Índice Reglab de Confiança e Segurança na Economia Digital
Reglab Trust & Safety Index
Relatório 2 | 3º Trimestre de 2026
O Índice Reglab é uma iniciativa de pesquisa aplicada que mensura como os usuários brasileiros percebem a confiança e a segurança no ambiente digital. O Índice abrange diferentes segmentos da economia digital, refletindo a diversidade de usos e funções das plataformas no cotidiano, e cada categoria é analisada de forma independente, respeitando suas especificidades de uso, risco e percepção de valor. Saiba mais em https://reglab.com.br/indice-de-confianca-reglab/.
| 1.099 respondentes |
população digital brasileira, +18 anos universo |
2-9 de outubro de 2026 data da coleta |
26 plataformas avaliadas |
95% nível de confiança |
±3pp margem de erro |
1. Panorama Geral
1.1. Índice Reglab – Percepção em Confiança e Segurança
| O Índice Reglab é um indicador composto que resume, num único número, a confiança em cinco grandes categorias de plataformas (redes sociais, streaming, economia de plataforma, inteligência artificial e governo digital) e em quatro dimensões de Trust & Safety (confiança geral, integridade da informação, proteção de dados e proteção de adolescentes). |
O Índice Reglab permaneceu estável entre o primeiro, o segundo e o terceiro trimestres de 2026. Na prática, a percepção geral de confiança e segurança dos brasileiros no ambiente digital não mudou de uma rodada para a outra.
Figura 1 Trajetória do índice Reglab (1º trimestre/2026 = 1,00).
Fonte: Elaboração Reglab.
A estabilidade é, em si, um resultado. Em seis meses, três amostras diferentes chegaram praticamente ao mesmo número. Além disso, a ordem entre plataformas e dimensões se repetiu quase sem alteração. Isso indica que o Índice capta uma percepção consolidada da população conectada, e não o humor de uma amostra ou de um momento específico.
1.2. Análise por Categorias
Nenhuma categoria se moveu além da margem de erro entre o 1º trimestre de 2026 e esta edição, mas as trajetórias desde a base mostram um padrão interessante: alguns pequenos movimentos da rodada anterior tendem a se desfazer. A categoria das Redes Sociais recuperou a leve queda (de 0,983 para 1,003), enquanto a Inteligência Artificial fez o caminho inverso: devolveu a leve alta e voltou para perto do nível do 1º trimestre (de 1,013 para 1,003). O Governo Digital é a exceção, seguindo em alta lenta desde o 1º trimestre de 2026 (de 1,010 para 1,017). Por fim, Economia de Plataforma (1,004) e Streaming e Entretenimento (0,992) ficaram praticamente onde estavam. Essas são variações pequenas, que por ora seguem como sinais a observar, e não como mudanças confirmadas.
Figura 2 Trajetória do índice Reglab por categoria e subcategoria (1º trimestre/2026 = 1,00).
Fonte: Elaboração Reglab. Nota: cada unidade parte da própria base (1,00) — mostra o quanto se moveu, não o nível. Variações pequenas são sinais a observar.
1.3. Dimensões de Confiança e Segurança
As quatro dimensões medem aspectos diferentes de Trust & Safety: confiança geral, integridade da informação, proteção de dados e proteção de adolescentes. Todas as dimensões seguem estáveis. A dimensão da proteção de adolescentes continua sendo o ponto fraco do ambiente digital na percepção dos usuários, sendo a única dimensão que segue abaixo do nível do 1º trimestre de 2026.
Figura 3 Evolução da confiança por dimensão (1º trimestre/2026 = 1,00).
Fonte: Elaboração Reglab. Nota: confiança geral, integridade da informação, proteção de dados e proteção de adolescentes.
Entretanto, o sinal de queda em proteção de adolescentes apontado no 2º trimestre de 2026 não se aprofundou: a dimensão passou de 0,981 para 0,990. De qualquer maneira, todas as diferenças entre rodadas ficam dentro da margem de erro.
1.4. Categorias vs. Dimensões
Também dentro das categorias, os movimentos do 2º trimestre tendem a se desfazer. A Proteção de Adolescentes se recuperou em parte, mas não da mesma forma em todas as categorias. Nas Redes Sociais, a dimensão voltou praticamente ao nível do 1º trimestre (de 0,960 no 2º trimestre para 0,996 no 3º). No Streaming e Entretenimento, a recuperação foi menor (de 0,966 para 0,981), e a dimensão segue como a que mais recuou na categoria. Na Inteligência Artificial, o movimento foi o oposto: a Proteção de Adolescentes passou a ser a dimensão com maior recuo na categoria (0,979), e as altas do 2º trimestre em Proteção de Dados (de 1,024 para 1,006) e Confiança Geral (de 1,021 para 1,012) perderam força. O Governo Digital é a exceção, com alta contínua em Confiança Geral (1,024) e Proteção de Dados (1,022) e a Proteção de Adolescentes praticamente no nível do 1º trimestre (1,002). Como no conjunto das dimensões, todos esses movimentos são pequenos e estão dentro da margem de erro.
