Reconhecimento facial na segurança pública

Reconhecimento facial na segurança pública
Como a tecnologia localiza foragidos, e por que eficiência sem regras pode transformar vigilância em risco

Paulo Henrique Medeiros de Amorim
Policial Penal Federal • Escritor • Autor de Guerra Assimétrica
Julho de 2026

SEGURANÇA PÚBLICA • BIOMETRIA • INTELIGÊNCIA ARTIFICIAL • DIREITOS FUNDAMENTAIS

Resumo

Este artigo examina o uso do reconhecimento facial na segurança pública brasileira a partir de uma pergunta central: como aproveitar sua capacidade de localizar pessoas procuradas e desaparecidas sem converter o espaço público em um ambiente de vigilância permanente e pouco controlada? A análise combina abordagem técnico-operacional, jurídico-constitucional e crítico-comparativa. Explica-se o funcionamento do sistema, captura da imagem, extração de características biométricas, comparação com listas de interesse, definição de limiar de similaridade, geração de alerta e confirmação humana, e demonstram-se os limites do resultado algorítmico, que é probabilístico e não equivale, por si só, à prova de identidade. O texto reconhece resultados oficiais relevantes: na Bahia, 2.060 foragidos foram detidos com auxílio da tecnologia em 2025; em São Paulo, o Smart Sampa alcançou 50 mil câmeras conectadas. Ao mesmo tempo, sustenta-se que números de capturas, isoladamente, não permitem avaliar precisão, proporcionalidade ou impacto discriminatório. À luz da Constituição Federal, da Lei Geral de Proteção de Dados, dos projetos legislativos em tramitação e de parâmetros internacionais, defende-se um modelo de governança baseado em finalidade específica, necessidade, supervisão humana, auditoria independente, transparência, segurança da informação, contestação e responsabilização. A conclusão é que o reconhecimento facial pode ser instrumento legítimo de segurança, mas somente quando a tecnologia permanece subordinada ao Direito, e nunca o contrário.

Palavras-chave: reconhecimento facial; segurança pública; biometria; inteligência artificial; proteção de dados; devido processo; vigilância.

TESE CENTRAL O reconhecimento facial pode aumentar a capacidade do Estado de localizar pessoas procuradas e desaparecidas. Mas eficiência operacional não substitui legalidade. Sem finalidade delimitada, base de dados confiável, confirmação humana, auditoria, transparência e direito de contestação, a ferramenta deixa de ser apoio à investigação e passa a produzir suspeição automatizada em escala.

1. Introdução — quando o rosto vira dado e o espaço público vira sensor

Uma pessoa atravessa uma estação de metrô a caminho do trabalho. Não cometeu infração, não foi abordada e talvez nem perceba a câmera instalada acima da catraca. Em poucos segundos, porém, seu rosto pode ser detectado, convertido em uma representação matemática e comparado com milhares de imagens armazenadas em uma lista de interesse policial. Na maioria das vezes, nada acontece. Em outra situação, o mesmo processo pode ajudar a localizar um homicida foragido, uma criança desaparecida ou uma pessoa idosa desorientada. Também pode gerar um alerta equivocado e transformar um cidadão inocente em suspeito diante de todos.

É justamente essa dupla capacidade, proteger e constranger, que torna o reconhecimento facial uma das tecnologias mais sensíveis da segurança pública contemporânea. O debate não pode ser reduzido a duas posições simplistas: de um lado, a celebração acrítica de qualquer captura; de outro, a rejeição automática de toda inovação. A questão juridicamente relevante é outra: em quais hipóteses, com quais limites, sob qual supervisão e com quais garantias o Estado pode identificar pessoas à distância em espaços públicos?

O problema investigado neste artigo pode ser formulado da seguinte maneira: os resultados operacionais já apresentados no Brasil são suficientes para legitimar a expansão do reconhecimento facial, ou a ausência de uma governança nacional uniforme cria riscos desproporcionais à privacidade, à igualdade, à liberdade de circulação e ao devido processo legal?

