A estimativa de 56,4 mil pessoas no ato em Copacabana, feita pela USP com drones e inteligência artificial, vai além da política: mostra como visão computacional e dados geoespaciais estão se tornando infraestrutura de decisão — e quais riscos de governança, privacidade e continuidade as empresas precisam endereçar antes de adotar tecnologias semelhantes.
Introdução contextual
Poucas aplicações de inteligência artificial saem do laboratório e entram no debate público com tanta velocidade quanto a contagem automatizada de multidões. Quando um instituto de pesquisa vinculado à Universidade de São Paulo (USP) estima, com drones e algoritmos de visão computacional, o público de um ato político em Copacabana, o assunto deixa de ser apenas método científico e passa a ser infraestrutura de informação: um número produzido por máquina que circula em manchetes, alimenta narrativas e influencia decisões de terceiros.
Para o universo corporativo, o episódio é um espelho. Empresas já usam contagem de pessoas por câmeras para dimensionar operações de varejo, medir fluxo em shoppings, controlar acesso a eventos, estimar ocupação de fábricas e calibrar campanhas de marketing. A diferença é que, no caso noticiado, o dado foi produzido por uma instituição acadêmica com metodologia declarada — e exposto ao escrutínio público. É exatamente esse padrão de transparência que começa a ser cobrado de organizações privadas por reguladores, clientes e comitês de auditoria.
A seguir, analisamos o que aconteceu, por que o tema importa para empresas e como a WSVP lê o movimento sob a ótica de cibersegurança, governança de dados, inteligência artificial responsável e continuidade de negócios.
O que aconteceu
Segundo reportagem do G1, a USP estimou em 56,4 mil pessoas o público presente no ápice de um ato de apoiadores do presidente Luiz Inácio Lula da Silva realizado em Copacabana, no Rio de Janeiro. A medição foi feita com o uso de drones e de inteligência artificial, o que permitiu calcular a concentração de pessoas em um perímetro extenso e aberto — cenário historicamente difícil para contagens manuais.
Vale destacar três elementos técnicos implícitos nesse tipo de medição:
- Captura aérea com drones: sobrevoos em grade permitem cobrir áreas grandes com sobreposição de imagens, reduzindo pontos cegos típicos de câmeras fixas.
- Visão computacional: modelos de detecção de pessoas estimam densidade por metro quadrado em cada quadro, e a integração entre quadros e posições geográficas gera o total consolidado.
- Tratamento estatístico: nenhuma contagem é exata; há margem de erro, premissas de densidade e correções para oclusão, movimento e horário de pico.
O dado divulgado é, portanto, uma estimativa — e a forma como ela é comunicada importa tanto quanto o algoritmo. A notícia não detalha a margem de erro nem o intervalo de confiança, o que é comum em coberturas jornalísticas, mas relevante para quem usa esse tipo de número como referência de mercado ou de risco.
Por que isso importa para empresas
O caso ilustra a transição de uma tecnologia de nicho para commodity operacional. Sensores, câmeras, drones e modelos de visão computacional ficaram mais baratos e acessíveis, e a fronteira entre “análise de multidão” e “analytics de fluxo de clientes” é tênue. Isso traz quatro implicações diretas:
- Dados de localização e imagem são dados pessoais. Sob a Lei Geral de Proteção de Dados (LGPD), imagens de pessoas identificáveis em espaços públicos coletadas por empresas exigem base legal, finalidade definida e avaliação de risco. Contagem agregada é mais simples; reconhecimento individual é território de alto risco.
- A qualidade do dado vira decisão de negócio. Se a estimativa de fluxo alimenta decisões de staffing, segurança patrimonial ou investimento em ponto de venda, erros sistemáticos do modelo se convertem em custo. Governança de modelo — versionamento, validação, monitoramento de deriva — deixa de ser tema de TI e passa a ser tema de conselho.
- Reputação e escrutínio público. Números produzidos por IA serão cada vez mais questionados por jornalistas, concorrentes e órgãos de controle. Empresas que comunicam métricas automatizadas sem metodologia auditável ficam expostas a crises de credibilidade.
- Fornecedores e cadeia de suprimentos de IA. Drones, plataformas de analytics e modelos pré-treinados vêm de terceiros. Cada elo é um vetor de risco contratual, de segurança e de conformidade.
