Adoções e Algoritmos: Por Que a Inteligência Artificial Não Pode Medir uma Família

O uso da Inteligência Artificial nos sistemas de proteção infantil e adoção promete revolucionar o setor por meio de correspondências algorítmicas, mas as inves

A inteligência artificial possui uma extraordinária capacidade de ordenar vastos bancos de dados, identificar recursos ocultos dentro dos sistemas burocráticos e propor combinações baseadas em padrões recorrentes, mas depara-se com um limite intransponível: não tem os instrumentos ontológicos nem éticos para decidir se uma pessoa é "adequada" para desempenhar o papel de progenitor. A avaliação psicológica, emocional e financeira de um aspirante a progenitor ou de uma família de acolhimento não é um simples problema de otimização matemática. Trata-se de uma investigação que toca direitos fundamentais, desigualdades socioeconómicas, condições de pobreza, deficiência, origem étnica e, sobretudo, o futuro e a segurança de uma criança, tornando imprescindível que tal decisão permaneça humana, multidisciplinar, profundamente fundamentada e legalmente impugnável.

A Ilusão do Matchmaking: O Caso Family-Match

A distância entre a promessa tecnológica e a delicadíssima prática da adoção emerge com clareza desarmante na investigação conduzida pela Associated Press sobre o algoritmo Family-Match. Esta ferramenta computacional, explicitamente inspirada nas mecânicas das aplicações de online dating, tinha sido concebida com o intuito de atribuir uma pontuação de "compatibilidade relacional" entre crianças inseridas no sistema de acolhimento e aspirantes a progenitores. A investigação revelou, no entanto, resultados práticos extremamente limitados nos estados da Virgínia e da Geórgia, trazendo à luz casos de sinalizações a famílias que não estavam minimamente interessadas ou preparadas para aquele tipo de combinação, e levantando dúvidas profundas sobre a eficácia declarada pelos promotores do software.

O fracasso desta abordagem não se limita a uma escassa precisão estatística, mas afunda as suas raízes na própria natureza dos dados elaborados. O algoritmo Family-Match devorava e processava mais de 250 variáveis sensíveis para calcular os seus índices de compatibilidade. Entre estes parâmetros figuravam informações intimíssimas e potencialmente estigmatizantes, como histórias de abusos sexuais sofridos no passado, antecedentes penais e a identidade LGBTQIA+ dos menores envolvidos. O problema central, neste cenário, não é unicamente a bondade ou a eficiência da combinação proposta, mas a recolha massiva e a utilização não supervisionada de dados extremamente íntimos dentro de uma arquitetura de software opaca e inacessível ao escrutínio público.

Vigilância Digital, Bias e o Crime da Pobreza

A introdução da inteligência artificial no sistema do child welfare (proteção de menores) norte-americano seguiu até agora uma trajetória precisa e preocupante. Uma revisão académica baseada na análise de 50 publicações relativas aos sistemas computacionais na proteção de menores demonstra que a esmagadora maioria das implementações diz respeito a modelos preditivos orientados exclusivamente para o cálculo do risco. Funções vitais como o verdadeiro matching relacional, a integração das perspetivas humanas dos assistentes sociais e a análise qualitativa das notas de caso permanecem, pelo contrário, dramaticamente pouco integradas ou totalmente ignoradas pelos softwares.

Esta focalização no "risco" gera um curto-circuito algorítmico que penaliza as faixas mais vulneráveis da sociedade. Um estudo aprofundado sobre o Allegheny Family Screening Tool, um conhecido modelo preditivo norte-americano, revela um bias estrutural inequívoco: as famílias pobres ou pertencentes a minorias étnicas interagem por necessidade em medida muito maior com os serviços públicos, acumulando assim uma quantidade desproporcionada de dados administrativos a seu cargo. O algoritmo, lendo esta mole de dados e utilizando as investigações passadas como preditores para o futuro, acaba por atribuir a estas famílias pontuações de risco sistematicamente mais altas, amplificando um círculo vicioso discriminatório. O ponto fulcral é que a pobreza e a indigência financeira não equivalem à negligência parental, mas dentro dos datasets públicos acabam inevitavelmente por parecer um gigantesco fator de risco.

Para mitigar esta deriva, os investigadores sublinham a necessidade de distinguir nitidamente entre duas finalidades de uso: empregar o machine learning para identificar e oferecer recursos preventivos às famílias em dificuldade é profundamente diferente de usá-lo para selecionar quais famílias investigar ou de quais casas retirar as crianças. A segunda hipótese, pelas suas consequências devastadoras, exige um padrão probatório incomensuravelmente mais elevado do que o primeiro. O Center on Privacy & Technology da Georgetown Law sintetiza perfeitamente estas criticidades, denunciando a escassa evidência de eficácia dos sistemas atuais, uma accountability (responsabilidade) quase inexistente, as assimetrias de poder entre entidades públicas e fornecedores privados de software, e a extrema perigosidade no uso de proxies socioeconómicos para avaliar a parentalidade. Perante este quadro institucional, torna-se imperativo exigir auditorias independentes, documentação transparente e remédios concretos e acessíveis para as famílias injustamente penalizadas.