A hipótese defendida é que a tecnologia pode ser legítima e útil quando empregada como ferramenta auxiliar de localização, sobre bases restritas, atualizadas e vinculadas a finalidades determinadas, com confirmação humana e documental antes de qualquer medida coercitiva. Torna-se institucionalmente perigosa quando opera de forma opaca, indiscriminada e sem métricas públicas de erro. A metodologia adotada é documental, jurídico-normativa e crítico-comparativa, com análise de dados oficiais da Bahia e de São Paulo, da legislação brasileira, de pesquisas técnicas do NIST e do regime europeu de inteligência artificial.

2. Como funciona — a máquina não “reconhece” como uma pessoa

O termo “reconhecimento facial” sugere uma certeza que o sistema, tecnicamente, não oferece. A câmera não compreende quem está diante dela. O software mede padrões visuais e calcula a probabilidade de duas imagens pertencerem à mesma pessoa. O resultado é uma pontuação de similaridade, não uma declaração jurídica de identidade.

Quadro 1 — Etapas essenciais do reconhecimento facial aplicado à segurança pública

Etapa	O que ocorre	Risco principal
1. Captura	Uma câmera registra quadros de vídeo em ambiente público ou controlado.	Baixa qualidade, ângulo, luz, movimento ou oclusão.
2. Detecção	O sistema localiza a região do rosto dentro da imagem.	Confundir objetos, rostos parciais ou múltiplas pessoas.
3. Template biométrico	Características faciais são convertidas em um vetor matemático.	Modelo inadequado, vazamento ou reutilização indevida.
4. Comparação	O vetor é comparado com uma base autorizada de pessoas de interesse.	Base desatualizada, fotografia ruim ou lista excessivamente ampla.
5. Limiar	O gestor define a pontuação mínima para gerar um possível match.	Limiar baixo aumenta falsos alertas; alto pode perder correspondências.
6. Alerta	O sistema apresenta um candidato ao operador.	Viés de automação: confiar demais na indicação da máquina.
7. Confirmação	Equipe verifica identidade, situação judicial e validade da ordem.	Abordar ou prender sem checagem independente suficiente.

Existem dois usos técnicos distintos. Na verificação 1:1, o sistema responde se o rosto apresentado corresponde a uma identidade previamente informada, como no desbloqueio de um celular. Na identificação 1:N, empregada em videomonitoramento, uma imagem é comparada com muitas outras. Quanto maior a base e pior a qualidade das imagens, maior a complexidade da tarefa e mais importante se torna a validação humana.

Dois erros precisam ser compreendidos. O falso negativo ocorre quando o sistema deixa de apontar uma pessoa que estava na base. O falso positivo ocorre quando aponta, como provável correspondência, alguém que não é a pessoa procurada. Na segurança pública, o falso negativo reduz a eficiência; o falso positivo pode produzir abordagem indevida, exposição pública, atraso, constrangimento e, no limite, privação injusta da liberdade.

REGRA OPERACIONAL INDISPENSÁVEL Um alerta algorítmico deve ser tratado como hipótese de verificação. Não é mandado de prisão, não é prova autônoma de identidade e não pode substituir a conferência humana, documental e judicial.

3. Da experiência-piloto à infraestrutura urbana

3.1 Bahia — escala, continuidade e recorde de capturas

A Bahia utiliza reconhecimento facial na segurança pública desde dezembro de 2018 e tornou-se a experiência estadual mais contínua do país. O Relatório de Gestão 2025 da Secretaria da Segurança Pública informa que 2.060 foragidos da Justiça foram detidos com auxílio da ferramenta, contra 1.132 em 2024, crescimento de 81,98%. O sistema foi utilizado em 66 eventos ao longo de 2025, incluindo festas populares e grandes concentrações, e já alcançava mais de 80 municípios.