Figura 4 Perfil das dimensões dentro de cada categoria (1º trimestre/2026 = 1,00).
Fonte: Elaboração Reglab. Nota: a proteção de adolescentes é, na maioria das categorias, a dimensão que menos avançou ou mais recuou desde o 1º trimestre.
1.5. Demografia
A classe social continua sendo o que mais separa os brasileiros na confiança no ambiente digital, e é também o padrão mais estável do Índice. A classe A segue com a maior confiança (75,1), seguida da classe B (67,9), enquanto as classes C (64,3) e D-E (64,5) praticamente empatam. A distância entre os dois extremos ficou em torno de 10 pontos nas três rodadas. O único movimento veio da classe B: a aproximação com a classe A observada no 2º trimestre de 2026 se desfez, e a B voltou ao patamar do 1º trimestre.
Entre as faixas etárias, o quadro mudou mais. A diferença entre millennials e Geração Z, uma das teses do primeiro trimestre de 2026, deixou de aparecer: os jovens de 18 a 24 anos (68,0) alcançaram os de 25 a 34 (67,9). Na outra ponta, os brasileiros de 45 a 54 anos subiram pela segunda rodada seguida, de 64,0 para 66,4, e o grupo de 55 anos ou mais passou a ter a menor confiança entre as idades (64,7). Como esses subgrupos são menores, esses movimentos ainda são sinais a acompanhar.
O gênero, por sua vez, quase não separa os brasileiros no índice geral: homens (67,6) e mulheres (65,5) seguem próximos, com diferença dentro da margem. É nas dimensões específicas que eles se distanciam, como mostra a seção 2.1.
Por fim, as regiões mantêm o desenho do 2º trimestre, com Sul (68,6) e Nordeste (67,5) nos valores mais altos, Centro-Oeste (65,6) e Sudeste (65,5) no meio e Norte (64,6) com o menor valor. Duas trajetórias se destacam: o Centro-Oeste recuperou parte da queda do 2º trimestre, e o Sul é a região que mais avançou desde o início da série, subindo a cada rodada. Como as amostras regionais são menores, sobretudo no Norte e no Centro-Oeste, essas variações também são sinais a observar.
Figura 5 Índice de confiança por recorte social — classe, faixa etária, gênero e região (valores absolutos).
Fonte: Elaboração Reglab. Nota: escala 0–100. Recortes menores (classe A, Norte, Centro-Oeste) têm maior incerteza.
Figura 6 Índice de confiança e variação por região (valores absolutos).
Fonte: Elaboração Reglab. Nota: amostras regionais são as menores do estudo — variações pedem cautela.
1.6. Awareness
Antes de fechar o panorama, um olhar sobre o awareness, isto é, quantas pessoas de fato conhecem cada plataforma.
O conhecimento das plataformas segue perto da saturação: a maioria é conhecida por mais de 90% dos brasileiros conectados, e YouTube (99,9%), Gov.br (99,7%) e Instagram (99,5%) beiram os 100%. A exceção continua sendo a inteligência artificial, que lidera como a categoria que mais cresce em conhecimento. O awareness de IA passou de 84,7% no 1º trimestre de 2026 para 86,5% no 2º trimestre, e 89,5% agora, a maior alta entre as categorias nesta edição. O avanço foi puxado pelas ferramentas menos conhecidas, como Claude (de 72,3% para 81,2% desde o 1º trimestre) e Perplexity (de 75,1% para 80,8%). Fora da IA, a Twitch seguiu o mesmo caminho (de 81,5% para 85,7%).
Figura 7 Awareness por plataforma (1º, 2º e 3º trimestres de 2026).
Fonte: Elaboração Reglab. Nota: % de respondentes que declaram conhecer cada plataforma. O painel A mostra o awareness no 3º trimestre de 2026; o painel B, a evolução desde o 1º trimestre. Plataformas ordenadas pelo awareness no 3º trimestre.
O que mudou foi quem puxou a alta nesta edição. No 2º trimestre, a difusão do conhecimento sobre IA chegou à base da pirâmide, sendo puxada pelo avanço da classe D-E (de 79,4% para 84,4%). Nesta edição, o avanço veio das classes A (de 92,4% para 97,3%) e C (de 84,7% para 87,8%), enquanto a classe D-E permaneceu praticamente parada (em torno de 85,4%, variação dentro da margem). Como o avanço veio de uma classe de cada lado (A e C), a diferença entre os grupos A/B e C/D-E no conhecimento sobre IA segue estável, em 6 pontos percentuais. Nos extremos, porém, a distância voltou a se ampliar: como a classe D-E ficou parada, a diferença entre as classes A e D-E passou de 8,0 para 11,9 pontos percentuais, como detalha a seção 2.4.
