as quatro medidas publicadas. Todas se referem a conversas no Claude.ai nos Estados Unidos durante a semana de 21 a 27 de setembro de 2026, com classificação feita por um método que preserva a privacidade. Leia cada número pela ordem de grandeza, não pelo decimal.
| Indicador | Fração das conversas (EUA) | O que mede |
|---|---|---|
| Conversas sobre política, políticas públicas ou questões sociais | cerca de 5,75% | Interesse amplo: acompanhar notícias, pesquisar políticas públicas, aprender sobre candidatos, navegar serviços do governo |
| Conversas especificamente sobre eleições ou votação | cerca de 0,51% | O recorte eleitoral dentro do universo político |
| Pedidos de indicação de voto | cerca de 0,01% | Pessoas pedindo ao assistente em quem ou no que votar |
| Conversas que violaram as políticas de integridade eleitoral | cerca de 0,002% | Uso indevido confirmado, o que a política proíbe |
A leitura importante está na distância entre 5,75% e 0,002%. O uso político é comum e majoritariamente informativo: entender eventos geopolíticos, pesquisar candidatos, redigir documentos, ajudar em trabalhos acadêmicos, pesar argumentos. O abuso é raro. Isso permite separar o que precisa de resposta forte (abuso coordenado) do que precisa de resposta leve (curiosidade política legítima).
O método por trás dos números
O que torna o relatório útil para quem trabalha com IA é o processo, não o resultado americano. Ele pode ser dividido em cinco etapas que qualquer equipe consegue adaptar.
1. Medir o uso real antes de opinar
A Anthropic usou a ferramenta Anthropic Insights para classificar uma amostra aleatória de conversas de consumo sem ler o conteúdo individual. A classificação agrupou as conversas de baixo para cima, ou seja, deixou os temas surgirem dos dados em vez de partir de categorias pré-definidas. O método de privacidade usado nesse processo está descrito publicamente.
2. Definir o que é uso indevido, com exemplos
A empresa mantém uma Política de Uso que proíbe enganar eleitores ou perturbar eleições, de espalhar informação falsa sobre candidatos a se passar por autoridades eleitorais. O que mudou no relatório de 2026 foi a clareza: a política passou a dizer o que as regras eleitorais cobrem e o que não cobrem, com exemplos novos. Política vaga não é política.
3. Testar com terceiros independentes
A Anthropic contratou grupos externos para avaliar como o Claude lida com temas controversos e com liberdade de expressão, cada um com metodologia diferente. Isso reduz o problema de medir o próprio desempenho com a própria régua. Um bom teste externo encontra falhas que o teste interno esconde.
4. Testar também o abuso, não só o viés
Com o Institute for Strategic Dialogue e o McCain Institute, a empresa testou se o modelo ajudaria em campanha enganosa, desinformação e outras formas de abuso eleitoral, em três países (Estados Unidos, Israel e Brasil). O achado mais revelador foi que o modelo recusava bem um pedido nocivo isolado, mas podia deixar passar uma campanha maliciosa dividida em muitas tarefas aparentemente inofensivas.
5. Publicar os achados e as lacunas
O relatório admite limitações: modelos às vezes adicionam ressalvas não solicitadas, e uma versão avaliada não equilibrava sempre as respostas entre posições políticas. Publicar a própria fraqueza é parte do método, porque é o que permite que terceiros cobrem melhoria.
O que o relatório revela sobre abuso multi-etapas
O insight mais transferível do relatório para o Brasil não é a estatística, é a descoberta sobre padrão de ataque. Um pedido claramente malicioso é fácil de barrar. O problema é a campanha desmontada em pedaços: pesquisa de público, criação de site, redação de conteúdo, planejamento de distribuição. Cada pedaço parece benigno sozinho.
A resposta da Anthropic foi adicionar classificadores para detectar abuso novo e multi-etapas, como tentativas de montar contas falsas de redes sociais e sites de notícia voltados a discussão política, além de ampliar a detecção de abuso por atores estatais estrangeiros. A lição prática: sua salvaguarda precisa olhar o padrão de uso ao longo do tempo, não só a requisição individual. Isso se conecta ao que discutimos em permissões de agentes de IA, onde o risco mora na sequência de ações, não em uma ação isolada.