O resultado é relevante. Localizar uma pessoa com mandado válido em meio a milhares de cidadãos pode reduzir tempo de busca, permitir planejamento da abordagem e evitar diligências mais invasivas. Em um carnaval, por exemplo, o alerta pode direcionar uma equipe treinada para confirmar discretamente a identidade, verificar o mandado e realizar a captura sem transformar toda a multidão em alvo de revista generalizada.

Contudo, o crescimento do número de prisões não mede sozinho a qualidade do sistema. A expansão das câmeras, das cidades atendidas, dos eventos monitorados e das bases comparadas também aumenta a quantidade de oportunidades de detecção. Para avaliar precisão, seria necessário publicar o número total de alertas, quantos foram confirmados, quantas abordagens não resultaram em identificação, a incidência de mandados vencidos ou baixados e a distribuição dos erros por grupos demográficos.

3.2 Smart Sampa — integração pública e privada em grande escala

Em São Paulo, o Smart Sampa atingiu, em 2026, 50 mil câmeras conectadas: 20 mil pertencentes à Prefeitura e aproximadamente 30 mil integradas de parceiros públicos e privados. Segundo informações municipais, o programa já havia contribuído para a captura de mais de 3,2 mil foragidos, mais de 5,8 mil prisões em flagrante e a localização de 228 pessoas desaparecidas.

O modelo paulistano demonstra que reconhecimento facial não é apenas um software. É uma infraestrutura de dados que reúne câmeras, redes privadas, centrais de comando, operadores, listas de pessoas procuradas, registros de ocorrências e protocolos de resposta. Quanto maior a integração, maior o potencial operacional, e também maior a necessidade de delimitar acesso, guarda, compartilhamento, segurança cibernética e responsabilidade dos fornecedores.

Quadro 2 — Experiências brasileiras: resultados e lacunas de avaliação

Experiência	Escala oficial divulgada	Resultado destacado	Lacuna pública relevante
Bahia	Mais de 80 cidades; uso em 66 eventos em 2025.	2.060 detenções com auxílio da tecnologia em 2025.	Total de alertas, falsos positivos, abordagens descartadas e métricas demográficas.
Smart Sampa	50 mil câmeras: 20 mil públicas e 30 mil integradas.	Mais de 3,2 mil foragidos, 5,8 mil flagrantes e 228 desaparecidos localizados.	Separação metodológica dos resultados, auditoria do reconhecimento facial e governança das câmeras privadas.

4. Eficiência: capturar mais é importante, mas não basta

Na administração pública, aquilo que não é medido adequadamente tende a ser interpretado de forma conveniente. O número de capturas é um indicador de produtividade, mas não demonstra, por si só, acurácia, economicidade, proporcionalidade ou impacto sobre a segurança. Um programa pode prender muitos foragidos e, ao mesmo tempo, gerar centenas de alertas equivocados que nunca aparecem no relatório oficial.

Para avaliar uma política de reconhecimento facial, o Estado deveria divulgar, ao menos: quantidade de imagens processadas; tamanho e origem da lista de interesse; número de alertas; taxa de confirmação; falsos positivos; falsos negativos identificados posteriormente; tempo médio entre alerta e confirmação; abordagens sem resultado; mandados inválidos ou já cumpridos; desempenho por faixa etária, sexo e raça/cor, quando juridicamente e metodologicamente possível; custos; incidentes de segurança; reclamações e medidas corretivas.

PONTO METODOLÓGICO O dado “2.060 capturas” mostra produtividade. Sem o denominador, total de alertas, verificações e erros, não é possível calcular a precisão operacional nem avaliar se o custo humano das abordagens indevidas está sendo adequadamente controlado.

Esse cuidado não diminui o trabalho policial. Ao contrário: métricas transparentes protegem o profissional que atua corretamente, permitem corrigir equipamentos deficientes, qualificam a escolha de fornecedores e evitam que um erro tecnológico seja atribuído, injustamente, à equipe que recebeu um alerta mal calibrado.

