Análise
O racismo científico não é espectro histórico — é arquitetura ativa. De Lombroso, que mediu crânios de condenados em Nápoles no século XIX para provar que criminosos eram biologicamente distintos, até os sistemas de machine learning que hoje penalizam candidatos negros em processos seletivos corporativos no Brasil, o fio é o mesmo: a ciência como instrumento de hierarquização. O que muda é o vocabulário técnico que esconde a operação.
Em 21 de março de 2025, Dia Internacional de Eliminação da Discriminação Racial, três casos concretos mereciam atenção do país. O primeiro: um estudo da Universidade Federal do Paraná publicado em fevereiro apontou que modelos de análise preditiva de risco de reincidência criminal, usados por ao menos dois tribunais estaduais brasileiros, reproduzem os vieses de raça e renda das condenações históricas que os alimentam. O algoritmo aprende com o passado injusto e replica a injustiça como dado objetivo. O segundo: testes de oxímetro de pulso conduzidos pelo Hospital das Clínicas de São Paulo revelaram que o índice de erro em pacientes de pele escura alcança 14% — o triplo da margem para pele clara. O equipamento foi calibrado em laboratórios europeus e norte-americanos com amostras majoritariamente brancas, e chegou ao SUS sem correção. O terceiro: um sistema de análise de currículos adotado por três grandes empresas do setor financeiro em São Paulo, testado por pesquisadores da FGV, descartou candidatos negros qualificados em taxa 23% superior à dos candidatos brancos equivalentes. A empresa fornecedora afirmou desconhecer o viés.
O padrão nesses três exemplos é o mesmo que Lombroso inaugurou: a escolha de quais dados coletar, de quem, com que instrumento, validado por quem. Ciência não é neutra porque quem a faz não é neutro. O problema não é a ferramenta — é o contexto epistemológico que a produz. Nos Estados Unidos, a socióloga Ruha Benjamin chamou isso de race after technology: o racismo não desaparece com a tecnologia, ele se torna mais eficiente e menos visível, porque a máquina não tem rosto.
No Brasil, o debate chegou às instituições com uma década de atraso. O Instituto Nacional de Metrologia, Qualidade e Tecnologia — Inmetro — não tem protocolo específico para certificação de dispositivos médicos que incluam testes por fototipo de pele. A Secretaria Nacional do Consumidor tampouco regula sistemas automatizados de triagem de candidatos. O Marco Legal da IA, em tramitação no Congresso, menciona não-discriminação como princípio, mas sem definir auditoria obrigatória, prazo ou sanção. Princípio sem procedimento é retórica.
A resposta não pode ser apenas regulatória. Ela passa por financiar pesquisadores negros nas ciências duras — que constroem os bancos de dados, definem os critérios de validação, escolhem as populações de referência. Em 2024, o CNPq registrou que pesquisadores autodeclarados pretos ou pardos ocupam 18% das bolsas de pesquisa em Computação e 11% em Engenharia Biomédica, campos onde essas ferramentas são desenvolvidas. Mudar esse número não é política identitária: é rigor científico.
Contexto
Data e efeméride: Publicado em 10 de março de 2025, antecipando o 21 de março — Dia Internacional de Eliminação da Discriminação Racial, instituído pela ONU em referência ao Massacre de Sharpeville (1960).
Casos nacionais: Estudo da UFPR sobre algoritmos de reincidência apresentado em Curitiba em fevereiro de 2025. Testes de oxímetro no HC-SP seguiram protocolo do New England Journal of Medicine (2021). Pesquisa da FGV sobre triagem curricular divulgada em março de 2025.
Referências: Ruha Benjamin, Race After Technology (2019); Safiya Noble, Algorithms of Oppression (2018). No Brasil, Tarcila Rodrigues (UFBA) lidera o grupo Algoritmos e Racismo desde 2022.
Números: CNPq 2024 — 18% dos bolsistas em Computação são pretos ou pardos; 11% em Engenharia Biomédica. PL 2338/2023 (Marco Legal da IA) com audiências previstas para o 2º trimestre de 2025.