Impacto para cibersegurança, governança, IA ou continuidade
Cibersegurança
Sistemas de captura de imagem em campo aberto ampliam a superfície de ataque: drones podem ser interceptados ou ter firmware comprometido; links de transmissão podem ser alvo de interceptação; e os repositórios de vídeo e metadados são ativos sensíveis. Um incidente nesses ambientes não expõe apenas dados — pode comprometer a integridade do número divulgado, com efeito reputacional imediato. Controles mínimos incluem criptografia em trânsito e em repouso, autenticação forte em consoles de operação, segregação de redes de dispositivos (IoT) e gestão de identidade para operadores.
Governança de IA e privacidade
A adoção de visão computacional exige inventário de casos de uso, avaliação de impacto em direitos fundamentais, definição de retenção e anonimização, além de documentação de limitações do modelo. Referenciais como o AI Risk Management Framework do NIST e as diretrizes da OCDE para IA ajudam a estruturar esse programa. No Brasil, o debate regulatório em torno do PL 2338/2023 sinaliza que classificação de risco e transparência algorítmica tendem a se tornar exigências formais.
Continuidade de negócios
Quando a contagem automatizada sustenta decisões operacionais — como dimensionamento de equipes de segurança ou liberação de acesso —, a indisponibilidade do sistema precisa ter plano de contingência. Isso significa procedimentos manuais documentados, redundância de sensores e testes periódicos de degradação controlada. Dependência de um único fornecedor de modelo ou de um único operador de drones é um risco de concentração que merece registro na matriz de riscos.
O número que aparece na manchete é o produto final de uma cadeia longa: sensor, transmissão, modelo, validação estatística e comunicação. A confiabilidade do resultado é limitada pelo elo mais fraco dessa cadeia — não pelo algoritmo mais sofisticado.
Leitura executiva da WSVP
A WSVP entende que o episódio de Copacabana é um marco simbólico: a IA aplicada à medição de fenômenos coletivos saiu do campo experimental e entrou na conversa pública com credibilidade institucional. Para o setor privado, a mensagem é dupla. Primeiro, a tecnologia está madura o suficiente para gerar valor operacional em fluxo de pessoas, logística, varejo e segurança. Segundo, a maturidade tecnológica não dispensa maturidade de governança — pelo contrário, aumenta a exigência sobre ela.
Nossa avaliação é que empresas que tratarem analytics de imagem e contagem de pessoas como projeto de infraestrutura crítica, com dono executivo, controles de segurança, documentação metodológica e plano de continuidade, capturarão o valor sem absorver o risco. As que tratarem o tema como experimento isolado de inovação tendem a acumular passivos de privacidade, dependências técnicas e exposição reputacional.
Recomendamos ainda que organizações acompanhem o padrão de transparência adotado por instituições acadêmicas: divulgar método, margem de erro e limitações é o novo benchmark de credibilidade. No ambiente corporativo, esse padrão se traduz em relatórios de modelo auditáveis e comunicação responsável de métricas automatizadas.
Recomendações práticas
- Mapeie casos de uso de visão computacional e classifique-os por risco (agregação anônima versus identificação individual). Priorize os de menor risco e maior valor.
- Formalize base legal e finalidade para cada coleta de imagem ou dado de localização, com registro de avaliação de impacto e política de retenção.
- Exija documentação de fornecedores: arquitetura do modelo, origem dos dados de treinamento, métricas de acurácia, plano de atualização e cláusulas de segurança e privacidade.
- Implemente monitoramento contínuo de deriva e validação periódica contra contagens manuais de referência, registrando margens de erro.
- Estabeleça plano de continuidade com procedimentos manuais, redundância de sensores e testes de indisponibilidade.
- Adote governança de IA formal, com comitê multidisciplinar, inventário de modelos e trilha de auditoria, alinhada a referenciais como o NIST AI RMF.
- Comunique métricas com transparência: método, limitações e intervalo de confiança devem acompanhar qualquer número divulgado externamente.
- Treine equipes de segurança e operações para lidar com dispositivos IoT e drones, incluindo resposta a incidentes específicos.
Fontes consultadas
- G1 — Ato de Lula em Copacabana: USP estima 56,4 mil pessoas no Rio
- Universidade de São Paulo (USP)
- Autoridade Nacional de Proteção de Dados (ANPD)
- NIST — AI Risk Management Framework
- OCDE — Princípios de IA
- Senado Federal — PL 2338/2023 (IA)
Disclaimer
Este rascunho foi produzido com apoio de inteligência artificial e ainda requer revisão humana antes da publicação.


