O machine learning está a ser cada vez mais reconhecido como um recurso estratégico para avançar as missões sociais das organizações sem fins lucrativos (OSFL), e não apenas como um adereço técnico. Como defendem Toosi et al. (2020), os avanços em machine learning e inteligência artificial abrem oportunidades concretas para enfrentar problemas sociais complexos, em linha com os Objectivos de Desenvolvimento Sustentável das Nações Unidas. Para a sociedade civil e para as OSFL, a questão central passa, por isso, a ser como integrar o machine learning de forma a amplificar o desenvolvimento social, reforçar a responsabilização e proteger grupos vulneráveis.
No seu núcleo, o machine learning refere‑se a métodos computacionais que aprendem padrões a partir de dados para classificar, prever ou recomendar resultados. Holzer (2023) mostra como modelos de aprendizagem supervisionada podem prever o comportamento de doadores com elevada precisão, permitindo às OSFL antecipar doações de repetição e priorizar esforços de envolvimento de modo mais eficiente. De forma complementar, Wiepking e colaboradores demonstram que metodologias apoiadas em ferramentas de machine learning ajudam as organizações a identificar que factores impulsionam de forma mais forte a doação e a participação em programas, oferecendo uma compreensão mais fina do que a proporcionada por modelos lineares tradicionais. Estas aplicações permitem que as organizações transitem de uma lógica meramente descritiva para uma lógica preditiva e prescritiva na angariação de fundos e na gestão de programas.
Trabalhos empíricos emergentes sublinham também como o machine learning pode apoiar a gestão estratégica no sector não lucrativo. Um estudo recente que compara regressão linear com abordagens de aprendizagem supervisionada na previsão da reputação organizacional e do número de voluntários conclui que técnicas como Random Forests e Gradient Boosting superam os modelos tradicionais em termos de precisão preditiva (Opening the Black Box of Nonprofit Reputation and Volunteer Attraction, 2025). Os autores evidenciam que indicadores financeiros e práticas de governação são preditores particularmente relevantes de reputação, sugerindo que o machine learning pode ajudar as lideranças a perceber que alavancas são mais decisivas para sustentar a confiança pública. Este tipo de insight pode informar decisões ao nível dos conselhos de administração sobre transparência, comunicação financeira e estratégias de envolvimento de voluntários.
A evidência proveniente da prática sugere igualmente que a ciência de dados e o machine learning podem transformar a forma como as OSFL medem e comunicam impacto. Martinez (2024) argumenta que o uso sistemático de dados permite às organizações chegar às populações que mais precisam, democratizar o acesso a modelos de intervenção eficazes e criar um “círculo virtuoso” em que melhor evidência gera mais apoio e, por sua vez, mais capacidade de inovação. Estudos de caso mostram organizações que utilizam técnicas de ciência de dados para refinar estratégias de recrutamento de participantes e melhorar o desenho de programas, o que lhes permite aceder a financiamentos mais estáveis e experimentar de forma iterativa. De forma convergente, Addend Analytics (2023) documenta parcerias em que técnicas de ciência de dados ajudam ONG em contextos de baixos recursos a prever quais fontes de água são mais viáveis e a monitorizar resultados a longo prazo, reforçando a autonomia comunitária e a confiança dos doadores.
No movimento mais amplo de “AI for Social Good”, o machine learning é entendido como um esforço colaborativo entre tecnólogos e especialistas de domínio. Toosi et al. (2020) sublinham que os projectos com maior impacto tendem a emergir de parcerias de longo prazo que ancoram as ferramentas de ML em conhecimento local, salvaguardas éticas e objectivos sociais bem definidos. A sua síntese destaca aplicações que vão da agricultura à saúde pública e aos direitos digitais, mostrando, por exemplo, como sistemas baseados em ML podem apoiar moderadores humanos na identificação de abusos online ou detectar precocemente doenças em culturas agrícolas. Para as OSFL e organizações da sociedade civil, isto reforça a ideia de que o desempenho técnico, por si só, é insuficiente; a legitimidade depende de governança inclusiva, transparência sobre as limitações dos modelos e diálogo contínuo com as comunidades afectadas.
Em paralelo, persistem barreiras significativas à adopção. Holzer (2023) nota que muitas OSFL enfrentam constrangimentos ligados à qualidade dos dados, a sistemas de informação fragmentados e a capacidades internas limitadas, o que pode comprometer a fiabilidade e utilidade prática dos modelos de machine learning. A literatura sobre práticas baseadas em evidência no sector não lucrativo enfatiza que as ferramentas analíticas devem ser integradas na cultura organizacional; isto implica capacitar equipas de linha da frente e gestores para interpretar e agir sobre os resultados, em vez de encarar a análise de dados como um exercício externo de auditoria (Martinez, 2024). Sem esta atenção às dinâmicas internas, o machine learning corre o risco de se reduzir a uma sucessão de projectos‑piloto isolados, com pouco efeito duradouro nos resultados sociais.
Olhando para o futuro, o potencial de desenvolvimento social do machine learning nas OSFL parece depender de três condições interligadas. Em primeiro lugar, as organizações precisam de cultivar literacia de dados em todos os níveis de governação, para que membros de direcção, gestores e técnicos possam interrogar modelos, desafiar pressupostos e co‑desenhar usos adequados (Holzer, 2023; Toosi et al., 2020). Em segundo lugar, as OSFL devem priorizar casos de uso em que o ML acrescente valor a questões verdadeiramente críticas para a missão – como o direccionamento de serviços, a compreensão dos factores de participação ou a previsão de riscos sociais – e avaliá‑los com rigor (Opening the Black Box of Nonprofit Reputation and Volunteer Attraction, 2025; Martinez, 2024). Em terceiro lugar, o sector deve manter uma atenção contínua à justiça, representatividade e responsabilização, assegurando que comunidades marginalizadas têm voz na forma como os dados são recolhidos e os algoritmos são utilizados (Toosi et al., 2020). Sob estas condições, o machine learning pode tornar‑se um verdadeiro motor de desenvolvimento social: um meio de repensar como a sociedade civil compreende os problemas, aloca recursos e constrói comunidades mais justas e resilientes.
Referências
Addend Analytics. (2023). Data science and NGOs: A partnership for progress. Addend Analytics. https://addendanalytics.com/blog/data-science-and-ngos-a-partnership-for-progress
Holzer, J. (2023). Machine learning for nonprofit organizations. Brigham Young University ScholarsArchive. https://scholarsarchive.byu.edu/cgi/viewcontent.cgi?article=1117&context=joni
Martinez, J. (2024, 24 de setembro). Evidence can restore and transform the nonprofit sector. MDRC. https://www.mdrc.org/work/publications/evidence-can-restore-and-transform-nonprofit-sector
Opening the Black Box of Nonprofit Reputation and Volunteer Attraction. (2025). Nonprofit Management & Leadership. Publicação avançada online. https://ifp.nyu.edu/2025/journal-article-abstracts/nml-70033
Toosi, A. N., et al. (2020). AI for social good: Unlocking the opportunity for positive impact. Nature Communications, 11, 2468. https://www.nature.com/articles/s41467-020-15871-z
Wiepking, P., & colaboradores. (s.d.). A machine-learning tool-supported methodology for nonprofit organisations. Southern Adventist University KnowledgeExchange. https://knowledge.e.southern.edu/cgi/viewcontent.cgi?article=1351&context=crd
Spotlight on Poverty & Opportunity. (2024, 17 de setembro). Evidence can restore and transform the nonprofit sector. https://spotlightonpoverty.org/spotlight-exclusives/evidence-can-restore-and-transform-the-nonprofit-sector
