As máquinas do muddling through e a ciência das políticas

• Fernando Filgueiras

  Universidade Federal de Goiás , Escola Nacional de Administração Pública , Serzedello Corrêa Institute

  Autor

  https://orcid.org/0000-0001-9570-8113

Segundo Lindblom, as políticas públicas se baseiam em análises limitadas, são formuladas sob condições de racionalidade limitada e operam com pouca ou nenhuma teoria explícita de programa. As políticas são moldadas por processos de tentativa e erro e alcançam apenas resultados incrementais. Algoritmos de aprendizado de máquina têm sido adotados no setor público sob a expectativa de fortalecer as bases empíricas da formulação de políticas, concretizando a visão de Harold Lasswell de uma ciência das políticas fundamentada no conhecimento científico. Entretanto, casos documentados de aplicação desses algoritmos em proteção social, policiamento e administração de benefícios em diversos países revelam que tais sistemas reproduzem, em vez de superar, a condição de racionalidade limitada. Este artigo investiga como a incorporação do aprendizado de
máquina preditivo ao processo de políticas públicas altera os fundamentos epistemológicos da ciência das políticas e quais implicações essa transformação traz para a formulação de políticas baseada em evidências. Com base em uma revisão
analítica da literatura sobre aprendizado de máquina e políticas públicas, complementada por casos empíricos da Austrália, do Brasil e da Índia, argumentamos que o caráter industrial desses algoritmos e sua adoção acrítica não sustentam um processo de políticas fundamentado no conhecimento científico. Os algoritmos de aprendizado de máquina têm implicações significativas para a epistemologia e a prática da ciência das políticas. Seus resultados são moldados não por evidências
científicas, mas por processos de tentativa e erro e de experimentação conduzidos em processos de desenvolvimento opacos. O desenvolvimento de algoritmos converge com a formulação de políticas públicas, gerando novos dilemas práticos para o processo de formulação de políticas. Concluímos que a incorporação do aprendizado de máquina ao processo de políticas públicas produz o que denominamos machines of muddling through: sistemas que alteram os fundamentos epistemológicos da atividade de formulação de políticas sem resolver suas incertezas fundamentais.

1. Fernando Filgueiras, Universidade Federal de Goiás, Escola Nacional de Administração Pública, Serzedello Corrêa Institute

   Fernando Filgueiras é professor associado da Faculdade de Ciências Sociais da Universidade Federal de Goiás (UFG). Professor do Programa de Doutorado em Políticas Públicas da Escola Nacional de Administração Pública (ENAP). Professor do Instituto Serzedello Corrêa do Tribunal de Contas da União. Professor afiliado do Ostrom Workshop on Political Theory and Policy Analysis, da Universidade de Indiana. Pesquisador do Instituto Nacional de Ciência e Tecnologia (INCT) – Qualidade de Governo. Pesquisador do Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq). Filgueiras possui doutorado em Ciência Política pelo Instituto Universitário de Pesquisas do Rio de Janeiro (Iuperj).

• PDF (inglês)

Não há dados a disponibilizar.

Direitos autorais (c) 2026 Policy Making – Latin American Public Policy Review

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.