Operação Antiterrorismo com IA da INTERPOL Identifica 126 Suspeitos, mas Correspondências Ainda Exigem Prova Humana
A operação antiterrorismo com IA da INTERPOL identificou 126 supostos combatentes terroristas estrangeiros após processar 108.076 imagens faciais coletadas de mídias jihadistas. Essa escala representa uma mudança significativa na forma como investigadores internacionais podem transformar material digital público em pistas acionáveis.
A Operation Shams II não permitiu que um algoritmo tomasse decisões finais de identificação. Agentes de IA programados e scripts gerados por IA coletaram, eliminaram duplicatas e verificaram imagens antes de agentes treinados analisarem as correspondências resultantes. A distinção é importante porque uma pontuação de semelhança facial é uma pista investigativa, não uma prova de identidade ou de conduta criminosa.
A operação, portanto, apresenta duas realidades concorrentes. A IA pode condensar um volume inadministrável de imagens online em um conjunto de dados que os investigadores conseguem examinar. No entanto, seu valor depende da qualidade das imagens, do tratamento legal dos dados, da verificação por especialistas e do que as autoridades nacionais fazem com cada pista.
Operation Shams II Transformou 108.076 Imagens em Pistas Investigativas
A mudança imediata não foi o policiamento autônomo, mas um pipeline de processamento de inteligência muito mais rápido.
Segundo a Operation Shams II, a INTERPOL coordenou a ação de cinco dias em Túnis, Tunísia, de 1º a 5 de junho de 2026. A organização anunciou os resultados em 18 de setembro.
A operação reuniu 28 agentes especializados e especialistas de 11 países. Os participantes vieram de Costa do Marfim, Gana, Iraque, Quênia, Malásia, Nigéria, Filipinas, Catar, Tadjiquistão, Tunísia e Uzbequistão.
Os investigadores começaram com conteúdo visual publicado online por grupos jihadistas. Eles extraíram 108.076 imagens faciais desse material, criando uma coleção grande demais para que uma pequena equipe a examinasse manualmente com eficiência.
Agentes de IA programados e scripts gerados por IA automatizaram partes do processo de coleta. Eles também removeram duplicatas e verificaram se as imagens tinham qualidade suficiente para análise posterior.
Essa etapa de filtragem reduziu a coleção inicial para 6.362 imagens faciais únicas e de maior qualidade. Os investigadores puderam então processar essas imagens por meio do Facial Recognition System da INTERPOL.
A redução é central para a história. Mais de 101.000 imagens coletadas não avançaram para o conjunto de dados principal de reconhecimento facial. Muitas provavelmente eram duplicatas, quadros inadequados ou material que não atendia aos requisitos de qualidade.
O National Central Bureau da INTERPOL em Bagdá também forneceu um grande conjunto de dados de inteligência sobre suspeitos de terrorismo. Essa contribuição acrescentou centenas de imagens para extração e processamento, expandindo a operação para além da mídia coletada publicamente.
A INTERPOL informou que as comparações haviam identificado 126 supostos combatentes terroristas estrangeiros até a data do anúncio. Combatentes terroristas estrangeiros são indivíduos que se acredita terem viajado ao exterior para se juntar, apoiar ou treinar com organizações terroristas.
A organização afirmou que essas correspondências enriqueceriam a inteligência sobre possíveis localizações e redes sociais. Também estava integrando as informações às suas bases de dados para uso em futuras investigações e verificações internacionais.
Esses resultados não devem ser confundidos com 126 prisões. A INTERPOL descreveu identificações e pistas investigativas, não processos concluídos ou determinações de culpa.
Uma pista já apoiava o trabalho judicial envolvendo dois suspeitos detidos, segundo a organização. Milhares de imagens ainda precisavam ser processadas, portanto o número final de possíveis correspondências permanecia em aberto.
A Operation Shams II também usou ferramentas de investigação de criptomoedas para examinar suspeitas de financiamento terrorista. Esse trabalho gerou três solicitações urgentes para que um provedor de serviços de ativos virtuais divulgasse informações de clientes.
