A rápida expansão da inteligência artificial (IA) transformou de maneira estrutural os processos de tomada de decisão em áreas como saúde, educação, setor público e gestão ambiental. Longe de ser um conjunto neutro de ferramentas técnicas, a IA constitui hoje uma infraestrutura sociotécnica que incorpora valores, pressupostos normativos e relações de poder. Nesse contexto, emerge a abordagem Artificial Intelligence for Social Good (AI4SG), entendida como um marco teórico-prático orientado a alinhar o desenho, a implementação e a avaliação de sistemas de IA a objetivos explícitos de bem-estar social, equidade e sustentabilidade.
AI4SG (Artificial Intelligence for Social Good) pode ser definida como um campo de pesquisa e prática que busca aplicar os avanços e desenvolvimentos da inteligência artificial para enfrentar problemas sociais e melhorar o bem-estar dos indivíduos, da sociedade e do planeta como um todo.
AI4SG não se limita à aplicação de tecnologias avançadas a desafios sociais, mas propõe uma reorientação normativa da inovação algorítmica, integrando ética aplicada, governança e avaliação de impacto social como componentes estruturais do desenvolvimento tecnológico.
Do otimismo tecnológico à crítica algorítmica
A literatura crítica contemporânea tem demonstrado que a adoção indiscriminada de sistemas algorítmicos pode gerar efeitos adversos significativos. O’Neil (2016) documenta como modelos preditivos opacos, mesmo quando estatisticamente robustos, podem ampliar desigualdades e consolidar formas de exclusão estrutural. De forma complementar, Benjamin (2019) evidencia que os sistemas de IA tendem a reproduzir hierarquias raciais e sociais pré-existentes, configurando o que denomina New Jim Code.
Em uma perspectiva mais ampla, a IA é compreendida como um fenômeno material e político, cujo funcionamento depende de cadeias globais de extração de recursos, trabalho humano precarizado e concentrações assimétricas de poder (Crawford, 2021). Essas contribuições convergem ao destacar que a eficiência técnica não é um critério suficiente para avaliar a legitimidade social da IA, abrindo espaço conceitual para abordagens como a AI4SG.
Definição e alcance da AI4SG
Segundo Cowls (2022), a AI4SG pode ser definida como o conjunto de abordagens, metodologias e práticas voltadas à maximização do impacto social positivo da IA, ao mesmo tempo em que se minimizam riscos éticos, sociais e ambientais. Essa abordagem é caracterizada por três elementos fundamentais:
- Intencionalidade normativa: os objetivos sociais não são efeitos colaterais, mas finalidades explícitas do sistema.
- Centralidade do ser humano: a IA é concebida como suporte à deliberação e à decisão humanas, e não como substituta da responsabilidade moral.
- Avaliação de impacto: o desempenho do sistema é mensurado tanto em termos técnicos quanto sociais.
Nessa perspectiva, a AI4SG situa-se na interseção entre ciência de dados, ética da tecnologia e políticas públicas.
A literatura especializada converge em um conjunto de princípios que estruturam os projetos de AI4SG:
- Justiça e equidade algorítmica, por meio da identificação e mitigação de vieses.
- Transparência e explicabilidade, como condições para a confiança pública.
- Responsabilidade e prestação de contas, com definição clara de atores e papéis.
- Precaução e proporcionalidade, especialmente em contextos de alta vulnerabilidade.
- Impacto social verificável, para além da eficiência operacional.
Christian (2020) conceitualiza esse desafio como o problema do alinhamento, ressaltando que a adequação dos sistemas inteligentes aos valores humanos é simultaneamente um problema técnico, institucional e moral.
AI4SG em setores críticos: o caso da saúde e do setor público
A IA pode ser aplicada em diversos domínios para gerar impactos positivos sobre indivíduos, comunidades ou ecossistemas:
- Inclusão social: contribuição para a redução de desigualdades por meio de aplicações que facilitam a comunicação de pessoas com deficiência ou ferramentas que detectam vieses de gênero em processos de contratação e concessão de crédito.
- Saúde e bem-estar: utilização no diagnóstico de doenças (como sepse ou retinopatia diabética) a partir da análise de prontuários médicos e imagens. Também viabiliza a telemedicina, permitindo que a atenção em saúde alcance regiões remotas por meio de dispositivos móveis.
- Educação de qualidade: desenvolvimento de sistemas de aprendizagem personalizados (tutores inteligentes ou avatares) que se adaptam ao ritmo e às necessidades específicas de cada estudante.
- Agricultura e meio ambiente: emprego na agricultura de precisão com robôs que otimizam o plantio e a irrigação, bem como no monitoramento climático, na proteção da vida marinha e no combate à caça ilegal com o uso de drones e algoritmos de visão computacional.
De forma análoga, no setor público, a aplicação da IA à focalização de políticas sociais requer marcos de governança robustos para evitar a automatização acrítica de decisões de alto impacto social.
Análise da AI4SG a partir de uma perspectiva decolonial: limites epistêmicos e possibilidades emancipatórias
Sob uma perspectiva decolonial, a abordagem AI4SG exige uma problematização adicional que ultrapasse os marcos normativos dominantes da ética da IA. Seguindo Aníbal Quijano, a tecnologia moderna está indissociavelmente vinculada à colonialidade do poder, compreendida como um padrão histórico que articula conhecimento, economia e autoridade. Nesse sentido, a IA — inclusive aquela orientada ao “bem social” — não pode ser assumida como neutra ou universal.
A maioria dos sistemas de IA é projetada a partir de epistemologias e racionalidades técnicas próprias do Norte Global, o que implica que os problemas sociais e os critérios de otimização sejam frequentemente definidos a partir de referenciais externos aos contextos em que essas tecnologias são implementadas. Como adverte Walter Mignolo, esse processo reproduz uma forma de colonialidade do saber, na qual determinados conhecimentos são legitimados como universais enquanto outros são sistematicamente marginalizados.
Reflexão final
A Artificial Intelligence for Social Good constitui atualmente um marco indispensável para orientar o desenvolvimento da inteligência artificial em contextos de elevada complexidade social. Ao integrar ética, governança e crítica epistemológica, a AI4SG possibilita superar visões reducionistas da inovação tecnológica e avançar para uma concepção da IA como ferramenta a serviço do bem-estar coletivo. A incorporação de uma perspectiva decolonial amplia esse enfoque, lembrando que não pode haver verdadeiro “bem social” sem justiça epistêmica, contextualização cultural e participação efetiva das comunidades afetadas. O futuro da AI4SG dependerá, em última instância, da capacidade institucional de traduzir esses princípios em práticas concretas de desenho, regulação e avaliação.
Referências
Benjamin, R. (2019). Race after technology: Abolitionist tools for the new Jim code. Polity Press.
Christian, B. (2020). The alignment problem: Machine learning and human values. W. W. Norton & Company.
Coeckelbergh, M. (2020). AI ethics. MIT Press.
Cowls, J. (Ed.). (2022). Artificial intelligence for social good. Springer.
Crawford, K. (2021). Atlas of AI: Power, politics, and the planetary costs of artificial intelligence. Yale University Press.
O’Neil, C. (2016). Weapons of math destruction: How big data increases inequality and threatens democracy. Crown.
PhD. Wilmer Lopez Lopez – Marzo 2026
Deja una respuesta