DO PELOURINHO À DATA BASE: MICROAGRESSÕES E RACISMO ONLINE COMO EXPRESSÃO DO RACISMO ESTRUTURAL

REGISTRO DOI: 10.70773/revistatopicos/790977977

RESUMO
O racismo no Brasil não é fenômeno residual: é estrutura. E, como toda estrutura, é atualizado conforme os instrumentos de cada época. O presente artigo analisa o racismo digital, que se manifesta em microagressões online e em discriminações algorítmicas, como expressão contemporânea do racismo estrutural brasileiro, propondo a categoria data base para designar o novo pelourinho digital. O problema que orienta a investigação é compreender de que modo o racismo digital dá continuidade à lógica colonial de classificar, expor e punir corpos racializados. Adota-se metodologia qualitativa, de natureza teórico-documental, que articula o método histórico-comparativo, a pesquisa bibliográfica interdisciplinar e a análise documental de casos e de dados secundários, com destaque para a sistematização de casos de racismo algorítmico de Silva (2020) e para o estudo exploratório de Carrera (2020) sobre cerca de 3.200 fotografias de bancos de imagens digitais. Os resultados indicam que os sistemas algorítmicos reproduzem a hierarquia racial e de gênero: nas buscas por boss, mulheres negras representam apenas 2,02% das chefias retratadas, enquanto a negritude se concentra em secretary e poverty, e a branquitude, em wealth. Conclui-se que entre o pelourinho e a data base não há ruptura estrutural, há mutação tecnológica, e que a dupla opacidade, técnica e discursiva, torna esse racismo mais pervasivo e mais difícil de nomear.
Palavras-chave: racismo estrutural; racismo algorítmico; microagressões raciais; plataformização; bancos de imagens.

ABSTRACT
Racism in Brazil is not a residual phenomenon: it is a structure. And, like every structure, it updates itself according to the instruments of each era. This article analyzes digital racism, manifested in online microaggressions and in algorithmic discrimination, as a contemporary expression of Brazilian structural racism, proposing the category data base to designate the new digital pillory. The research problem is to understand how digital racism continues the colonial logic of classifying, exposing and punishing racialized bodies. The study adopts a qualitative, theoretical-documentary methodology that combines the historical-comparative method, interdisciplinary bibliographic research and documentary analysis of cases and secondary data, with emphasis on Silva’s (2020) systematization of algorithmic racism cases and on Carrera’s (2020) exploratory study of about 3,200 photographs from digital stock image banks. The results indicate that algorithmic systems reproduce racial and gender hierarchies: in searches for boss, Black women account for only 2.02% of the depicted leadership roles, while Blackness is concentrated in secretary and poverty, and whiteness in wealth. It is concluded that between the pillory and the data base there is no structural rupture, but a technological mutation, and that double opacity, technical and discursive, makes this racism more pervasive and harder to name.
Keywords: structural racism; algorithmic racism; racial microaggressions; platformization; stock image banks.

1. INTRODUÇÃO E OBJETIVOS

O racismo no Brasil não é um fenômeno residual, restrito aos episódios individuais de preconceito declarado e explícito. É, antes, um modo de funcionamento ordinário das instituições, das relações sociais e do imaginário coletivo. Uma estrutura que se reproduz independentemente da intenção dos sujeitos que a operam (Almeida, 2019).

A história do racismo, deste modo, é também a história de seus instrumentos. Cada época produziu os dispositivos tecnológicos, jurídicos e simbólicos adequados à manutenção da hierarquia racial. O pelourinho colonial, poste de pedra ou de madeira fixado no centro das vilas onde corpos escravizados eram publicamente açoitados, marcados e humilhados, não era apenas um objeto de punição física. Era uma tecnologia de controle racial: classificava corpos, os expunha ao escárnio público e comunicava, com violência explícita, os limites da ordem social. A função punitiva era meramente secundária, sendo visto como verdadeiro símbolo de autoridade e de poder.

A abolição formal da escravidão, em 1888, ao contrário do que se podia supor, não desativou essa lógica. Transformou-a. As formas de controle racial, antes explícitas no pelourinho, se tornaram mais sutis, difusas e institucionalizadas. É o que se vê desde a criminalização da vadiagem pelo Código Penal até as práticas contemporâneas de discriminação no mercado de trabalho, no sistema de justiça e no acesso a direitos. Com a Quarta Revolução Industrial e a digitalização massiva da vida social, acelerada pela plataformização da comunicação a partir dos anos 2010, o racismo estrutural encontrou seu novo suporte tecnológico.

O ambiente digital não criou um espaço neutro ou igualitário. Criou uma nova infraestrutura para a reprodução das mesmas hierarquias, agora operada por algoritmos, plataformas e sistemas de inteligência artificial que se apresentam sob o mito da objetividade e a neutralidade técnica.

Esse diagnóstico não é isolado. Grupos de cientistas, teóricas e ativistas da comunicação e da tecnologia apontaram os processos pelos quais tanto as tecnologias digitais de comunicação quanto a ideologia do Vale do Silício são racializadas, a partir de uma lógica da supremacia branca (Nakamura, 2008; Daniels, 2013; Broussard, 2018; Benjamin, 2019 apud SILVA, 2020, p. 121). O racismo online é, portanto, um “sistema de práticas contra pessoas racializadas que privilegiam e mantêm poder político, econômico e cultural para os brancos no espaço digital” (Tynes et al., 2019, p. 195 apud SILVA, 2020, p. 122). E o desafio, no ambiente digital, é ainda mais profundo pois o racismo se imbrica nas tecnologias por meio de processos “invisíveis”, presentes em recursos automatizados como a recomendação de conteúdo, o reconhecimento facial e o processamento de imagens (Silva, 2020, p. 122).

É nesse contexto que se situa o presente trabalho. A "data base", expressão que nomeia tanto a base de dados que alimenta os sistemas algorítmicos quanto a exposição pública e punitiva que as redes digitais possibilitam, é aqui proposta como categoria analítica para designar o novo pelourinho digital, o espaço onde corpos racializados continuam sendo expostos, classificados e punidos. Mas, agora, em escala global e com velocidade viral. O problema que orienta a investigação é: de que modo o racismo digital, manifesto em microagressões online e em discriminações algorítmicas, constitui uma expressão contemporânea do racismo estrutural historicamente forjado no Brasil, e qual a continuidade estrutural que conecta o pelourinho colonial à data base digital?