Representantes da indústria de jogos online participaram de discussões sobre a radicalização de jovens em ambientes digitais. Esse elemento reflete o escopo mais amplo da operação, que conectou análise de imagens a financiamento e cooperação com plataformas.
O resultado central continua sendo a conversão de um arquivo visual ruidoso em um conjunto menor de evidências passíveis de revisão. Essa capacidade cria a promessa da operação, mas também concentra riscos dentro do processo de filtragem e correspondência.
Por Que a Operação Antiterrorismo com IA da INTERPOL É Importante
A Operation Shams II leva a análise assistida por IA de um objetivo de treinamento para uma investigação multinacional documentada.
Órgãos de aplicação da lei usam reconhecimento facial há anos. O que diferencia essa operação é a combinação de coleta em fontes abertas, preparação automatizada, bases de dados internacionais e revisão humana coordenada.
O problema subjacente é de escala. Um vídeo de propaganda pode conter milhares de quadros, enquanto o mesmo rosto pode aparecer em diferentes resoluções, edições e canais de distribuição.
A revisão manual tem dificuldades com esse volume. Os investigadores precisam localizar rostos, descartar quadros inutilizáveis, reconhecer imagens repetidas e comparar o material restante com registros existentes.
A IA muda a economia desse trabalho. Agentes automatizados podem repetir tarefas de coleta e limpeza sem exigir que um agente inspecione cada quadro em sequência.
Isso não significa que o software compreenda as evidências. Significa que o sistema pode reduzir a quantidade de material que os investigadores humanos precisam avaliar.
A Operation Shams II oferece uma medida concreta dessa redução. Apenas cerca de 5,9% das 108.076 imagens extraídas entraram no conjunto de 6.362 rostos únicos e de maior qualidade preparados para comparação.
Essa proporção não revela a precisão do sistema. Ela mostra, porém, quanto material duplicado ou inadequado os investigadores encontraram antes de iniciar a correspondência facial.
A operação surgiu de um programa mais amplo de capacitação. A iniciativa CT TECH+ é um projeto de dois anos implementado conjuntamente pelo United Nations Office of Counter-Terrorism e pela INTERPOL, com financiamento da União Europeia.
A CT TECH+ treina países participantes em inteligência de fontes abertas, inteligência artificial, investigações na darknet e rastreamento de ativos virtuais. Também exige que essas capacidades sejam desenvolvidas de acordo com o direito internacional e as obrigações de direitos humanos.
Sua primeira fase ocorreu de janeiro de 2022 a junho de 2024. A iniciativa ampliada foi lançada em novembro de 2024 e incluiu planos para uma operação coordenada perto do fim de seu programa.
A Operation Shams II parece ser a expressão operacional dessa preparação. Os agentes não estavam simplesmente testando um produto isolado de reconhecimento facial. Eles usavam um modelo investigativo compartilhado entre países com diferentes recursos técnicos e sistemas jurídicos.
Esse modelo pressiona agências que ainda dependem de fluxos de trabalho manuais fragmentados. Quando imagens relevantes circulam entre fronteiras e plataformas, uma equipe nacional pode não ter os dados de referência necessários para reconhecer uma pessoa.
A INTERPOL fornece a camada de conexão. Ela pode comparar o material enviado com notificações internacionais, difusões e outros registros autorizados, devolvendo então candidatos potenciais às autoridades participantes.
Uma operação anterior ilustra o contraste. Em 2024, a Operation Neptune VI concentrou-se em verificações em fronteiras, aeroportos e rotas marítimas em 14 países.
Essa operação permitiu milhões de cruzamentos de dados em bases de dados, resultou em 66 prisões e identificou 81 pessoas cobertas por notificações ou difusões da INTERPOL. Ela dependeu em grande parte de encontros em fronteiras físicas e rotas de transporte.
A Operation Shams II começa mais cedo na cadeia. Em vez de esperar que uma pessoa de interesse chegue a um posto de controle, os investigadores exploram material visual que grupos já distribuíram online.