5. O enquadramento jurídico — segurança pública também deve obedecer a direitos fundamentais

5.1 O dever de proteger não elimina o dever de limitar o poder

A Constituição atribui ao Estado o dever de preservar a ordem pública e a incolumidade das pessoas e do patrimônio. Ao mesmo tempo, protege intimidade, vida privada, imagem, igualdade, liberdade, devido processo legal e, desde a Emenda Constitucional nº 115/2022, o direito fundamental à proteção de dados pessoais. Não existe contradição inevitável entre segurança e direitos. A função do Direito é impedir que um valor seja utilizado para apagar o outro.

O reconhecimento facial é especialmente sensível porque o rosto não pode ser substituído como uma senha. Uma credencial vazada pode ser alterada; a biometria acompanha a pessoa por toda a vida. Além disso, a coleta ocorre, muitas vezes, sem ação consciente do titular: basta caminhar diante de uma câmera.

5.2 A exceção da LGPD não é autorização irrestrita

A Lei nº 13.709/2018 classifica o dado biométrico vinculado a uma pessoa natural como dado pessoal sensível. Contudo, o art. 4º, III, exclui do regime ordinário da LGPD os tratamentos realizados para fins exclusivos de segurança pública, defesa nacional, segurança do Estado e investigação ou repressão de infrações penais. Essa exclusão não cria uma área sem Direito. O § 1º do mesmo artigo determina que essas atividades sejam regidas por legislação específica, com medidas proporcionais e estritamente necessárias ao interesse público, observância do devido processo legal, dos princípios gerais de proteção e dos direitos do titular.

A lei também restringe o tratamento por empresas privadas: ele somente pode ocorrer sob tutela de pessoa jurídica de direito público e dentro dos limites legais. Esse ponto é decisivo em programas que integram câmeras particulares, plataformas contratadas e serviços em nuvem. Terceirizar tecnologia não significa terceirizar responsabilidade constitucional.

Até julho de 2026, o Brasil ainda não havia aprovado uma lei nacional completa para o tratamento de dados em segurança pública. O Projeto de Lei nº 1.515/2022, que busca instituir disciplina específica para esse campo, permanecia aguardando parecer na Comissão de Ciência, Tecnologia e Inovação da Câmara. O Projeto de Lei nº 2.338/2023, marco geral da inteligência artificial aprovado pelo Senado em 2024, seguia em análise por comissão especial na Câmara. Há, portanto, um vácuo normativo qualificado: normas constitucionais e setoriais existem, mas faltam regras nacionais detalhadas e uniformes para biometria policial em espaços públicos.

5.3 O alerta não pode substituir o devido processo

Uma decisão automatizada não deve produzir, sozinha, efeito jurídico adverso. Antes de qualquer prisão, a equipe precisa confirmar a identidade por meios independentes, verificar a validade e o alcance do mandado, registrar a cadeia de decisões e permitir posterior auditoria. Em caso de dúvida, a dúvida deve interromper a coerção, não acelerá-la.

A distinção é simples, mas essencial: o sistema pode indicar onde procurar; quem decide abordar, confirmar e cumprir a ordem é o agente público, submetido à lei, a protocolos e à responsabilidade funcional. Supervisão humana não pode ser meramente simbólica. Um operador que apenas repete a indicação da tela não exerce controle: apenas transfere a decisão para a máquina.

6. Por que preocupa — os riscos que a eficiência não elimina

6.1 Racismo algorítmico criado por programadores racistas

Avaliações do National Institute of Standards and Technology (NIST) demonstram que o desempenho varia significativamente entre algoritmos, bases e condições de captura. Os melhores sistemas contemporâneos podem alcançar elevada precisão, mas os erros não se distribuem de maneira uniforme. Testes de identificação 1:N continuam registrando diferenças demográficas, com maior incidência de falsos positivos em alguns grupos, especialmente rostos africanos e asiáticos, mulheres, pessoas idosas e muito jovens, embora a magnitude dependa do produto e da qualidade das imagens.