A relevância social da presente investigação é direta, tendo em vista que pessoas negras, especialmente mulheres, são o grupo mais afetado pelo racismo digital no Brasil, sendo alvo preferencial de ataques coordenados, invisibilização algorítmica e microagressões que comprometem sua dignidade, saúde mental e participação igualitária na esfera pública digital. Os dados reforçam, ainda, a gravidade do quadro: 81% das vítimas de racismo no Facebook no Brasil são mulheres de classe média, e 76,2% dos agressores não tinham nenhum relacionamento prévio com a vítima (Trindade, 2018 apud SILVA, 2020, p. 121). Do ponto de vista científico, a relevância reside na contribuição interdisciplinar do estudo ao campo dos direitos humanos, da teoria racial crítica e dos estudos sobre tecnologia e sociedade, propondo um marco analítico capaz de articular história, estrutura social e ambiente digital.

O objetivo geral do trabalho é analisar o racismo digital (manifesto em microagressões online e em discriminações algorítmicas) como expressão contemporânea do racismo estrutural brasileiro, demonstrando a continuidade histórica entre o pelourinho colonial e a data base digital. São objetivos específicos: (a) identificar a lógica estrutural comum entre o pelourinho e a data base como dispositivos de classificação, exposição e punição de corpos racializados; (b) sistematizar a tipologia das microagressões raciais no ambiente digital à luz do conceito de racismo algorítmico; e (c) examinar de que modo a plataformização da comunicação amplifica e sofistica as formas históricas de controle racial.

Para tanto, o trabalho parte do racismo estrutural como chave teórica (seção 3.1), estabelece a continuidade entre o pelourinho e a data base (seção 3.2), sistematiza as microagressões raciais no ambiente digital (seção 3.3) e examina, como caso concreto, a atribuição de relevância em bancos de imagens digitais (seção 3.4). Em seguida, discute a dupla opacidade (seção 3.5) e a plataformização (seção 3.6) como fatores que sofisticam o controle racial.

2. METODOLOGIA

O presente trabalho adota metodologia qualitativa, de natureza teórico-documental, estruturada em dois planos complementares. No primeiro, foi empregado o método histórico-comparativo para rastrear a continuidade estrutural entre os dispositivos de controle racial do período escravocrata, com destaque para o pelourinho como instrumento jurídico-político, e as formas contemporâneas de racismo digital. Esse percurso, é certo, não busca equivalência de intensidades entre violências de épocas distintas, mas a identificação da mesma lógica operacional: a classificação, exposição e punição de corpos racializados como mecanismo de manutenção da ordem racial.

No segundo plano, foi realizada a análise documental de casos concretos de racismo online no Brasil, a partir do mapeamento sistematizado Mapeamento de Danos e Discriminação Algorítmica (Silva, 2025), com o objetivo de conferir substrato empírico às categorias teóricas mobilizadas. A pesquisa bibliográfica é interdisciplinar, abrangendo obras do Direito, da Comunicação e dos Estudos Raciais Críticos. O marco teórico central articula o racismo estrutural (Almeida, 2019), o racismo algorítmico (Silva, 2022), a Teoria Racial Crítica (Crenshaw, 1991; Moreira, 2019), o conceito de microagressão racial (Sue, 2007; Pierce, 1970) e a necropolítica (Mbembe, 2018).

O substrato empírico foi aprofundado, ainda, por duas fontes secundárias. A primeira é a sistematização de casos de racismo algorítmico elaborada por Silva (2020, p. 130-131), que relaciona doze casos documentados, em sistemas de anúncios, buscadores de imagens, processamento de linguagem natural, visão computacional e bots conversacionais, às categorias de microagressões raciais. A segunda é o estudo exploratório de Carrera (2020), que analisou cerca de 3.200 fotografias extraídas das três primeiras páginas de resultados de busca dos bancos Shutterstock, Getty Images e Stockphotos para as palavras-chave boss (chefe), secretary (secretária/o), poverty (pobreza) e wealth (riqueza)³. Esses dados não foram produzidos pelos autores deste trabalho. São relidos, é certo, à luz do marco teórico aqui proposto — e com a ressalva, feita pela própria autora, de que se trata de estudo exploratório, que demanda comprovação empírica adicional (Carrera, 2020, p. 153). Para essa leitura, soma-se ao marco teórico a noção de hiper-ritualização (Goffman, 1979 apud CARRERA, 2020, p. 149).

3. DESENVOLVIMENTO

3.1. Racismo Estrutural: a permanência da hierarquia racial

O ponto de partida teórico indispensável é a compreensão do racismo como estrutura. Silvio Almeida (2019) distingue três concepções de racismo (individualista, institucional e estrutural) e argumenta que apenas a terceira é capaz de explicar a persistência da desigualdade racial em sociedades que formalmente repudiam o preconceito. O racismo estrutural não depende de sujeitos racistas conscientes. Ele opera pelo funcionamento “normal” das instituições, que reproduzem vantagens para grupos brancos e desvantagens para grupos negros de forma sistemática e historicamente acumulada.

Essa perspectiva tem implicação direta para a análise do ambiente digital. Ora, se o racismo é estrutural, sua presença nas plataformas, algoritmos e infraestruturas de dados não é acidental, nem excepcional. É esperada. As tecnologias digitais são desenvolvidas por pessoas, em empresas, em sociedades racialmente hierarquizadas, e carregam essa hierarquia em sua arquitetura, mesmo quando seus criadores não o reconhecem. Entender que o racismo digital é estrutural, e não um ato isolado de um indivíduo ou de um grupo, nos torna ainda mais responsáveis pelo combate ao racismo e aos racistas.