Essa abordagem pode produzir pistas sobre pessoas que não cruzaram recentemente uma fronteira monitorada. Ela também pode revelar conexões entre um rosto não identificado e informações de inteligência mantidas em outro lugar.
A pressão agora recai sobre as agências nacionais para que respondam sem tratar a semelhança algorítmica como certeza. A geração mais rápida de pistas só é útil se as salvaguardas investigativas e judiciais conseguirem acompanhar o ritmo.
O Reconhecimento Facial por IA Funcionou como um Funil, Não como um Veredito
O mecanismo mais consequente da operação foi a filtragem em etapas seguida de revisão por especialistas.
O reconhecimento facial compara um rosto enviado com imagens armazenadas e classifica possíveis semelhanças. Ele não determina de forma independente a identidade, a intenção ou o status jurídico de uma pessoa.
A INTERPOL afirma que seu processo de reconhecimento facial exige que agentes qualificados examinem candidatos potenciais. Os analistas procuram características distintivas e classificam um resultado como candidato potencial, nenhum candidato ou inconclusivo.
Esse vocabulário é importante. Um candidato potencial continua sendo uma hipótese que exige evidências adicionais, enquanto um resultado inconclusivo não sustenta uma identificação confiável.
A Operation Shams II posicionou a automação antes e ao redor dessa comparação especializada. O software reuniu imagens, removeu material repetido e rejeitou entradas inadequadas antes que os analistas revisassem o resultado.
Essa arquitetura aborda uma fraqueza prática das investigações online. O conteúdo extremista é frequentemente copiado, comprimido, recortado, legendado ou recodificado à medida que circula entre serviços.
Uma única pessoa pode, portanto, gerar dezenas de imagens quase idênticas. Contar cada quadro separadamente inflaria o conjunto de dados e desperdiçaria recursos de comparação.
A verificação de qualidade é igualmente importante. O reconhecimento facial tem melhor desempenho quando um rosto está nítido, é suficientemente grande, tem iluminação uniforme e está voltado para a câmera.
A mídia jihadista raramente oferece condições de laboratório. Os rostos podem aparecer em ângulo, sob sombras, atrás de máscaras ou em gravações de baixa resolução.
A orientação de IA responsável da INTERPOL e do UNICRI observa que alguns sistemas superam 99% de precisão em condições ideais. A mesma orientação afirma que o desempenho pode cair abaixo de 80% quando as imagens são ruins.
Esses números não são resultados de desempenho da Operation Shams II. A INTERPOL não publicou o modelo, o limite de comparação, a taxa de falsos positivos ou dados de desempenho demográfico para essa operação.
A ausência desses detalhes limita a avaliação independente. Os leitores sabem quantas imagens entraram em cada etapa e quantos supostos combatentes foram identificados, mas não quantos candidatos precisaram ser rejeitados.
Também não há um denominador publicado para as 126 correspondências. A INTERPOL afirmou que milhares de imagens ainda exigiam processamento, portanto o número anunciado registra um resultado operacional provisório.
Ainda assim, o processo de reconhecimento facial por IA ofereceu aos investigadores algo valioso: priorização. Ele os ajudou a decidir quais registros visuais mereciam primeiro a escassa atenção humana.
Essa é uma afirmação diferente de dizer que a IA resolveu 126 casos. O software apoiou uma cadeia que envolveu coleta online, comparação em bases de dados, análise treinada, integração de inteligência e ação judicial nacional.
Cada elo pode afetar o resultado final. Material de origem ruim pode gerar candidatos fracos, registros incompletos podem deixar de identificar uma correspondência real, e metadados equivocados podem distorcer análises posteriores.
A revisão humana também introduz julgamento. A supervisão especializada reduz a dependência de resultados automatizados, mas os revisores precisam de treinamento adequado, informações contextuais e autoridade para rejeitar um candidato sugerido.
A INTERPOL afirma que todos os resultados gerados por IA na Operação Shams II passaram por verificação de agentes e analistas sob suas Rules on the Processing of Data. Essas regras regem a qualidade das informações, o acesso, a retenção e os usos permitidos em toda a organização.