O NIST (Instituto Nacional de Padrões e Tecnologia dos EUA) explica que o maior índice de falso positivo na população negra decorre de um deslocamento matemático nas pontuações de similaridade gerado por desequilíbrios demográficos nos dados de treinamento. Em seus relatórios globais de referência sobre o tema (como o Face Recognition Vendor Test – FRVT), o instituto detalha os fatores técnicos exatos por trás desse fenômeno.

6.1.1. Desbalanceamento das bases de treinamento

Os algoritmos baseados em redes neurais profundas aprendem a reconhecer rostos extraindo padrões estatísticos de milhões de imagens. Como a grande maioria dessas imagens de treinamento pertence a pessoas brancas de origem europeia ou americana, o sistema se torna altamente especializado em mapear as variações microscópicas desse grupo. Ao processar grupos sub-representados na base original, como pessoas negras, o software perde o refinamento matemático necessário para diferenciar traços individuais específicos.

6.1.2. Deslocamento de pontuação (similarity scores)

A nível de código, o reconhecimento facial calcula uma “nota de semelhança” entre duas fotos. O NIST identificou que, devido ao treinamento enviesado, muitos algoritmos geram distribuições de notas artificialmente mais altas (deslocadas para cima) quando comparam duas pessoas negras diferentes entre si. Para o sistema, os rostos de minorias étnicas parecem matematicamente mais “próximos” ou parecidos do que os rostos de pessoas brancas, superando facilmente a linha de corte e gerando o alerta falso.

6.1.3. Fatores de captura e iluminação

O NIST aponta uma separação técnica fundamental entre dois tipos de erros:

• Falso positivo: confundir duas pessoas diferentes. O instituto frisa que este erro ocorre mesmo quando as imagens têm excelente qualidade, por pura falha matemática do algoritmo ao lidar com dados demográficos.
• Falso negativo: não reconhecer a mesma pessoa em fotos diferentes. Este sim é amplificado por fatores externos como má iluminação, subexposição de peles escuras e erros de calibração em câmeras não ajustadas, o que prejudica a extração correta de traços.

6.1.4. Variação extrema entre desenvolvedores

O relatório demonstrou que essa falha não afeta a tecnologia de forma uniforme. Enquanto os algoritmos mais precisos e modernos do mercado conseguiram reduzir o viés demográfico a níveis quase imperceptíveis, os softwares de qualidade média ou baixa registraram taxas de falso positivo para afro-americanos e asiáticos de 10 a 100 vezes maiores do que para homens brancos. Isso significa que o erro é agravado pelo uso de tecnologias comerciais baratas ou desatualizadas por agências de segurança pública. (Fonte: NIST, 2019.)

6.2 Vigilância em massa e desvio de finalidade

Uma lista restrita de pessoas com mandados válidos é juridicamente diferente de uma base ampla formada por cidadãos sem relação com investigação. Também é diferente localizar uma vítima de desaparecimento e identificar todos os participantes de uma manifestação legítima. A mesma câmera pode servir a finalidades distintas; é a governança que define se a tecnologia protege ou intimida.

O risco de desvio de finalidade, conhecido como function creep, aparece quando uma ferramenta instalada para capturar foragidos passa a ser utilizada para controlar frequência escolar, mapear hábitos, monitorar reuniões políticas, produzir perfis comportamentais ou acompanhar pessoas sem ordem ou justificativa individualizada. A simples possibilidade de identificação permanente pode gerar efeito inibidor: cidadãos deixam de circular, protestar ou participar de eventos por medo de serem rastreados.