O ponto não passou despercebido aos estudos sobre tecnologia. O racismo “não deve ser entendido como um comportamento excepcional dos indivíduos desviando de uma norma social não-racista mas, diferentemente, como um sistema sociopolítico global” (Ali, 2013, p. 99 apud SILVA, 2020, p. 124) — sistema que inclui, historicamente, formatações dos campos produtivos da tecnologia que favorecem o treinamento enviesado de sistemas que intensificam discriminações e opressões (Silva, 2020, p. 124). E a ausência de intenção não afasta a responsabilidade. Como adverte Broussard:

Os algoritmos são idealizados por pessoas, e pessoas incorporam seus vieses inconscientes nos algoritmos. É raramente intencional – mas isso não significa que devemos ignorar a responsabilidade dos cientistas de dados. Significa que devemos ser críticos e vigilantes sobre as coisas que podem dar errado (Broussard, 2018, pos. 2891 apud SILVA, 2020, p. 124).

Como demonstra Tarcizio Silva (2022, p. 66), o racismo algorítmico é uma “camada adicional do racismo estrutural, que, além do mais, molda o futuro e os horizontes de relações de poder, adicionando mais opacidade sobre a exploração e a opressão global que já ocorriam desde o projeto colonial do século XVI”.

O mesmo se diga das imagens. Carrera (2020, p. 145), com apoio em Almeida (2019), sustenta que as imagens servem ao racismo estrutural, uma vez que ultrapassam a influência na dimensão individual para conduzir processos sociais, institucionais e culturais e gerar piores condições de existência a pessoas negras. Ora, se a imagem também é estrutura, os sistemas que decidem quais imagens circulam — e quais corpos elas mostram — tampouco são neutros.

3.2. Do Pelourinho à Data Base: continuidade histórica do controle racial

A compreensão do pelourinho como mera crueldade do passado, que não existiria mais, obscurece sua natureza jurídico-política. Enquanto instrumento do direito colonial, o pelourinho cumpria funções precisas: classificava corpos segundo a hierarquia racial, expunha publicamente o sofrimento negro como espetáculo de poder e punia de forma exemplar aqueles que ousavam resistir à ordem escravocrata. Era, simultaneamente, dispositivo de violência física, mecanismo de produção do medo coletivo e tecnologia de comunicação da hierarquia racial para toda a comunidade (verdadeiro instrumento de autoridade e de poder).

A passagem do pelourinho à data base não é uma simples metáfora: é a descrição estrutural de uma continuidade de poder que mudou de suporte tecnológico sem alterar sua lógica fundamental. A data base, a um só tempo, classifica, expõe e pune, tal qual o pelourinho fazia no período colonial.

Classifica na medida em que sistemas de policiamento preditivo determinam quem é suspeito; algoritmos de crédito determinam quem merece acesso a recursos; mecanismos de recomendação determinam quem é visível e quem é invisibilizado. Em todos esses processos, a raça opera como variável determinante, ainda que codificada em variantes como padrões de consumo, histórico de buscas ou endereço residencial.

Não é outra a constatação de Pasquale: “A ‘autoridade’ é crescentemente expressa algoritmicamente. Decisões que eram normalmente baseadas em reflexão humana agora são feitas automaticamente” (Pasquale, 2015, p. 4 apud SILVA, 2020, p. 123). A autoridade que antes se erguia em praça pública passa a ser exercida em código. E, como anota Silva (2020, p. 133), essas práticas se aproximam cada vez mais da vigilância estatal e policial desenvolvida a partir de tecnologias de controle de corpos negros (Browne, 2015; Benjamin, 2019 apud SILVA, 2020, p. 133), de que são exemplos o policiamento “preditivo” e a análise de reincidência criminal (Osoba; Welser Iv, 2017; Angwin et al., 2016 apud SILVA, 2020, p. 133).

A data base expõe: a viralização de conteúdo racista, o doxxing e a amplificação algorítmica de ataques coordenados reconstituem o espetáculo público do pelourinho em escala global.

E o espetáculo, tal qual no pelourinho, não atinge apenas quem é exposto. A literatura sobre racismo online registra a necessidade de “medir experiências direcionadas ao indivíduo assim como aquelas vicárias ou testemunhadas por um respondente”, pois “aqueles que testemunham os casos também podem ser impactados pelos efeitos psicológicos” (TYNES; Rose; Markoe, 2013 apud SILVA, 2020, p. 134). O açoite em praça pública também era, afinal, uma mensagem dirigida a quem assistia.

E, por fim, pune, infligindo dano psicológico documentado, comprometendo reputações, produzindo silenciamento e autocensura, formas contemporâneas de morte social.

Para estabelecer essa conexão estrutural, o conceito de necropolítica de Achille Mbembe (2018) é essencial. O poder soberano de decidir quem pode viver e quem deve morrer, que no período colonial se exercia no pelourinho, encontra sua versão digitalizada nos sistemas algorítmicos que decidem quem tem crédito, quem é suspeito, quem é visível e quem é silenciado. Tarcizio Silva desenvolve essa articulação no artigo Algorithmic Necropolitics (2023), demonstrando que o racismo algorítmico não é uma anomalia técnica, mas, sim, expressão de uma ordem racial que nunca foi desativada.

3.3. Microagressões Raciais no Ambiente Digital

O conceito de microagressão racial foi proposto pelo psiquiatra Chester Pierce (1970) e sistematizado por Derald Wing Sue (2007) para designar comunicações cotidianas verbais, comportamentais ou ambientais que transmitem insulto, desprezo ou invalidação racial de forma muitas vezes sutil ou inconsciente. A relevância do conceito reside precisamente em sua capacidade de nomear o que o senso comum tende a naturalizar. A violência racial que não se apresenta com a brutalidade do açoite, mas que produz efeitos cumulativos devastadores sobre a dignidade, a saúde mental e o desenvolvimento pleno de populações racializadas.

Pierce propôs o conceito ao defender que se estudassem também os “mecanismos ofensivos” dos grupos opressores, e não apenas os “mecanismos defensivos” de que já se ocupavam as práticas psiquiátricas (Silva, 2020, p. 124). Em suas palavras:

a maioria das ações ofensivas não são brutas e violentas fisicamente. Elas são sutis e paralisantes. A enormidade das complicações que causam pode ser entendida apenas quando se considera que estes golpes são dados incessantemente (Pierce, 1970, p. 265-266 apud SILVA, 2020, p. 124-125).