O modelo em etapas representa um desenho mais defensável do que a aplicação automática de medidas com base em uma pontuação de similaridade. Ainda deixa sem resposta questões sobre auditorias, recursos, acompanhamento nacional e divulgação em tribunal.
O Ganho de Capacidade Vem com um Teste de Responsabilização
Uma identificação mais rápida eleva o custo de cada correspondência fraca, pois uma pista pode circular entre bancos de dados, agências e fronteiras.
A INTERPOL atua como uma rede de cooperação, e não como uma força policial supranacional. Ela não pode prender pessoas de forma independente, e os países participantes mantêm a autoridade sobre investigações e processos judiciais.
Essa estrutura cria uma salvaguarda, pois o resultado de um banco de dados não leva automaticamente à detenção. Ela também gera complexidade, porque os países aplicam diferentes padrões jurídicos e mecanismos de supervisão.
Uma correspondência facial pode ajudar analistas a localizar um suspeito já existente. Também pode associar suspeita a uma pessoa cuja imagem se pareça com alguém já registrado em um banco de dados.
As consequências vão além da prisão. Uma pista pode influenciar vigilância, triagem de fronteiras, decisões de viagem, entrevistas, análise de redes sociais ou solicitações de informações financeiras.
A qualidade da imagem é a preocupação técnica mais imediata. Vídeos de baixa resolução e rostos em ângulo podem reduzir a distinção entre um candidato correto e uma semelhança enganosa.
O viés apresenta outro risco. O desempenho de um sistema de IA pode variar entre grupos demográficos quando dados de treinamento, dados de teste ou condições operacionais não representam adequadamente esses grupos.
A Operação Shams II envolveu material ligado a várias regiões e a 11 países participantes. A INTERPOL não publicou uma análise de erros demográficos sobre o uso do sistema nessa operação.
Essa omissão não comprova desempenho enviesado. Significa que o anúncio público fornece evidências insuficientes para avaliar se os erros foram distribuídos de maneira uniforme.
A procedência do conjunto de dados cria uma questão separada. Investigadores extraíram imagens de conteúdo atribuído a grupos jihadistas, mas simplesmente aparecer nesse material não comprova filiação ou responsabilidade criminal.
Um vídeo pode incluir reféns, jornalistas, moradores locais, agentes de segurança, transeuntes ou imagens reutilizadas. Portanto, o contexto deve acompanhar qualquer candidato facial.
A palavra “identificado” pode obscurecer essa distinção. A declaração da INTERPOL descreveu 126 combatentes terroristas estrangeiros, mas não publicou o padrão probatório aplicado a cada classificação.
Alguns indivíduos podem já ter aparecido em registros consolidados de contraterrorismo. Outros podem exigir corroboramento adicional antes que autoridades nacionais possam conectar uma imagem a uma conduta ou localização.
As salvaguardas da organização reconhecem esses problemas. A INTERPOL afirma que as imagens enviadas devem atender a critérios de qualidade, enquanto agentes qualificados examinam possíveis correspondências antes que as informações cheguem aos países solicitantes.
Seus princípios mais amplos de IA responsável enfatizam equidade, supervisão humana, transparência, privacidade, proteção de dados e responsabilização.
A INTERPOL e o United Nations Interregional Crime and Justice Research Institute também desenvolveram um kit de ferramentas de IA para a aplicação da lei. Seu processo de desenvolvimento incluiu 56 especialistas de mais de 30 países.
O kit foi revisado por especialistas da aplicação da lei, academia, sociedade civil, direitos humanos, indústria e justiça criminal. Agências de 15 países o testaram em contextos práticos.
As orientações são úteis, mas a responsabilização operacional exige evidências mensuráveis. As agências precisam de registros que mostrem quais ferramentas processaram os dados, quais limites foram usados e quais agentes revisaram cada resultado.
Também precisam de um procedimento para corrigir uma associação falsa depois que a informação entra em um sistema internacional. Uma correção que permaneça em um arquivo nacional não pode corrigir cópias já compartilhadas em outros lugares.