6.3 Base errada, resultado errado

Nenhum algoritmo corrige automaticamente uma fotografia antiga, um cadastro duplicado, um mandado revogado ou um nome associado à pessoa errada. Se a lista de interesse estiver desatualizada, o sistema apenas automatizará o erro em velocidade maior. Por isso, qualidade de dados é requisito de legalidade, não detalhe administrativo.

6.4 Segurança cibernética e dependência de fornecedores

Templates biométricos, registros de passagem, imagens e logs operacionais são ativos de alto valor. Um vazamento pode permitir rastreamento indevido, fraude e perseguição. Contratos públicos precisam definir criptografia, segregação de acesso, localização e subcontratação de dados, retenção, eliminação segura, resposta a incidentes, auditoria, portabilidade e encerramento do serviço. Sem essas cláusulas, o Estado pode ficar dependente de uma empresa para compreender o próprio sistema e investigar os próprios erros.

6.5 Viés de automação

Mesmo um algoritmo estatisticamente bom pode ser mal utilizado. Quando a tela apresenta uma fotografia, uma pontuação e a palavra “match”, o operador tende a atribuir autoridade excessiva ao resultado. Treinamento, protocolos e interfaces devem comunicar incerteza, apresentar imagens comparáveis, exigir dupla checagem e impedir que a pressa transforme probabilidade em certeza.

7. Comparação internacional — o que o modelo europeu ensina

A União Europeia adotou, em 2024, uma abordagem mais restritiva para a identificação biométrica remota em tempo real em espaços públicos. O Regulamento Europeu de Inteligência Artificial admite o uso policial apenas em hipóteses delimitadas e sob salvaguardas reforçadas. Entre elas estão autorização judicial ou de autoridade administrativa independente, avaliação de impacto sobre direitos fundamentais, registro do sistema, limitação temporal, geográfica e pessoal e proibição de decisão adversa baseada exclusivamente na saída algorítmica.

Quadro 3 — Brasil e União Europeia: diferenças de governança

Dimensão	Brasil em julho de 2026	União Europeia — AI Act
Regra nacional	Proteção constitucional e normas setoriais, sem lei nacional completa para reconhecimento facial policial.	Regulamento vinculante com regras específicas para identificação biométrica remota.
Autorização	Varia conforme programa, ente federativo e situação operacional.	Autorização judicial ou independente para cada uso em tempo real, salvo urgência estrita.
Impacto em direitos	Não padronizado nacionalmente.	Avaliação de impacto sobre direitos fundamentais.
Limites	Protocolos locais e contratos heterogêneos.	Limitações temporais, geográficas, pessoais e finalísticas.
Decisão humana	Necessária por princípios constitucionais, mas sem padrão nacional específico.	Vedado efeito jurídico adverso fundado apenas no resultado do sistema.
Transparência e registro	Métricas e auditorias variam entre entes.	Registro, notificações e documentação obrigatória.

O Brasil não precisa copiar integralmente o modelo europeu. A realidade criminal, federativa e territorial é diferente. Mas alguns princípios são universais: necessidade demonstrada, finalidade específica, autorização proporcional, controle independente, documentação, auditoria e proibição de coerção baseada somente na máquina.

8. Quatro situações da vida real — a mesma tecnologia, efeitos diferentes

8.1 O foragido em um grande evento

Uma câmera identifica possível correspondência com pessoa condenada por homicídio e com mandado válido. O operador revisa as imagens, consulta a base judicial, aciona equipe treinada e a abordagem ocorre fora do fluxo principal. Documentos e características adicionais confirmam a identidade. Aqui, a tecnologia reduz tempo de busca e pode diminuir o risco para policiais e público.

8.2 O trabalhador confundido na estação

Um homem com traços semelhantes aos de uma fotografia antiga recebe abordagem diante de colegas. A pontuação era alta, mas a identidade não se confirma. Ele perde o transporte, chega atrasado e carrega o constrangimento. Para o relatório, talvez seja apenas “alerta descartado”. Para a pessoa, foi uma intervenção concreta do Estado. O sistema precisa registrar, revisar e permitir contestação desse episódio.