Trata-se, nas palavras de Sue, de “ofensas verbais, comportamentais e ambientais comuns, sejam intencionais ou não intencionais, que comunicam desrespeito e insultos hostis, depreciativos ou negativos contra pessoas de cor” (Sue, 2010, p. 29 apud SILVA, 2020, p. 125) — uma “forma de racismo sistêmico e cotidiano usado para manter aqueles à margem racial em seus lugares” (Huber; Solorzano, 2014, p. 6 apud SILVA, 2020, p. 125).

Sue (2007) classifica as microagressões em três categorias: microataques, microinsultos e microinvalidações. A primeira categoria diz respeito aos ataques diretos e explícitos com enfoque racial, por meio de piadas racistas ou discriminação verbal. Os microinsultos, por sua vez, são observações ou comentários comportamentais e verbais que transmitem grosseria, insensibilidade e rebaixam a herança racial ou identidade. Já as microinvalidações são afirmações verbais que negam, anulam ou minam as realidades dos membros de grupos-alvo, excluindo ou negando seus sentimentos e experiências.

O prefixo “micro”, é certo, não se refere ao grau de virulência. Refere-se à pervasividade e ao fato de que “a agressão incide em um nível individual e/ou local, ou mesmo em situações ‘privadas’ ou limitadas, que permitem certo grau de anonimato por parte do agressor” (Silva; Powell, 2016, p. 46 apud SILVA, 2020, p. 125) — ou permitem a evasão, pela disputa sobre a intencionalidade (“era só uma piada”). Pensando especificamente no racismo online, Tynes e colaboradores (2019 apud SILVA, 2020, p. 126) acrescentam duas categorias: a deseducação, definida como a “criação de materiais online de aprendizados que na maioria dos casos não-intencionalmente degrada ou omite pessoas não-brancas” (Tynes et al., 2019, p. 201 apud SILVA, 2020, p. 126), e a desinformação, deliberada ou não.

A literatura registra, ainda, tipos recorrentes de microagressões (Silva, 2020, p. 127-128). No Brasil, a suposição de criminalidade é das mais pervasivas: supõe-se que a pessoa racializada tem mais chance de ser “perigosa, criminosa ou desviante baseado em sua raça” (Sue, 2007 apud SILVA, 2020, p. 127). A negação de realidades raciais, por sua vez, assume entre nós a forma do mito da “democracia racial”. Abdias Nascimento já denunciava que o negro brasileiro, embora “seja discriminado exatamente por causa de sua condição racial e da cor, negam a ele, com fundamentos na lei, o direito legal da autodefesa” (Nascimento, 2016 [1977], pos. 1546 apud SILVA, 2020, p. 127). Somam-se a elas a suposição de inferioridade intelectual, a patologização de valores culturais, a exotização — que, no caso das mulheres racializadas, soma-se à misoginia e conduz à hipersexualização —, a negação de cidadania (o “estrangeiro na própria terra”) e a exclusão ou isolamento.

No contexto digital, Tarcizio Silva (2019) propõe um desdobramento fundamental: as microagressões algorítmicas, categoria que designa as opressões raciais produzidas não por sujeitos individuais, mas pela arquitetura dos próprios sistemas digitais — tornando a discriminação ainda mais opaca e juridicamente desafiadora. Não há sujeito racista identificável, não há intenção declarada. O que existe é uma arquitetura que reproduz e amplifica a hierarquia racial embutida nos dados que a alimentaram.

Silva (2020, p. 128-129) leva o argumento adiante: boa parte das discriminações raciais algorítmicas pode ser vista como microagressões, que afetam os usuários de plataformas de forma individual ou vicária. O Quadro 1 reproduz a sistematização de casos elaborada pelo autor.

Quadro 1. Casos de racismo algorítmico e sua correspondência com as categorias de microagressões

Fonte: adaptado de Silva (2020, p. 130-131).

O mapeamento de Silva (2025) documenta casos paradigmáticos dessa tipologia. O Google Photos taggeou pessoas negras como "gorilas"⁴, operando uma negação de cidadania por meio de classificação automatizada. O Facebook ocultou manifestações contra a violência policial racista, configurando negação de realidades raciais por moderação seletiva. Mecanismos de busca em bancos de imagens invisibilizaram sistematicamente famílias negras, gerando um efeito em cascata que empobrece a representação da diversidade brasileira em toda a produção de conteúdo.

O caso do Facebook merece detalhe. Em 2014, em meio aos protestos em Ferguson contra a violência policial dirigida a jovens negros, o recurso “Top Trends” da plataforma não exibiu o tema, embora estivesse em destaque na imprensa e nas mídias sociais. Por meio de “agência computacional, o algoritmo do Facebook ‘decidiu’ que estas histórias não atendiam seus critérios de ‘relevância’ – uma fórmula proprietária e opaca” (Tufekci, 2014, p. 3 apud SILVA, 2020, p. 131-132). A pergunta de Silva (2020, p. 132) é incontornável: o assassinato impune de jovens e as manifestações decorrentes poderiam não ser “relevantes” no principal ambiente midiático da internet?

Nos buscadores, a lógica se repete. Safiya Noble (2018) demonstrou que plataformas como o Google reproduzem representações nocivas de grupos minorizados — a exemplo da hipersexualização de garotas negras e latinas em resultados de busca de imagens —, concluindo que “na internet e nos nossos usos rotineiros da tecnologia, a discriminação está embutida nos códigos computacionais e, cada vez mais, em tecnologias de inteligência artificial das quais dependemos, por escolha ou não” (Noble, 2018, pos. 15 apud SILVA, 2020, p. 132). No caso dos bancos de imagens, o projeto “Vamos conversar, bancos de imagens?”, do coletivo Desabafo Social, exibiu que termos simples como “família” ou “bebês” resultavam praticamente apenas em pessoas brancas. E o dano se multiplica: como esses bancos são consumidos por milhares de produtores de conteúdo, publicitários, blogueiros e jornalistas sem recursos para produção própria tendem a usar imagens não representativas da diversidade brasileira (Silva, 2020, p. 132-133). Pierce e colaboradores já haviam percebido o fenômeno nos anúncios televisivos, que se tornam uma “coleção de fontes que vomitam microagressões através de mecanismos ofensivos” (Pierce et al., 1977 apud SILVA, 2020, p. 133).

