Você não tem uma conta no Facebook. Nunca criou uma. É cuidadoso: usa Signal, paga em dinheiro e lê as políticas de privacidade. Mesmo assim, o Facebook te conhece.
Não de um jeito qualquer, mas com um modelo probabilístico detalhado: sua faixa de renda, inclinações políticas, status de relacionamento, condições de saúde e até orientação sexual. Tudo construído a partir de dados que você nunca consentiu em fornecer, de uma plataforma na qual nunca se cadastrou.
O problema é o perfil sombra. Em 2026, ele deixou de ser uma preocupação de privacidade para se tornar uma infraestrutura de vigilância por IA em grande escala. Isso afeta praticamente todas as pessoas no planeta, tenham elas se cadastrado em algo ou não.
Perfis Sombra: a vigilância invisível
Um perfil sombra é um registro de dados construído sobre você a partir da atividade de outras pessoas. Quando um amigo carrega os contatos, seu número de telefone vai para a Meta. Se um colega de trabalho marca uma foto sua, seu rosto entra em um banco de dados de reconhecimento. Sua mera existência é confirmada.
Quando um site que você visita tem um pixel do Facebook, seu histórico de navegação — vinculado a uma "impressão digital" que mapeia você — é registrado. E isso acontece em larga escala:
- O sistema de atividade fora do Facebook da Meta coleta dados de 8,4 milhões de sites e aplicativos.
- Uma única sessão de navegação em sites de notícias, compras e saúde pode gerar mais de 50 pontos de dados que a Meta recebe antes mesmo de você fechar o navegador.
- O perfil sombra de uma pessoa média contém dados de 2.800 anunciantes, de acordo com uma investigação de 2021 do The Markup.
- Uploads de listas de contatos expuseram os números de telefone privados de milhões de pessoas que especificamente escolheram não fornecer essa informação à Meta.
Em 2018, durante um depoimento no congresso, Mark Zuckerberg confirmou que o Facebook cria perfis de "segurança" para não usuários. Um eufemismo cuidadoso para perfis sombra. Ele só revelou a informação porque foi questionado diretamente.
A coleta de dados brutos é a base. A superestrutura é a inferência, sistemas de IA que preveem atributos que você nunca divulgou a partir de informações que parecem não relacionadas.
A IA consegue inferir sobre você muito mais do que se imagina:
Orientação Política: Um estudo de 2013 na PNAS descobriu que apenas os Likes do Facebook podiam prever visões políticas com 85% de precisão. Em 2026, com mais uma década de dados de treinamento e modelos muito mais sofisticados, esse número é ainda maior. Você não precisa postar conteúdo político; suas preferências musicais, os negócios com os quais você interage e os eventos que participa servem como "proxies" para essa inferência.
Orientação Sexual: O estudo de Kosinski et al. de 2017 (publicado no Journal of Personality and Social Psychology) demonstrou que a IA poderia distinguir corretamente homens gays de héteros com 81% de precisão, e mulheres com 71% de precisão, baseando-se apenas em características faciais. Uma replicação de 2022 expandiu a descoberta para padrões de comportamento em mídias sociais. A pesquisa foi controversa na época, com eticistas a considerando prejudicial. No entanto, a capacidade tecnológica existe, independentemente do debate ético.
Estado de Saúde Mental: A própria pesquisa interna do Instagram (vazada nos documentos de Frances Haugen) mostrou que a plataforma sabia que seus algoritmos de recomendação estavam ligados à depressão e ansiedade em adolescentes. Esses mesmos padrões comportamentais — duração da sessão, engajamento de conteúdo, frequência de postagem, horário de postagem — podem ser usados para inferir o estado de saúde mental. Existem startups vendendo exatamente essa capacidade para seguradoras.
Vulnerabilidade Financeira: Padrões de compra, dados de localização e conexões de gráficos sociais permitem que as plataformas prevejam com alta precisão se alguém está prestes a perder um pagamento, está endividado ou financeiramente estressado. Esses dados são usados para direcionamento de anúncios, servindo produtos financeiros predatórios para pessoas vulneráveis em seus momentos mais críticos.
Gravidez: O algoritmo de previsão de gravidez do Target, infamemente preciso (detalhado por Charles Duhigg em 2012), usou mudanças nos padrões de compra para identificar clientes grávidas. Às vezes, antes mesmo de elas contarem aos familiares. Os pontos de dados incluíam compras de loção sem perfume, suplementos de cálcio e desinfetante para as mãos. Até onde a tecnologia de inferência de dados poderá ir?