8.3 A pessoa desaparecida

Uma idosa com demência é localizada horas depois de sair de casa. A identificação rápida reduz exposição a acidentes e sofrimento familiar. O uso pode ser socialmente valioso, desde que a inclusão na base tenha fundamento, prazo, segurança e exclusão após o encerramento da ocorrência.

8.4 A manifestação pública

Cidadãos participam de ato pacífico. O escaneamento indiscriminado de todos os rostos, sem alvo individualizado, pode mapear preferências políticas, redes de relacionamento e deslocamentos. Mesmo que ninguém seja preso, a vigilância produz um custo democrático. Segurança de evento não é autorização automática para identificar toda a multidão.

9. Agenda prática — como usar a tecnologia sem transformar todos em suspeitos

O reconhecimento facial já está em operação. A resposta responsável não é fingir que a tecnologia não existe, mas construir uma governança compatível com o poder que ela exerce. Uma política nacional deveria contemplar, no mínimo, as seguintes medidas:

1. Lei nacional específica: definir hipóteses de uso, competências, proibições, direitos e sanções, conforme exige o art. 4º, § 1º, da LGPD.
2. Finalidade estrita: utilizar bases de pessoas procuradas, desaparecidas ou submetidas a medida judicial claramente definida, vedadas listas genéricas ou políticas.
3. Necessidade e proporcionalidade: demonstrar por que o reconhecimento facial é adequado e menos invasivo que alternativas disponíveis para cada contexto.
4. Avaliação de impacto: analisar riscos à proteção de dados, igualdade, liberdade de reunião, circulação e não discriminação antes da implantação.
5. Teste independente: avaliar precisão, falsos positivos, falsos negativos e desempenho demográfico em condições reais, antes da contratação e periodicamente.
6. Confirmação em múltiplas etapas: exigir revisão por operador, consulta judicial atualizada e confirmação documental ou biométrica adicional antes de medida coercitiva.
7. Proibição de decisão exclusivamente automatizada: nenhum cidadão deve ser preso, revistado ou incluído em investigação apenas porque o sistema apontou similaridade.
8. Transparência com denominadores: divulgar alertas, confirmações, descartes, erros, custos, incidentes e resultados, preservando dados operacionais legitimamente sigilosos.
9. Governança de dados e fornecedores: estabelecer retenção mínima, eliminação, criptografia, logs, controle de acesso, auditoria e responsabilidade contratual.
10. Canal de contestação e reparação: permitir que a pessoa descubra, quando juridicamente possível, por que foi abordada, corrija dados e obtenha apuração de eventual abuso.
11. Controle externo e participação social: submeter programas a corregedorias, ouvidorias, Ministério Público, Defensoria, tribunais de contas e conselhos com competência definida.
12. Integração federativa responsável: utilizar a lógica do SUSP para padronizar requisitos e compartilhar inteligência, sem criar uma base nacional ilimitada e sem controles.

Conclusão — uma tecnologia capaz de reconhecer rostos precisa reconhecer direitos

Os resultados oficiais demonstram que o reconhecimento facial já possui utilidade operacional concreta. Na Bahia, o número de foragidos detidos com auxílio da ferramenta quase dobrou entre 2024 e 2025. Em São Paulo, a integração de dezenas de milhares de câmeras ampliou a capacidade de localizar procurados e desaparecidos. Ignorar esses resultados seria tão inadequado quanto tratá-los como autorização para expansão sem limites.

A resposta ao problema apresentado na introdução é, portanto, equilibrada: capturas comprovam capacidade de localização, mas não bastam para legitimar todo modelo de vigilância. A legitimidade depende da qualidade da base, da precisão do algoritmo, da finalidade, do protocolo de abordagem, da confirmação humana, da transparência e da possibilidade de responsabilização.