O uso judicial cria outro desafio. Advogados de defesa podem precisar de informações suficientes para questionar como uma identificação se originou, inclusive se a imagem-fonte foi alterada ou estava incompleta.
As autoridades devem equilibrar essa divulgação com necessidades legítimas de proteger métodos de inteligência e investigações em andamento. A tensão não pode ser resolvida chamando um sistema de “assistido por IA”.
As 126 correspondências da operação serão, portanto, julgadas pelo que vier a seguir. Identidades confirmadas e sustentadas por evidências independentes fortaleceriam o argumento da INTERPOL em favor do modelo.
Correspondências retiradas, detenções sem explicação ou taxas de erro não divulgadas o enfraqueceriam. O anúncio público não contém evidências dessas falhas, mas também não traz detalhes suficientes para descartá-las.
A Operação Shams II Vai Além da Correspondência Facial
A operação conectou inteligência sobre identidade, financiamento e plataformas, em vez de tratar o reconhecimento facial como uma ferramenta isolada.
O componente de criptomoedas resultou em três solicitações urgentes de divulgação a um provedor de serviços de ativos virtuais. Esses provedores incluem corretoras e outras empresas que transferem ou custodiam ativos digitais.
As transações em blockchain são publicamente rastreáveis em muitos casos, mas os endereços de carteiras não identificam seus usuários automaticamente. Investigadores frequentemente precisam de registros dos provedores para vincular uma conta a uma pessoa ou organização.
A INTERPOL não divulgou o provedor, os valores das transações, as moedas ou os supostos destinatários. Também não informou se as solicitações congelaram ativos ou resultaram em acusações criminais.
O resultado deve, portanto, ser descrito como uma etapa investigativa. Três solicitações de divulgação não são prova de que três redes de financiamento foram desmanteladas.
Ainda assim, sua inclusão revela o modelo pretendido pela operação. Imagens faciais podem gerar pistas de identidade, enquanto a análise de criptomoedas pode expor relações financeiras em torno das mesmas redes.
As conexões sociais acrescentam uma terceira camada. A INTERPOL afirmou que as 126 identificações enriqueceriam a inteligência sobre possíveis localizações e redes.
Combinar esses sinais pode produzir uma investigação mais útil do que qualquer correspondência isolada. Um rosto, uma carteira, um canal de comunicação e um associado conhecido podem corroborar uns aos outros quando coletados legalmente.
A mesma combinação pode ampliar um erro. Se um candidato facial incorreto se tornar a identidade inicial, analistas podem interpretar transações ou contatos não relacionados a partir dessa suposição equivocada.
É por isso que a linhagem dos dados importa. Os investigadores devem preservar a origem de cada alegação e distinguir fatos verificados de possibilidades classificadas por máquinas.
As discussões sobre a indústria de jogos apontam para prevenção, e não identificação. Países participantes e representantes de empresas exploraram o compartilhamento de informações relacionado à radicalização de jovens em ambientes online.
A INTERPOL não nomeou as empresas nem anunciou um acordo de monitoramento. Também não forneceu números de usuários, volumes de conteúdo ou exemplos de plataformas de jogos vinculadas às 126 identificações.
Essa divulgação limitada impede extrapolações. A reunião sinaliza cooperação crescente, não um novo sistema de vigilância para toda a indústria.
Também destaca o número crescente de organizações privadas envolvidas em investigações de contraterrorismo. Plataformas sociais detêm conteúdo, serviços de jogos observam a atividade das comunidades e provedores de criptomoedas controlam registros de clientes.
A cooperação público-privada pode fechar lacunas de informação, mas precisa de solicitações legais claras e limites definidos. O compartilhamento voluntário ou informal pode criar incerteza sobre consentimento, proporcionalidade e retenção.
CT TECH+ inclui explicitamente parcerias público-privadas como objetivo do programa. A Operação Shams II demonstra por que os governos as desejam, já que grande parte da atividade relevante ocorre em serviços operados por empresas privadas.
O modelo também muda o que os países participantes precisam ser capazes de administrar. Eles precisam de investigadores que entendam inteligência de fontes abertas, ativos digitais, registros de plataformas e evidências biométricas.
