Smart Sampa: R$ 100 milhões em vigilância baseada em reconhecimento facial que pode errar até 35% com mulheres negras
Tecnologia de reconhecimento facial em SP é cara e racista.
Antes de qualquer crítica, é preciso reconhecer a realidade: quem vive em São Paulo, convive com o medo da violência.
No primeiro bimestre de 2025, um celular foi roubado ou furtado na cidade a cada três minutos.¹
Em oito de cada dez casos, o crime acontece em via pública. O medo, portanto, não é irracional.
A maioria de nós conhece alguém que já foi assaltado ou já viveu essa experiência.
Falo também da minha própria realidade. Sou uma mulher periférica, moro em São Paulo e tenho visão monocular, o que me faz andar sempre muito atenta.
Queremos segurança e isso é ainda mais urgente para muitas mulheres.
Mas o Smart Sampa, a “joia da coroa” da administração Ricardo Nunes não resolve, custa muito e erra sistematicamente.
O que é Smart Sampa?
O Smart Sampa utiliza reconhecimento facial em tempo real.
Diferentemente de uma câmera comum, que registra imagens para posterior investigação, o sistema compara automaticamente os rostos captados nas ruas com bancos de dados oficiais de pessoas procuradas e gera alertas instantâneos para abordagens policiais.
O problema? O sistema está sujeito a falsos positivos absurdos.
Quando essa identificação falha, pessoas inocentes são confundidas com foragidos, um erro que, como os dados mostram, atinge de forma desproporcional mulheres negras e homens negros, transferindo o risco para quem já é historicamente marginalizado.
A primeira versão do edital do programa, inclusive, utilizava o termo “vadiagem”, um conceito juridicamente superado e historicamente empregado para criminalizar a população negra.
A pesquisadora Nina da Hora, especialista em viés algorítmico, descreve esse fenômeno como epistemicídio computacional: quando a máquina impõe uma “verdade algorítmica” que apaga realidades humanas.
As limitações técnicas que ninguém fala (mas a ciência já provou)
Uma das principais pesquisas é a Gender Shades da Joy Buolamwini provou que a Inteligência Artificial não é isenta de viés.
Ao analisar os principais sistemas de reconhecimento facial, ela descobriu que eles ‘aprendiam’ muito bem as características de homens brancos, mas falhavam drasticamente com mulheres de pele negra.
Isso acontece porque a IA aprende com o passado (dados de treinamento). Se os dados históricos são cheios de preconceitos, o algoritmo apenas automatiza e escala esse preconceito para o futuro.
Taxa de erro por grupo
Falhas do algoritmo por intersecção
Mulheres Negras
Homens Negros
Mulheres Brancas
Homens Brancos
Pesquisadores do mundo todo já documentaram: reconhecimento facial é racista
Aqui no Brasil você ouve falar em Smart Sampa. Mas isso não é problema local, é padrão global documentado por cientistas de top universidades.
Joy Buolamwini
MIT Media LabPesquisadora negra que se tornou referência mundial em viés algorítmico. Sua tese “Gender Shades” (2018) testou sistemas de reconhecimento facial de gigantes da tecnologia como Microsoft, IBM e Google.
Ruha Benjamin
Princeton UniversityProfessora e autora que cunhou o termo “New Jim Code” (O Novo Código de Jim Crow), explorando como o racismo é codificado em algoritmos e sistemas automatizados, muitas vezes sob a fachada da neutralidade tecnológica.
Nina da Hora
Cientista da Computação BrasileiraNina da Hora é pesquisadora brasileira que se tornou referência em viés algorítmico e direitos digitais. Ela nomeou o fenômeno que acontece com Smart Sampa: epistemicídio computacional — quando a máquina impõe uma “verdade algorítmica” que apaga realidades humanas.
Os sistemas de reconhecimento facial erram significativamente mais quando o alvo é uma mulher negra do que quando analisam homens brancos.
Por que isso acontece tecnicamente?
Dados de treinamento enviesados:
Treinamento enviesado, maioria dos bancos de dados tem super-representação de rostos brancos (70-80% das imagens)³ e sub-representatividade de rostos negros, especialmente mulheres negras.
Tecnologia desenvolvida por quem?