A transformação algorítmica de imagens acrescenta nova faceta ao problema. O FaceApp foi denunciado por recursos que tornavam selfies “mais belas” a partir da valorização de traços fenotípicos eurocêntricos, chegando ao paroxismo de clarear fotos de usuários de ascendência africana e indiana (Silva, 2020, p. 133). APIs de visão computacional, por sua vez, confundiram cabelo negro com perucas (Mintz et al., 2019 apud SILVA, 2020, p. 131). Em nenhum desses casos há açoite, há classificação.

3.4. A Data Base em Imagens: racismo e sexismo nos bancos de imagens digitais

Os bancos de imagens digitais oferecem um lugar privilegiado para observar a data base em funcionamento. São repositórios de fotografias, ilustrações e vetores que abastecem a maioria dos anúncios estáticos em circulação e, para além da publicidade, parcela significativa das imagens de blogs, sites e mensagens institucionais, jornalísticas e governamentais (Carrera, 2020, p. 139). São essas as imagens que ajudam a definir o que é ser negro ou ser mulher, e quais corpos estão associados a construtos como gentileza, agressividade, beleza, pobreza, riqueza e sucesso profissional (Carrera, 2020, p. 140).

O fotógrafo cria as tags de cada imagem no momento do upload, em um funcionamento similar ao de um buscador; o banco as revisa antes de colocá-las à disposição; e a ordenação dos resultados por “relevância” obedece a um processo algorítmico pouco transparente, não se sabe se baseado apenas em reconhecimento de padrões ou em parâmetros de machine learning, nem quais outros construtos atribuem relevância a uma imagem em detrimento de outras. Os sites não disponibilizam essa informação (Carrera, 2020, p. 141). O usuário, por sua vez, tende a atribuir objetividade e racionalidade a resultados carregados de vieses, como se tais tecnologias fossem “neutras, objetivas e infalíveis” (Osoba; Welser Iv, 2017 apud CARRERA, 2020, p. 141). Evidentemente, não são. São decisões de automação tomadas por pessoas e podem ser ferramentas a serviço da opressão (Noble, 2018 apud CARRERA, 2020, p. 141).

Os resultados de busca, ademais, não se produzem no vácuo. No Brasil, homens brancos ganham mais, seguidos de mulheres brancas, homens negros e, por fim, mulheres negras; e, enquanto homens negros ocupam apenas 4,7% dos cargos executivos, mulheres negras ocupam 0,6% (IPEA, 2017; Ethos, 2016 apud CARRERA, 2020, p. 145). Em pesquisa divulgada em campanha governamental⁵, especialistas de recursos humanos, diante de imagens idênticas salvo pela marcação racial, atribuíram a brancos o perfil de cargos de liderança e a negros o perfil da criminalidade e de cargos subalternos (Carrera, 2020, p. 145).

Os bancos de imagens reproduzem esse cenário — e o retroalimentam. Na palavra-chave boss, predominam homens brancos, a quem são atribuídos o ato de explicar, ensinar, repreender e conferir o trabalho (Carrera, 2020, p. 146). Os números estão na Tabela 1.

Tabela 1. Composição dos resultados de busca para a palavra-chave boss nos bancos Shutterstock, Getty Images e Stockphotos

Fonte: elaborada pelos autores com base em Carrera (2020, p. 146).

A escala é inequívoca: homem branco, mulher branca, homem negro, mulher negra (Carrera, 2020, p. 146). A mulher negra ocupa a base da hierarquia, posição que não resulta da mera soma das desvantagens de gênero e de raça, mas de sua intersecção (Crenshaw, 1991).

O contraste com secretary é revelador. Embora o termo, em inglês, não tenha marcação de gênero, os resultados trazem quase totalidade de mulheres e evidente aumento da proporção de mulheres negras. A ausência de mulheres negras nas imagens de chefia, portanto, “não é resultado de falta de modelos, mas da associação da negritude a cargos subalternos” (Carrera, 2020, p. 147). No mesmo cenário de escritório e na mesma postura corporal, homens brancos sozinhos são boss; mulheres negras sozinhas são secretary. E os raros homens que aparecem em secretary são brancos, de terno e gravata, em palanques, fóruns ou entrevistas — provavelmente Secretários de Estado, isto é, ocupantes de cargo de poder (Carrera, 2020, p. 148). Eis a primeira função do pelourinho — classificar — operando por meio de etiquetas e de critérios de relevância.

Na dimensão financeira, o quadro se aprofunda, tendo em vista que, ser branco, como sintetiza Sovik, é “uma espécie de aval, um sinal de que se tem dinheiro, mesmo quando não existem outros sinais, é andar com fiador imaginário a tiracolo” (Sovik, 2009, p. 74 apud CARRERA, 2020, p. 148). Na palavra-chave poverty, a branquitude deixa de ser maioria e cede lugar a pessoas negras, com expressivo aumento de pessoas indígenas; mulheres e crianças são vasta maioria, e homens sozinhos quase não aparecem. Carrera (2020, p. 149) lê o dado à luz da “hiper-ritualização” da infantilização e da necessidade de proteção atribuídas à mulher (Goffman, 1979 apud CARRERA, 2020, p. 149): em um contexto liberal que toma a pobreza como fracasso, “o fracasso é das mulheres” (Connell, 1995, p. 194 apud CARRERA, 2020, p. 149).

Mais grave: imagens sem qualquer signo de falta de recursos — sem casas inacabadas, entulhos, vestimentas rasgadas ou expressão de tristeza —, mas com a marcação racial da negritude ou da origem indígena, são comuns nos resultados para poverty, e não nos resultados para wealth. Imagens muito semelhantes, com sujeitos brancos, não aparecem como resultado relevante para poverty (Carrera, 2020, p. 150). Ora, se nada na imagem indica pobreza além da raça, é a raça que está sendo etiquetada como pobreza. A data base classifica corpos — e o faz sem que ninguém precise declarar a intenção de fazê-lo.