Também é preciso abandonar uma frase repetida com frequência: a tecnologia não é neutra em seus efeitos. Ela incorpora escolhas humanas sobre quem entra na base, qual limiar gera alerta, onde as câmeras são instaladas, por quanto tempo os dados ficam armazenados e o que acontece depois de um match. A máquina calcula; o Estado escolhe, e deve responder por suas escolhas.

A pergunta não é apenas se uma câmera consegue encontrar um foragido. É se o sistema consegue fazê-lo sem transformar milhões de inocentes em suspeitos permanentes. Uma política de segurança madura não precisa escolher entre tecnologia e direitos. Precisa utilizar a tecnologia para proteger pessoas, inclusive contra o próprio erro estatal.

REFLEXÃO FINAL Aceitaríamos o mesmo sistema, com as mesmas regras e a mesma margem de erro, se o rosto apontado equivocadamente fosse o nosso? Uma tecnologia capaz de reconhecer rostos precisa, antes de tudo, reconhecer direitos.

Sobre o autor Paulo Henrique Medeiros de Amorim Policial Penal Federal, escritor e autor de Guerra Assimétrica — O Controle Estatal Desarmônico. Sua produção aborda segurança pública, integração institucional, sistema prisional, inteligência, tecnologia, controle estatal e prevenção da violência.

Referências

BAHIA. Secretaria da Segurança Pública. Relatório de Gestão 2025. Salvador: SSP-BA, 2026. Acesso em: 29 jul. 2026.
BAHIA. Secretaria da Segurança Pública. Reconhecimento Facial da Bahia é destaque em evento internacional de tecnologia nos EUA. Salvador: SSP-BA, 15 jun. 2023. Acesso em: 29 jul. 2026.
BRASIL. Constituição da República Federativa do Brasil de 1988. Brasília, DF: Presidência da República. Texto compilado. Acesso em: 29 jul. 2026.
BRASIL. Emenda Constitucional nº 115, de 10 de fevereiro de 2022. Inclui a proteção de dados pessoais entre os direitos e garantias fundamentais. Brasília, DF: Presidência da República, 2022.
BRASIL. Lei nº 13.675, de 11 de junho de 2018. Institui o Sistema Único de Segurança Pública e cria a Política Nacional de Segurança Pública e Defesa Social. Brasília, DF: Presidência da República, 2018.
BRASIL. Lei nº 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais. Brasília, DF: Presidência da República, 2018.
BRASIL. Câmara dos Deputados. Projeto de Lei nº 1.515/2022. Lei de Proteção de Dados Pessoais para fins de segurança do Estado, defesa nacional, segurança pública e investigação penal. Situação consultada em 29 jul. 2026.
BRASIL. Câmara dos Deputados. Projeto de Lei nº 2.338/2023. Dispõe sobre o desenvolvimento, o fomento e o uso ético e responsável da inteligência artificial. Situação consultada em 29 jul. 2026.
CONSELHO NACIONAL DE JUSTIÇA. Banco Nacional de Medidas Penais e Prisões — BNMP 3.0. Brasília, DF: CNJ. Acesso em: 29 jul. 2026.
GROTHER, Patrick; NGAN, Mei; HANAOKA, Kayee. Face Recognition Vendor Test Part 3: Demographic Effects. NISTIR 8280. Gaithersburg: National Institute of Standards and Technology, 2019.
NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY. Face Recognition Technology Evaluation — Demographic Effects in 1:N Identification. Atualização técnica de 2025/2026. Acesso em: 29 jul. 2026.
SÃO PAULO (Município). Programa Smart Sampa. Secretaria Municipal de Segurança Urbana. São Paulo, 2026. Acesso em: 29 jul. 2026.
UNIÃO EUROPEIA. Regulamento (UE) 2024/1689 do Parlamento Europeu e do Conselho, de 13 de junho de 2024. Regulamento de Inteligência Artificial. Jornal Oficial da União Europeia, 12 jul. 2024.