A maioria dos engenheiros de IA são homens brancos (85% da indústria)⁴ que testam com eles mesmos e não testam (ou testam pouco) com mulheres negras até implementar no governo
Falsos positivos desproporcionais:
Quando o sistema erra, erra PRINCIPALMENTE em pessoas negras, idosos e trans⁶, não é erro aleatório, é erro estruturado por design do sistema
Em resumo técnico:
A biometria facial poderia atingir alta precisão se tivesse mais representatividade e testes rigorosos. Mas corrigir o algoritmo não resolve o perigo real: entregar uma ferramenta “perfeita” para instituições que já criminalizam a periferia.
Periferia tem 29 vezes menos câmeras do Smart Sampa, mostram dados.³
A periferia tem 29 VEZES MENOS câmeras que a classe média.
Pinheiros (bairro classe média, zona oeste): 5.837 câmeras Sapopemba (bairro periférico, zona leste): 192 câmeras
Smart Sampa
50.000
Câmeras Totais
Ou seja: você que mora em zona rica tá monitorada pra “segurança”.
Você que mora na periferia não tá, mas quando uma câmera erra e te identifica como foragida, você é presa 29 vezes mais facilmente porque o sistema tá concentrado em zona rica.
Dados e erros
Em maio de 2026, o Laboratório de Políticas Públicas e Internet (Lapin), Instituto de Referência Negra Peregum e Rede Liberdade publicaram pesquisa definitiva: pelo menos 23 pessoas foram conduzidas indevidas pelo Smart Sampa.
Outras foram presas e depois liberadas após erros do sistema.⁵
Mas agora temos os números completos, porque a Prefeitura foi obrigada a transparentar pelo Relatório de Transparência (nov/2024 a mai/2025):
Raio-X das Prisões Indevidas
Detalhamento das 82 liberações por falhas estruturais e de sistema
Mandado já havia sido revogado judicialmente, mas continuava ativo no Banco Nacional de Mandados de Prisão (BNMP). O sistema resultou na prisão de indivíduos que já haviam cumprido pena ou possuíam alvará de soltura.
Erros puros do sistema de reconhecimento facial. O algoritmo gerou alertas falsos, resultando na condução de pessoas que não tinham nenhuma relação com os foragidos reais.
Falhas humanas e de banco de dados, envolvendo dados divergentes, fotos trocadas no sistema e erros de registro de identidade.
Segundo dados da própria Prefeitura, 82 pessoas foram detidas e depois liberadas por erro de identificação, o equivalente a cerca de 4,5% das prisões realizadas com apoio do Smart Sampa.
Alguém pode dizer: “82 é pouco perto de 1.800 prisões”. Mas isso representa cerca de 4,5% de liberações por erro de identificação.
Em segurança pública, um falso positivo não é apenas uma estatística, é uma pessoa inocente tratada como suspeita.
E esses 82 casos representam apenas as liberações oficialmente registradas.
Não há transparência sobre quantas pessoas foram abordadas, constrangidas ou liberadas sem que o erro fosse formalizado.
Gabrieli Crescencio: o parto prematuro provocado pela máquina
Gabrieli Crescencio tinha 25 anos, estava grávida de 8 meses, e levava o filho de 2 anos (que tem epilepsia) para uma consulta médica na UBS Jardim Macedônia em janeiro de 2025.
As câmeras do Smart Sampa a identificaram como foragida.
A abordagem foi agressiva: policiais a arrastaram pelo braço enquanto ela carregava o filho no colo.
Nesse momento começou a sentir dores abdominais. Já na delegacia, a bolsa estourou. Os policiais riram e disseram que era xixi.¹
Uma policial feminina interveio. Gabrieli foi levada para o Hospital do M’Boi Mirim.
O boletim de ocorrência registrou que ela entrou em trabalho de parto durante a abordagem. O documento diz 37 semanas de gestação.
Mas o registro médico do parto marca 34 semanas, caracterizando prematuridade.
Para Gabrieli, os policiais aumentaram o tempo de gestação propositalmente “para não parecer que a abordagem antecipou o parto”.²
Ela passou os próximos 10 dias internada sob custódia, com policiais homens no quarto impondo restrições (proibiam que escovasse os dentes, usasse banheiro).
O bebê, batizado de Anthony, foi levado direto a uma UTI Neonatal, onde passou 2 meses internado.
Depois de tudo isso, qual era o “crime” dela?
Estar em liberdade provisória desde 2021 por suposto envolvimento com tráfico.
Nunca foi julgada. Nunca foi condenada. O único “crime” foi não ter atualizado o endereço.³
Anthony precisou de cuidados especiais após a UTI.
Aos 80 anos, Francisco foi confundido com um estuprador.
Francisco tinha 80 anos, era aposentado, e trabalhava como jardineiro em uma unidade de saúde em Cidade Tiradentes em dezembro de 2024.