Em wealth, a branquitude reina, com expressivo aumento de homens, sobretudo sozinhos; as poucas mulheres aparecem predominantemente acompanhadas de homens. Há, a um só tempo, hiper-ritualização da dependência financeira feminina e do sucesso financeiro como ganho pessoal e intransferível dos homens (Carrera, 2020, p. 151). Para a autora, são microagressões “tão potentes quanto nocivas para a manutenção das dinâmicas sociais sexistas” (Carrera, 2020, p. 149). O Quadro 2 sintetiza os padrões observados.

Quadro 2. Síntese dos padrões de representação por palavra-chave

Fonte: elaborado pelos autores com base em Carrera (2020, p. 146-153).

As respostas das empresas, por sua vez, esbarram em limite estrutural. Após reivindicação da Desabafo Social⁶, o Shutterstock inseriu filtro de etnias em sua busca, mas nada fez quanto ao algoritmo que atribui à busca genérica “família” a capacidade de resultar em expressiva maioria de indivíduos brancos (Carrera, 2020, p. 142-143). O Getty Images, com a Dove e a Girlgaze, lançou o projeto #ShowUs, uma coleção de mais de 5.000 fotografias, de 116 fotógrafas de 39 países, tagueada com palavra-chave própria (Carrera, 2020, p. 143). Se essas imagens não se misturam às demais nas pesquisas genéricas, não há construção igualitária de representação, mas a marcação de quem compõe o padrão e de quem caracteriza a diferença, o exotismo e a estigmatização (Goffman, 1988 apud CARRERA, 2020, p. 143). A diversidade vira nicho. A branquitude permanece como o padrão “neutro” da biblioteca — e, em contextos de poder e riqueza, a ausência de pessoas negras “não é sentida nem marcada, uma vez que é a norma” (Carrera, 2020, p. 153).

3.5. A Dupla Opacidade e a Ficção da Neutralidade Tecnológica

Para a compreensão do racismo digital é relevante, ainda, compreender o que Tarcizio Silva (2022) denomina “dupla opacidade”. Trata-se do modo pelo qual grupos hegemônicos buscam tanto apresentar a ideia de neutralidade na tecnologia quanto dissipar o debate sobre racismo e supremacia branca. Essa dupla opacidade opera em dois níveis. No nível técnico, a complexidade dos sistemas algorítmicos, suas caixas-pretas inescrutáveis, seus modelos de aprendizado de máquina alimentados por dados históricos enviesados, dificulta a identificação e a demonstração da discriminação. No nível discursivo, a narrativa da neutralidade tecnológica naturaliza os resultados discriminatórios como meros erros técnicos, desviando o olhar da estrutura racial que os produz.

No nível técnico, a vulnerabilidade tem nome: os dados de treinamento. Como registram Osoba e Welser IV:

algoritmos tendem a ser vulneráveis a características de seus dados de treinamento. Este é um recurso destes algoritmos: a habilidade de se adaptar face a inputs cambiantes. Mas a adaptação algorítmica em resposta aos dados fornecidos também apresenta um vetor de ataque por usuários mal-intencionados. Esta vulnerabilidade da dieta de dados em algoritmos de aprendizado é um tema recorrente (Osoba; Welser Iv, 2017, p. 7 apud SILVA, 2020, p. 123).

E a opacidade técnica decide, ela própria, o que é visível. A propósito do caso Ferguson, Silva (2020, p. 132) fala de uma opacidade algorítmica que decide visibilidade e invisibilidade de temas, dificultando a ativistas e pesquisadores a identificação de causas e efeitos. Ela se soma a uma característica das próprias microagressões: “uma das principais características das microagressões, em todos seus níveis, é o fato de sua aparente ‘invisibilidade’, principalmente contidas em expressões não intencionais de preconceito” (Silva; Powell, 2016, p. 54 apud SILVA, 2020, p. 132).

No nível discursivo, a opacidade converte-se em isenção de responsabilidade. Assim como o Google já tentou se desvencilhar de acusações de racismo e sexismo em suas páginas de resultado, os bancos de imagens tendem a explicitar que não podem ser responsabilizados pelo que colocam à disposição (Carrera, 2020, p. 141-142). É o que faz o Getty Images em seus termos de uso:

A Getty Images oferece um recurso de pesquisa no Site. A Getty Images isenta-se explicitamente de qualquer responsabilidade pelo conteúdo ou pela disponibilidade de informações contidas no seu diretório ou índice de pesquisa. A Getty Images também isenta-se de responsabilidade pela integridade ou exatidão de qualquer diretório ou resultado de pesquisa (Getty Images Apud Carrera, 2020, p. 142).

Questionado sobre o filtro que clareava a pele de usuários negros, o criador do FaceApp seguiu o mesmo roteiro: “É um infeliz efeito colateral da rede neural subjacente causada pelos dados de treinamento, não comportamento intencional” — ignorando seu papel nas escolhas dos dados de treinamento e do design do algoritmo (Silva, 2020, p. 133). O dado técnico (“a rede neural”) é mobilizado como álibi discursivo (“não intencional”). Eis a dupla opacidade em uma só frase. Contra ela, Carrera (2020, p. 152) é taxativa: os modos de tagueamento e os processos de treinamento algorítmico “obedecem a regimes enviesados de raça e gênero que devem ser considerados como desenho político e tecnológico”. Por serem produzidos por mentes humanas inseridas em contextos de desigualdade, esses espaços “não são inocentes a respeito das suas escolhas”.

O desenvolvimento de tecnologias algorítmicas alimenta-se do histórico social para oferecer uma pretensa inteligência artificial, comprometida com o patriarcado e o colonialismo. Surge, assim, uma “desinteligência” artificial que atualiza opressões como o racismo estrutural, mas é vendida como neutra (Silva, 2022). O racismo digital, neste diapasão, não pode ser adequadamente compreendido como problema técnico a ser resolvido por ajustes de programação. É problema estrutural que demanda análise estrutural, e é exatamente o que a articulação entre teoria racial crítica e estudos de tecnologia e sociedade permite realizar.