O Valor Legal da Empatia: Direitos e Tratados Internacionais

Delegar a uma máquina a formação ou a desagregação de uma família colide frontalmente com a arquitetura dos direitos humanos internacionais. As Diretrizes das Nações Unidas sobre o acolhimento alternativo de menores (2009) estabelecem um perímetro claro: cada decisão deve ser tomada rigorosamente caso a caso e fundamentar-se exclusivamente no superior interesse da criança. Este processo exige sólidas tutelas legais, uma avaliação rigorosa e qualitativa, e a intervenção direta de equipas multidisciplinares compostas por profissionais altamente qualificados. Tais critérios internacionais tornam de facto impossível e ilegítimo justificar uma fria pontuação algorítmica como base para uma decisão autónoma ou semiautónoma.

A Convenção da ONU sobre os Direitos da Criança reforça ulteriormente este paradigma. No contexto da adoção, o superior interesse do menor não é redutível a uma das tantas variáveis a calcular: é o critério primário e determinante, que deve incluir, sempre que possível, a participação ativa e a escuta da voz da própria criança. O menor em busca de família não pode e não deve ser reduzido a um mero "output" de um software de matching, mas deve ser tratado como uma pessoa portadora de direitos, de uma história irrepetível e de uma vontade própria.

A blindar juridicamente a interação entre IA e direitos fundamentais interveio recentemente o Conselho da Europa com a Framework Convention on Artificial Intelligence de 2024, o primeiro tratado internacional vinculativo nesta matéria. O documento exige que o recurso à IA respeite a dignidade e a autonomia humana, garanta a igualdade e a não discriminação, e impõe avaliações de impacto sobre os direitos humanos e rígidas medidas de prevenção ao longo de todo o ciclo de vida do sistema. A mensagem normativa é inequívoca: um sistema destinado à avaliação das capacidades parentais não pode de modo algum operar como uma black box inexplicável.

A Última Palavra

O debate contemporâneo deve dar um salto de maturidade. A pergunta central que decisores políticos e operadores sociais devem colocar não é a fantascientifica e ilusória "a inteligência artificial pode prever se seremos bons pais?", mas sim uma série de questões pragmáticas e de sistema: quais sinais específicos está o algoritmo a usar para decidir, quem rotulou estes sinais como indicadores de risco e através de que canais pode um cidadão contestar um veredicto gerado pela máquina? Um rendimento baixo, um passado nos registos da assistência social, uma condição de deficiência ou uma história familiar complexa não são e nunca serão instrumentos capazes de medir o amor, a aptidão para o cuidado ou a real capacidade de criar e educar uma criança; podem, no entanto, transformar-se em inexoráveis proxies de risco se o modelo de inteligência artificial for treinado com dados históricos já profundamente marcados por desigualdades e injustiças sistémicas.

Um algoritmo pode excelir em vasculhar processos burocráticos, pode sugerir um recurso territorial ou hipotisar um encontro potencial, mas não tem a autoridade moral, jurídica nem cognitiva para decidir o valor intrínseco de uma família. Quando estão em jogo a vida, o futuro e a estabilidade emocional de uma criança vulnerável, a última palavra deve sempre e inderrogavelmente pertencer a pessoas de carne e osso, profissionais responsáveis, capazes de explicar de modo transparente o seu raciocínio, capazes de escutar as necessidades não expressas e obrigados a responder pessoalmente, tanto eticamente como legalmente, pelas suas escolhas.

Referências Bibliográficas e Fontes

Does an AI tool help boost adoptions? Key takeaways from an AP Investigation — Associated Press, 2023
Inspired by online dating, AI tool for adoption matchmaking falls short for vulnerable foster kids — Associated Press, 2023
A Human-Centered Review of Algorithms used within the U.S. Child Welfare System — CHI 2020
A case study of algorithm-assisted decision making in child welfare — PMLR, 2018
Using machine learning to predict future foster care admission — PMC, 2025
Data and Automation in Child Welfare — Georgetown Law, Privacy & Technology Center
Guidelines for the Alternative Care of Children — Nações Unidas, 2009
Convention on the Rights of the Child — Nações Unidas
The Framework Convention on Artificial Intelligence — Conselho da Europa, 2024

Artigo da responsabilidade da Redação de La Bussola dell’IA