As câmeras do Smart Sampa o identificaram como um estuprador foragido.
Ficou detido por cerca de 10 horas sem qualquer confirmação de identidade. Depois foi liberado, mas o estrago tava feito.
A filha de Francisco, Adriana Ferreira, destacou que a abordagem foi inadequada e que seu pai não recebeu assistência durante a detenção. A família planeja processar a Prefeitura e o consórcio responsável.⁵
Francisco passou a sair de casa “camuflado” — usando óculos escuros e moletom — com medo de ser identificado novamente por um algoritmo que cometeu um erro.
Um idoso. Aposentado. Trabalhando como jardineiro. Vestido de disfarce pra sair de casa porque uma máquina racista o confundiu com estuprador.
Homem negro é detido 4 vezes em 7 meses após erro do Smart Sampa
Ailton Alves de Sousa, morador de São Paulo. Confundido pelo sistema de reconhecimento facial com um foragido do Paraná. O sistema se recusou a corrigir a falha em tempo real.
As detenções aconteceram ao sair de casa, no trabalho, ao levar a mãe ao hospital e durante uma corrida de rua.
Eu sei que já aconteceram duas, três vezes, já é a quarta vez e toda vez eu sou levado. Eu não sei o que pode acontecer. Eu fico com medo, mesmo sem dever nada. Você fica com receio, com medo, com vergonha, da situação em si”, afirmou
O Custo Humano do Viés
Histórico de detenções de Ailton Alves de Sousa
A máquina não funciona nem mesmo no que promete
A Prefeitura, afirma que o Smart Sampa contribuiu para a localização de foragidos, pessoas desaparecidas e para prisões realizadas com apoio do sistema.
Esses resultados são usados como principal argumento para justificar a expansão do programa.
No entanto, localizar pessoas procuradas não responde à principal pergunta sobre uma política pública dessa dimensão: ela torna a cidade mais segura?
Até o momento, estudos independentes não encontraram evidências de que o Smart Sampa tenha reduzido de forma significativa os indicadores de criminalidade.
Ao mesmo tempo, os dados mostram abordagens indevidas, vieses conhecidos do reconhecimento facial e um alto custo de implementação e manutenção.
O Centro de Estudos de Segurança e Cidadania (CESeC) fez uma auditoria rigorosa comparando São Paulo (com Smart Sampa) com municípios sem o sistema e o resultado mostrou impacto nulo na redução de criminalidade.¹⁶
Isso financia um sistema de eficiência não comprovada.
O que Smart Sampa faz com as mulheres
Nós, mulheres, convivemos com o medo da violência sexual e do assédio.
O Smart Sampa não impede essas violências, mas amplia a vigilância sobre nossos corpos e nossos espaços e ainda falha de forma desproporcional com mulheres negras.
A Vigilância como Violência de Gênero
O impacto desproporcional do viés algorítmico sobre a saúde das mulheres.
Mulheres negras vivem o monitoramento em dobro: são vigiadas por um sistema que erra 34% mais com elas, somado ao racismo que as torna “suspeitas” por padrão.
O Efeito Cascata do Medo
- A mulher pode deixar de fazer o pré-natal por medo de abordagens policiais;
- A mulher pode deixar de procurar atendimento psicológico em unidades públicas;
- A mulher pode deixar de denunciar violência doméstica para evitar constrangimentos.
Segurança pra mulher não é câmera errando. É poder acessar a saúde sem medo. É poder ser mãe sem sofrer trauma.
Para a pesquisadora Nina da Hora, o reconhecimento facial reduz alternativas para os usuários, apresenta falhas que afetam diferentes grupos da população e reforça uma cultura de vigilância baseada em promessas que nem sempre se concretizam.
Dados do MPSP mostram: em sistemas análogos no Brasil, 90,5% dos presos eram negros.²⁰
Em sistemas análogos no Brasil, a esmagadora maioria dos detidos possui a mesma cor:
dos presos e alvos por sistemas de reconhecimento facial eram negros.
Smart Sampa tá usando tecnologia que o mundo inteiro está banindo.