3.6. A Plataformização como Amplificadora do Controle Racial

A plataformização da comunicação, assim entendida como o processo de transformação das grandes corporações tecnológicas em infraestrutura mediadora da vida social, não é neutra em relação à raça. As plataformas não são canais passivos de transmissão de conteúdo. Ao revés, são agentes ativos que, por meio de suas decisões de design, moderação e amplificação algorítmica, produzem ambientes que sistematicamente expõem populações negras a mais riscos e menor proteção.

A concentração é a marca do processo. O diagnóstico da plataformização tomou forma a partir da percepção de que ambientes como o Facebook se estenderam para toda a web, em uma integração que priorizou a concentração de dados e valor em poucas empresas (Silva, 2020, p. 122). Alphabet (detentora do Google), Facebook, Amazon, Microsoft e Apple investiram no desenvolvimento estratégico de suas plataformas, com conglomerados de cientistas voltados à contínua otimização dos fluxos de monetização da audiência (Silva, 2020, p. 122). Apesar do discurso de liberdade e horizontalização das relações, “a plataformização da comunicação e economia significa concentração internacional de fluxos de dados e capital” (Silva, 2020, p. 123). Quem controla a infraestrutura controla, também, a praça pública.

O racismo online se caracteriza por diferentes camadas discursivas que se adaptam e atualizam de acordo com mudanças no ecossistema das mídias e plataformização da comunicação (Silva, 2022). A articulação de grupos extremistas para ataques coordenados contra minorias (sobretudo mulheres negras) recorrentemente ganha manchetes. Mas para além dos ataques explícitos, a arquitetura das plataformas opera o racismo de forma difusa: pela moderação seletiva que remove conteúdos antirracistas enquanto mantém discursos de ódio; pela amplificação diferencial que viraliza conteúdos racistas com maior eficiência; e pelo shadowbanning que reduz a visibilidade de vozes negras sem notificação ou justificativa.

Os agressores, por sua vez, nutrem a crença de que o ambiente virtual se constitui num espaço totalmente desregulado (Trindade, 2018 apud SILVA, 2020, p. 121). E as próprias plataformas, por vezes, confirmam essa crença: o Twitter decidiu não banir discurso de ódio nazista e supremacista branco para não afetar políticos republicanos (Silva, 2020, p. 131). Mesmo quando a pauta racial alcança visibilidade, pode ser esvaziada — em análise da hashtag #DiadaConsciênciaNegra no Twitter, a data foi “reduzida à questão do feriado, tornando irrelevante sua associação com o debate racial, com a questão histórica e com o desvelamento da dominação” (Recuero, 2014, p. 307 apud SILVA, 2020, p. 121).

Viver ou morrer e gerar comoção ou escárnio na morte é uma questão racializada ligada a interesses econômicos. É o que Achille Mbembe chamou de necropolítica (Mbembe, 2018 apud SILVA, 2022). Quando essa lógica é mediada pelas plataformas de mídias sociais e inteligência artificial, seus desdobramentos se tornam estruturalmente análogos àqueles do pelourinho colonial: a praça pública mudou de endereço, mas a lógica de exposição, classificação e punição de corpos racializados permanece operante.

4. CONSIDERAÇÕES FINAIS

A trajetória analítica percorrida neste trabalho revela uma continuidade que o senso comum frequentemente recusa enxergar: entre o pelourinho colonial e a data base digital não há ruptura estrutural, há mutação tecnológica. O dispositivo muda de suporte (do poste de madeira ao servidor de dados), mas a lógica permanece. Classificar corpos segundo a hierarquia racial, expô-los ao escárnio público e puni-los com a violência disponível em cada época.

Os dados examinados conferem materialidade a essa tese. Nos bancos de imagens digitais, homens brancos são os principais resultados para chefia e riqueza; mulheres negras, raras entre as chefias (2,02%), são muito mais frequentes nos resultados para secretariado e, junto a crianças negras, são resultado majoritário para o construto da pobreza (Carrera, 2020, p. 146-153). Nos sistemas de anúncios, de busca, de visão computacional e de moderação de conteúdo, os casos sistematizados por Silva (2020) mostram a mesma hierarquia operando como suposição de criminalidade, exotização, negação de cidadania e negação de realidades raciais. A classificação que antes se fazia na praça agora se faz por etiquetas, pesos e critérios de relevância.

O racismo digital, manifesto em microagressões interpessoais e algorítmicas, não é uma novidade histórica. É a versão contemporânea de um sistema de controle racial que atravessa séculos de história brasileira, adaptando-se continuamente aos instrumentos disponíveis. A "dupla opacidade" do ambiente digital — a complexidade técnica somada à narrativa da neutralidade tecnológica — torna esse racismo simultaneamente mais pervasivo e mais difícil de nomear, o que representa desafio tanto teórico quanto político.

A principal contribuição deste trabalho é precisamente oferecer um marco analítico capaz de articular essa continuidade histórica: o conceito de data base como categoria que nomeia o novo pelourinho digital permite que a análise do racismo online não perca de vista sua ancoragem estrutural. Microagressões algorítmicas não são erros de programação — são expressões codificadas de uma ordem racial que alimentou os dados, orientou os critérios e definiu as prioridades dos sistemas que agora as reproduzem em escala global.

As fontes examinadas apontam caminhos. No plano produtivo, inserir uma etapa de revisão de tags, que já faz parte do processo de upload, na qual se avaliem as associações de raça e gênero é um dos primeiros passos para acervos mais responsáveis (Carrera, 2020, p. 152). No plano formativo, a educação sobre microagressões importa, pois, na medida em que “mais pessoas estão conscientes do termo e do conceito, fica mais provável que serão defensivos quando confrontados sobre seus comportamentos” (Nadal, 2014, p. 74 apud SILVA, 2020, p. 134), inclusive desenvolvedores e gerentes de produto. E, do ponto de vista dos grupos minorizados, as taxonomias de microagressões podem ajudar populações racializadas a “‘nomear suas dores’, como Paulo Freire descreve, e engajar-se em estratégias anti-opressivas pela libertação” (Huber; Solorzano, 2014, p. 18 apud SILVA, 2020, p. 134). Reconhece-se, por fim, que a dimensão empírica deste trabalho se apoia em dados secundários, o que recomenda, em pesquisas futuras, auditorias próprias de sistemas algorítmicos em uso no Brasil.