Comprar um serviço de reconhecimento facial não pode fornecer essas competências institucionais. Sem analistas treinados e procedimentos documentados, a automação simplesmente produz mais pistas do que as agências conseguem avaliar com responsabilidade.
Os 28 especialistas da operação formaram uma equipe internacional concentrada. Reproduzir esse trabalho nacionalmente exigirá treinamento contínuo, sistemas compatíveis e canais confiáveis para contestar informações questionáveis.
A Operação Shams II parece, portanto, menos uma implantação isolada de software e mais um teste de infraestrutura investigativa compartilhada. Seu efeito duradouro depende de essa infraestrutura permanecer responsável depois que a operação terminar.
O Que Observar Após as 126 Identificações
As próximas evidências devem mostrar se as correspondências resistem à investigação, se as salvaguardas se tornam mensuráveis e se o modelo escala sem perder o controle.
O primeiro sinal é o desdobramento judicial. A INTERPOL afirmou que as pistas já apoiaram procedimentos envolvendo dois supostos combatentes terroristas estrangeiros detidos.
Anúncios futuros devem distinguir identidades confirmadas, prisões, acusações, arquivamentos e pistas não resolvidas. Esses resultados mostrariam com que frequência uma correspondência apoiada por IA se torna uma prova utilizável.
Um número elevado de identificações revisadas e corroboradas de forma independente fortaleceria a alegação central da operação. Muitos candidatos rejeitados não tornariam o sistema inútil, mas mudariam a forma como sua eficiência deveria ser avaliada.
O segundo sinal é a transparência técnica. A INTERPOL não precisa publicar detalhes operacionais que ajudem alvos a evitar a detecção, mas dados agregados de desempenho melhorariam a responsabilização.
Divulgações úteis incluiriam o número de candidatos potenciais retornados, o número rejeitado por analistas, o número considerado inconclusivo e os tipos de falhas de qualidade de imagem encontrados.
Testes demográficos também seriam importantes. A análise agregada de erros pode revelar desempenho desigual sem expor as identidades de suspeitos ou investigadores.
Publicar esses dados fortaleceria a confiança de que a revisão humana funciona como um controle real. A dependência contínua apenas das contagens finais de correspondências deixaria sem resposta as questões de erro mais importantes.
O terceiro sinal é a replicação. A INTERPOL classificou a operação como uma iniciativa inédita e descreveu seu modelo como uma base para futura cooperação internacional.
Uma segunda operação revelaria se o fluxo de trabalho tem desempenho consistente entre diferentes fontes de mídia, idiomas, regiões e agências participantes. Também testaria se uma implantação maior preserva os mesmos requisitos de revisão.
A escala pode produzir melhor inteligência porque mais dados criam mais oportunidades para uma correspondência legítima. Também pode produzir mais pistas falsas, circulação mais ampla de dados e maior pressão sobre os revisores humanos.
A operação de IA de contraterrorismo da INTERPOL deve, portanto, ser avaliada por mais do que o número de destaque de 126 suspeitos. Seu verdadeiro teste é se a descoberta acelerada produz evidências confiáveis, revisáveis e legalmente utilizáveis.
Para desenvolvedores e equipes corporativas de IA, essa lição vai além do policiamento. Sistemas que classificam pessoas ou decisões de alto impacto precisam de entradas rastreáveis, incerteza explícita, substituição humana e mecanismos de correção.
Para os formuladores de políticas, a operação cria um caso concreto para fazer perguntas mais difíceis. Quais tarefas a IA executou, como os resultados foram verificados e o que acontece quando uma pessoa contesta uma correspondência?
Para o público, a distinção essencial continua simples. A IA ajudou os investigadores a reduzir uma vasta coleção de imagens, mas não substituiu as evidências, o processo legal nem a responsabilidade humana.
O próximo passo mais útil é acompanhar os resultados, e não apenas o anúncio. Observe quantas pistas chegam aos tribunais, quais informações de desempenho a INTERPOL divulga e se futuras operações preservam uma revisão humana significativa.