Enquanto cidades e governos ao redor do mundo restringem ou proíbem o reconhecimento facial em espaços públicos devido aos riscos para direitos fundamentais, São Paulo amplia seu uso em larga escala.
| Local | Medida | Motivo |
|---|---|---|
| São Francisco | Banimento | Vigilância estatal |
| Portland | Banimento | Direitos civis |
| Boston | Banimento | Direitos civis |
| União Europeia | Restrição severa | Reconhecimento facial em tempo real em espaços públicos |
| Local | Caso | Consequência |
|---|---|---|
| Detroit | Robert Williams | Prisão injusta |
| Rio de Janeiro | 90,5% negros | Viés racial |
| São Paulo | Gabrieli | Prisão injusta e parto prematuro |
Segurança pública real é aquela que protege todo mundo
Segurança pública real é aquela que protege todo mundo, inclusive quem pode ser confundido com bandido só porque é negro, mulher, trans, idoso ou periférico.
O risco deixa de ser "ser roubado" e vira "ser confundido com criminoso, levado à madrugada com polícia armada, deixar mãe desamparada no hospital".
Um sistema de reconhecimento facial que importa um modelo de vigilância do século XIX para o século XXI, com promessas de segurança que não se sustentam, não faz sentido.
Apesar dos gastos milionários, não há evidências de que o Smart Sampa reduza crimes.
E Gabrieli Crescencio e Anthony e Ailton estão aí pra provar.
Notas
SEÇÃO SP REALMENTE TEM UM PROBLEMA DE SEGURANÇA:
¹ Exame - "Cidade de SP teve um celular roubado ou furtado a cada 3 minutos no 1º bimestre de 2025" - https://exame.com/noticias/cidade-de-sp-teve-um-celular-roubado-ou-furtado-a-cada-3-minutos-no-1-bimestre-de-2025
SEÇÃO GABRIELI CRESCENCIO:
² Agência Pública - "Smart Sampa: Grávida é presa em posto de saúde e acaba tendo parto prematuro" (abril 2025) - https://apublica.org/2025/04/smart-sampa-gravida-e-presa-em-posto-de-saude-e-acaba-tendo-parto-prematuro/ (abordagem policial e sequência de eventos)
³ Agência Pública - "Smart Sampa: Grávida é presa em posto de saúde e acaba tendo parto prematuro" (abril 2025) - https://apublica.org/2025/04/smart-sampa-gravida-e-presa-em-posto-de-saude-e-acaba-tendo-parto-prematuro/ (discrepância de semanas de gestação: 37 vs 34)
⁴ Agência Pública - "Smart Sampa: Grávida é presa em posto de saúde e acaba tendo parto prematuro" (abril 2025) - https://apublica.org/2025/04/smart-sampa-gravida-e-presa-em-posto-de-saude-e-acaba-tendo-parto-prematuro/ (liberdade provisória desde 2021, Anthony na UTI)
⁵ Agência Pública - "Smart Sampa: Grávida é presa em posto de saúde e acaba tendo parto prematuro" (abril 2025) - https://apublica.org/2025/04/smart-sampa-gravida-e-presa-em-posto-de-saude-e-acaba-tendo-parto-prematuro/ (estresse pós-traumático)
SEÇÃO PESQUISADORES GLOBAIS:
⁶ Joy Buolamwini - MIT Media Lab / Algorithmic Justice League - https://www.algorithmicdojustice.org/ (Gender Shades research - 34% erro mulheres negras)
⁷ Buolamwini - Documentário "Coded Bias" (Netflix, 2021) - https://www.netflix.com/title/81328723 (máscara branca MIT Media Lab)
⁸ Buolamwini - Documentário "Coded Bias" (Netflix, 2021) - https://www.netflix.com/title/81328723 (casos em Brooklyn, Londres, Coded Bias)
⁹ Ruha Benjamin - "Race After Technology: Abolitionist Tools for the New Jim Code" (2019) - https://www.ruhabenjamin.com/ (New Jim Code)
¹⁰ Safiya Noble - "Algorithms of Oppression: How Search Engines Reinforce Racism" (2018) - https://nyupress.org/9781479837243/algorithms-of-oppression/ (Algorithms of Oppression)
¹¹ União Europeia - AI Act - Regulação reconhecimento facial tempo real em espaços públicos proibido (2024) - https://digital-strategy.ec.europa.eu/en/library/ethics-guidelines-trustworthy-ai (EU banimento)
¹² Detroit Police - Caso Robert Williams - The Intercept / BBC - https://www.bbc.com/news/technology-55278166 (Robert Williams preso injustamente)
¹³ MPSP / LAPIN - 90,5% dos presos por reconhecimento facial no RJ eram negros - Brasil de Fato (2020) - https://www.brasildefato.com.br
Programa Provoca (TV Cultura) — Nina da Hora - https://www.youtube.com/c/Provoca ou https://cidadecult.com.br