Fontes de informação confiável durante o período eleitoral
Outra peça do relatório é o encaminhamento para fonte oficial. Quando alguém pergunta ao Claude sobre registro de eleitor, local de votação ou datas de eleição, o assistente exibe um aviso com link para o TurboVote, recurso não partidário da Democracy Works. A partir de outubro de 2026, o Claude passou a trazer informações oficiais de votação da Democracy Works diretamente na resposta para usuários nos Estados Unidos, incluindo resultados eleitorais na noite da apuração.
A ideia por trás disso é reaproveitável em qualquer país: quando o assistente não é a fonte autorizada, ele deve apontar para quem é. Em vez de o modelo tentar responder sobre cartório eleitoral, prazos ou documentos, ele entrega o dado oficial vindo de uma fonte pública e verificável. Isso reduz a superfície de erro sem proibir a conversa.
| Estratégia | Como funciona | Risco que reduz |
|---|---|---|
| Aviso com link para fonte externa | Nota fixa com recurso não partidário quando o tema aparece | Resposta inventada sobre regras e datas |
| Resposta com dado oficial integrado | Dados públicos de votação entram na resposta, no idioma do usuário | Usuário sair da conversa e cair em fonte ruim |
| Recusa orientada a política | O modelo deixa de recomendar voto e explica por quê | Influência indevida e captura de preferência |
Como medir viés político sem cair na armadilha da régua própria
A Anthropic testa seus modelos para viés político antes de cada lançamento, com uma avaliação de imparcialidade. Segundo a página, os modelos citados no relatório foram os mais equilibrados até então. Mas a própria empresa reconhece que a avaliação tem limites e por isso trouxe avaliadores externos.
Para quem implanta IA no Brasil, a lição é dupla. Primeiro, meça com um conjunto fixo de perguntas comparáveis, do tipo par de perguntas espelhadas, uma de cada lado do espectro. Segundo, não confie só no seu próprio teste: convide alguém de fora para tentar quebrar o sistema. Um teste desenhado por quem construiu o produto tende a medir o que já funciona. Esse princípio é o mesmo dos nossos guias de como testar um agente de IA e de como reduzir alucinação.
O que uma empresa brasileira pode replicar para o período eleitoral
A pergunta prática: como uma empresa que opera um assistente de IA no Brasil pode usar o mesmo método para se preparar para um período eleitoral, sem afirmar nada sobre regras do TSE? A resposta está em copiar o processo, não o conteúdo. O conteúdo é a lei brasileira, que é assunto de quem cuida de conformidade. O processo é este:
- Medir o uso antes. Rode uma amostra das conversas do seu assistente e classifique por tema, do jeito que a Anthropic fez. Descubra qual fração toca em política, eleições e pedidos de recomendação. Sem esse número, você não sabe qual problema tem.
- Escrever a política de uso. Defina por escrito o que seu assistente não faz em período eleitoral, com exemplos. Política sem exemplo não orienta o modelo nem a equipe.
- Encaminhar para fonte oficial. Quando o assunto for regra eleitoral, o assistente aponta para o órgão competente em vez de responder de memória. Aqui o órgão é brasileiro, mas o desenho é o mesmo.
- Testar com gente de fora. Peça a alguém de outra equipe para tentar fazer o assistente errar em tema político. Registre o que funcionou.
- Olhar o padrão, não só a mensagem. Monitore sequências de uso, não só requisições isoladas, porque abuso coordenado se esconde em passos separados.
- Publicar o que encontrar. Um resumo periódico do uso e dos incidentes constrói confiança e força a equipe a manter o processo vivo.
Nada aqui exige afirmar o que a Justiça Eleitoral manda ou proíbe. Exige disciplina operacional: medir, escrever, testar, publicar. É a diferença entre reagir a um problema imaginado e responder a um problema medido.
Exemplo: um assistente de atendimento que se prepara para o período eleitoral
Considere uma software house em Belo Horizonte que mantém um assistente de IA para pequenos negócios responderem dúvidas de clientes no WhatsApp e no site. O assistente não é político, mas a empresa percebe que, em ano eleitoral, alguns usuários começam a fazer perguntas de outra natureza: sobre prazos, documentos, onde consultar informação. A equipe quer se preparar sem prometer nenhuma regra.