Compreender o racismo digital como expressão do racismo estrutural é, portanto, condição para qualquer resposta adequada — seja ela política, regulatória ou social. O pelourinho foi abolido por lei, mas a lógica que o animava sobreviveu, transformada. Reconhecer a data base como seu herdeiro estrutural é o primeiro passo para desmontá-la.

REFERÊNCIAS BIBLIOGRÁFICAS

ALMEIDA, Silvio Luiz de. Racismo estrutural. São Paulo: Sueli Carneiro; Pólen, 2019.

BENJAMIN, Ruha. Race after technology: abolitionist tools for the new Jim Code. Cambridge: Polity Press, 2019.

CARRERA, Fernanda. Racismo e sexismo em bancos de imagens digitais: análise de resultados de busca e atribuição de relevância na dimensão financeira/profissional. In: SILVA, Tarcízio (org.). Comunidades, algoritmos e ativismos digitais: olhares afrodiaspóricos. São Paulo: LiteraRUA, 2020. p. 138-155.

CRENSHAW, Kimberlé. Mapping the margins: intersectionality, identity politics, and violence against women of color. Stanford Law Review, [s. l.], v. 43, n. 6, p. 1241-1299, 1991.

GIBBS, Samuel. Google says sorry for racist auto-tag in photo app. The Guardian, London, 1 jul. 2015. Disponível em: https://www.theguardian.com/technology/2015/jul/01/google-sorry-racist-auto-tag-photo-app. Acesso em: 21 abr. 2026.

MBEMBE, Achille. Necropolítica. Tradução: Renata Santini. São Paulo: n-1 edições, 2018.

MOREIRA, Adilson José. Racismo recreativo. São Paulo: Sueli Carneiro; Pólen, 2019.

NOBLE, Safiya Umoja. Algorithms of oppression: how search engines reinforce racism. New York: NYU Press, 2018.

PIERCE, Chester M. et al. An experiment in racism: TV commercials. Education and Urban Society, [s. l.], v. 10, n. 1, p. 61-87, 1977.

PIERCE, Chester M. Offensive mechanisms. In: BARBOUR, Floyd B. (org.). The black seventies. [S. l.]: Porter Sargent, 1970. p. 265-282.

SILVA, Tarcízio (ed.) et al. Mapeamento de danos e discriminação algorítmica. [S. l.]: Desvelar, 2025. Disponível em: https://desvelar.org/casos-de-discriminacao-algoritmica/. Acesso em: 21 abr. 2026.

SILVA, Tarcízio. Algorithmic necropolitics. Sexualidad, Salud y Sociedad, Rio de Janeiro, e22304, 2023.

SILVA, Tarcízio. Racismo algorítmico em plataformas digitais: microagressões e discriminação em código. In: SILVA, Tarcízio (org.). Comunidades, algoritmos e ativismos digitais: olhares afrodiaspóricos. São Paulo: LiteraRUA, 2020. p. 120-137.

SILVA, Tarcízio. Racismo algorítmico em plataformas digitais: microagressões e discriminação em código. In: SIMPÓSIO INTERNACIONAL LAVITS, 6., 2019, Salvador. Anais [...]. Salvador: Lavits, 2019.

SILVA, Tarcízio. Racismo algorítmico: inteligência artificial e discriminação nas redes digitais. São Paulo: Edições Sesc, 2022.

SUE, Derald Wing. Microaggressions in everyday life: race, gender, and sexual orientation. Hoboken: John Wiley & Sons, 2010.

SUE, Derald Wing. Racial microaggressions in everyday life: implications for clinical practice. American Psychologist, [s. l.], v. 62, n. 4, p. 271-286, 2007.

¹ Tabeliã e Registradora no Cartório do 2º Ofício de Chapadinha/MA. Mestranda em Função Social do Direito pela FADISP/UNIALFA. Especialista em Direito Administrativo pela Faculdade 2 de Julho. Especialista em Mediação de Conflitos pela Faculdade Estácio de Teresina. Bacharel em Direito pela Universidade Federal do Piauí. E-mail: [clique para visualizar o e-mail]acesse o artigo original para visualizar o e-mail. ORCID: https://orcid.org/0009-0001-6999-3683. Lattes: http://lattes.cnpq.br/2101570618165115.

² Tabelião e Registrador no Cartório do 1º Ofício de Pinheiro/MA. Mestrando em Função Social do Direito pela FADISP/UNIALFA. Especialista em Jurisprudência pela Faculdade CERS. Especialista em Direito Penal pela Faculdade Internacional Signorelli. Bacharel em Direito pela Faculdade Instituto Camillo Filho. E-mail: [clique para visualizar o e-mail]acesse o artigo original para visualizar o e-mail. ORCID: https://orcid.org/0009-0000-4929-7296. Lattes: http://lattes.cnpq.br/1324209233274170.

³ Os termos de busca foram utilizados em língua inglesa pela ausência de marcação de gênero nos substantivos, que poderia direcionar e prejudicar os resultados; foi aplicado o filtro para fotografias, excluindo ilustrações e vetores (CARRERA, 2020, p. 144).

⁴ O caso é referido por Silva (2020, p. 130, nota 45) a partir da reportagem de Gibbs (2015), publicada no jornal The Guardian.

⁵ Trata-se da campanha “Teste de Imagem”, lançada pelo Governo do Paraná em 2016, por ocasião do Dia da Consciência Negra (CARRERA, 2020, p. 145).

⁶ Em 2017, a organização Desabafo Social produziu vídeo no qual demonstrava que a pesquisa por “família” resultava em maioria de famílias brancas; para obter resultados de famílias negras, era preciso escrever expressamente “família negra” na busca (CARRERA, 2020, p. 142).