Londres, agosto de 1854. O verão era sufocante e o cheiro do Soho, insuportável.
Nas ruas estreitas, o silêncio era quebrado apenas pelo choro de famílias e pelo som das carroças levando corpos. A cólera estava dizimando o bairro. As autoridades, presas a velhos dogmas, culpavam o “miasma” — o ar ruim. Eles olhavam para o céu, buscando nuvens venenosas.
Mas o Dr. John Snow olhou para o chão.
Ignorando o senso comum, ele começou a bater de porta em porta. Ele não via apenas pacientes; ele via dados. Snow desenhou um mapa do bairro e marcou cada morte com uma barra preta.
À medida que a tinta secava, uma história invisível se revelava: as mortes se aglomeravam, densas e escuras, ao redor de um único ponto na Broad Street: a bomba de água pública.
Snow não precisou de um microscópio. Ele precisou de contexto. Ele entendeu que aqueles pontos no mapa não eram apenas estatísticas; eram seus vizinhos, bebendo da mesma água envenenada. Ele convenceu a prefeitura a remover a alavanca da bomba. E a epidemia parou.
A Ponte: De Tinta a Pixels
John Snow foi o primeiro cientista de dados “Human-in-the-Loop”. Ele praticou o que na Centrato chamamos de Empatia Quantitativa.
Avance 170 anos. Hoje, não usamos tinta e pergaminho. Usamos Python e Data Lakes. Nossos mapas não mostram ruas de Londres, mas redes neurais complexas de comportamento humano.
Mas a lição de Snow nunca foi tão urgente.
Vivemos na era do Big Data, onde a abstração é a norma. Transformamos pessoas em “datapoints”. Uma mãe solteira vira um “score de crédito: 540”. Um paciente idoso vira “risco de sinistro: alto”. Um candidato a emprego vira “fit cultural: 30%”.
A Nova Água Contaminada: O Viés Algorítmico
Quando removemos a humanidade dos dados, criamos a versão digital da água contaminada de Broad Street: o Viés Algorítmico.
Imagine um algoritmo de RH treinado com 10 anos de currículos de uma empresa majoritariamente masculina. Ele aprende, matematicamente, que “homem” correlaciona com “contratação”. Sem malícia, mas com eficiência implacável, ele começa a descartar mulheres qualificadas.
Para o algoritmo, é apenas otimização de padrão. Para a sociedade, é a perpetuação de uma injustiça histórica.
Se John Snow fosse um modelo de IA treinado nos dados de 1850, ele provavelmente confirmaria que “pobres morrem mais”, correlacionando isso com “morar em ruas sujas” (miasma), e não com a água. Faltaria a ele a intuição humana para questionar a causalidade.
O Chamado para a Empatia Quantitativa
A tecnologia nos dá o poder de processar bilhões de pontos de dados. Mas a ética exige que lembremos o que cada ponto representa.
Empatia Quantitativa é a habilidade de olhar para um dashboard e sentir o peso da realidade por trás dele.
- É entender que um “falso positivo” num sistema de reconhecimento facial policial não é um erro estatístico; é um cidadão inocente preso.
- É ver que um “deserto alimentar” num mapa de varejo não é apenas uma oportunidade de mercado perdida; é uma crise de saúde pública.
Como líderes e profissionais de dados em 2025, temos uma escolha. Podemos ser como as autoridades vitorianas, culpando o “miasma” e confiando cegamente em modelos que não entendemos. Ou podemos ser como John Snow.
Podemos ter a coragem de olhar os dados de perto, sujar os sapatos na realidade, e encontrar a alavanca que precisa ser removida.
A IA é a ferramenta. A empatia é o mapa.