O caminho é copiar o método da Anthropic na escala dela. Primeiro, mede: extrai uma amostra de conversas das últimas semanas e classifica por tema, para saber se o volume político é relevante. Depois, escreve uma política curta dizendo o que o assistente faz e o que não faz nesse terreno, com exemplos de pedidos que ele deve recusar e de pedidos que ele pode atender. Em seguida, configura o assistente para, em temas de regra eleitoral, apontar para o canal oficial em vez de responder. Por fim, pede a um colega de outra equipe que tente arrancar do assistente uma resposta indevida, e registra os casos em que ele cedeu.
O resultado não é um produto político, é um produto confiável. A empresa não precisou opinar sobre a lei nem inventar número nenhum. Seguiu o mesmo roteiro que um fornecedor grande usa: medir o uso, definir a política, apoiar-se em fonte oficial, testar com terceiros. O exemplo é ilustrativo e não traz números de resultado, porque números reais dependem de cada operação.
Erros comuns
- Reagir sem medir. Criar uma máquina pesada de moderação antes de saber se o tema aparece. A Anthropic mediu primeiro e só então calibrou a resposta.
- Política vaga. Escrever “não tratamos de política” sem exemplos. O modelo não sabe o que fazer, e a equipe também não. Defina casos concretos.
- Testar só a requisição isolada. Bater bem um pedido nocivo único e deixar passar a campanha dividida em tarefas inofensivas. Olhe o padrão ao longo do tempo.
- Medir o próprio desempenho com a própria régua. Sem avaliação externa, você valida o que já funciona e não encontra a falha real.
- Responder de memória sobre regra oficial. Quando existe fonte autorizada, encaminhe para ela em vez de arriscar uma resposta desatualizada.
- Confundir salvaguarda com censura. O relatório mostra que a maior parte do uso político é informativo e legítimo. Bloquear tudo empobrece o produto sem reduzir risco real.
- Não publicar nada. Sem relatório, ninguém sabe o que foi medido nem o que foi corrigido, e o processo morre na primeira semana difícil.
Perguntas frequentes
O que exatamente a Anthropic mediu no relatório?
Uma amostra aleatória de cerca de 250.000 conversas no Claude.ai nos Estados Unidos, de 21 a 27 de setembro de 2026. A partir dela, calculou a fração de conversas sobre política, sobre eleições, com pedido de indicação de voto e com violação das políticas de integridade eleitoral.
Os números se aplicam ao Brasil?
Não. As frações descrevem conversas de usuários nos Estados Unidos durante aquela semana. Elas servem como referência de método, não como previsão do comportamento no Brasil, onde o perfil de uso e o calendário eleitoral são diferentes.
Isso tem relação com as regras do TSE?
Não diretamente. O relatório trata das salvaguardas de um fornecedor de IA, não da legislação eleitoral brasileira. Regras oficiais de campanha e propaganda são assunto de fonte própria, e este texto evita afirmar qualquer regra nesse sentido.
Uma empresa pequena consegue replicar esse método?
Consegue, em escala menor. O essencial é medir uma amostra de uso, escrever uma política com exemplos, encaminhar temas oficiais para a fonte competente, pedir a alguém de fora para testar e registrar os achados. Não exige a infraestrutura de uma empresa grande.
Por que o abuso multi-etapas é o ponto mais difícil?
Porque cada pedido isolado parece inofensivo, então a salvaguarda que olha só a requisição individual não o detecta. É preciso observar o padrão de uso ao longo do tempo e treinar detecção para campanhas divididas em partes.
Publicar as próprias falhas não prejudica a empresa?
O relatório mostra o contrário. Ao admitir limitações, como respostas com ressalvas não solicitadas e um caso de equilíbrio imperfeito, a empresa cria a base para melhoria verificável por terceiros. Transparência é o que permite que a correção seja cobrada.
Fontes e leitura recomendada
- Anthropic: Preparing for the 2026 US midterms (fonte primária dos números)
- Anthropic: atualização da Política de Uso de 2026
- Anthropic: Usage Policy (regras de integridade eleitoral)
- Anthropic: relatório de threat intelligence de setembro de 2026
- Anthropic: método de classificação que preserva a privacidade
- Anthropic: avaliação de imparcialidade política
- Democracy Works (TurboVote): recurso não partidário de informação de votação