Conhecer, confiar e usar são etapas diferentes da relação com uma tecnologia. A literatura sobre difusão de inovações descreve a adoção como um processo em que o primeiro contato com a novidade (conhecimento) antecede a formação de uma opinião sobre ela (persuasão), e só depois se converte em decisão e uso efetivo (implementação) (Rogers, 2003). O Índice Reglab acompanha as duas primeiras etapas: mede quantas pessoas conhecem cada ferramenta (awareness) e como percebem sua confiabilidade e segurança, mas não quantas de fato a utilizam. O avanço da classe D-E no 2º trimestre e a estagnação nesta edição dizem respeito, portanto, a quem já ouviu falar de IA, e não a quem a incorporou ao cotidiano. A distinção importa porque as barreiras ao uso efetivo tendem a pesar mais justamente sobre as classes populares.
Nem mesmo a passagem do conhecimento à confiança é automática. Como mostra a seção sobre inteligência artificial, quem acaba de conhecer uma ferramenta a avalia com mais cautela: entre os respondentes acompanhados desde o 2º trimestre, as ferramentas recém-conhecidas receberam, em média, 51,0 pontos, ante 60,5 das que a mesma pessoa já conhecia, resultado que, por envolver um grupo pequeno (28 pessoas), deve ser lido como indicativo. E, entre quem respondeu às três rodadas, a confiança em IA subiu no 2º trimestre (de 1,00 para 1,074) e recuou nesta edição (1,020), embora o conhecimento das ferramentas tenha continuado a crescer.
Figura 8 Awareness das ferramentas de IA por classe social (1º ao 3º trimestre de 2026).
Fonte: Elaboração Reglab. Nota: % médio de respondentes de cada classe que declaram conhecer as ferramentas de IA avaliadas. Os rótulos indicam o valor no 3º trimestre e a variação, em pontos percentuais, no último trimestre e desde o 1º trimestre.
2. Outros Destaques desta Edição
Esta edição confirmou a estabilidade do Índice e trouxe cinco destaques. A proteção de adolescentes é a única dimensão que segue abaixo do nível do 1º trimestre e é também aquela em que mulheres e homens mais se distanciam. Nas redes sociais, as pessoas confiam menos no conteúdo do que na própria plataforma, um padrão que se repete desde o início da série. A inteligência artificial é cada vez mais conhecida, mas a confiança nela não cresce no mesmo ritmo. É também na IA que hoje se concentra a desigualdade no conhecimento do ecossistema digital: as classes populares conhecem menos as ferramentas de IA, uma distância bem maior de conhecimento entre classes do que em qualquer outra categoria. Por fim, quem confia e quem desconfia do ambiente digital tendem a manter sua posição. Dois desses resultados, o da IA e o da confiança persistente, vêm do painel repetido, que acompanha as mesmas pessoas ao longo do tempo e é explicado no box a seguir.
| Como medimos se a confiança mudou: o painel repetido. Pense em uma turma de alunos: para saber se eles aprenderam, você compara a nota de cada um no fim do curso com a nota dele no começo, e não com a de uma turma qualquer. Com opinião é igual: para saber se a confiança mudou, o ideal é perguntar de novo às mesmas pessoas. É isso que o painel repetido permite. A cada rodada, parte dos respondentes já participou de edições anteriores. Nesta edição, 321 das 1.099 pessoas ouvidas (29%) já haviam respondido à pesquisa do Índice: 250 participaram da rodada do 2º trimestre, e 112 estiveram nas três rodadas. Comparar cada pessoa com ela mesma separa uma mudança real de opinião de uma simples troca de quem foi ouvido. Isso também dá mais precisão para captar movimentos pequenos, que se perderiam no vaivém natural de uma amostra nova. O painel, porém, tem limites. Em média, seus participantes são mais velhos e incluem menos pessoas das classes D-E do que a população conectada. Por isso, ele mostra se a confiança dessas pessoas mudou, mas não qual é o nível de confiança dos brasileiros como um todo, que é medido pela amostra completa. |
2.1. Proteção de adolescentes: onde mulheres e homens se separam
No índice geral, homens e mulheres quase não se distinguem (67,6 e 65,5 pontos). Nas dimensões, porém, a distância entre eles se concentra na proteção de adolescentes: foi de 5,4 pontos no 1º trimestre, 5,8 no 2º e 5,0 agora, sempre estatisticamente significativa, ante no máximo 2 pontos nas demais dimensões. Menos da metade das mulheres (48,7%) concorda que as plataformas protegem crianças e adolescentes, ante 55,2% dos homens. A diferença aparece em todas as categorias privadas e em todas as faixas etárias, mas desaparece no Governo Digital. Isso sugere uma avaliação específica sobre como as plataformas privadas lidam com os mais jovens, e não uma desconfiança generalizada por parte das mulheres.
A classe social acrescenta outra camada. A distância entre homens e mulheres aparece tanto nas classes A e B quanto nas classes C e D-E, e os efeitos de gênero e classe se somam: 59% dos homens das classes A e B concordam que as plataformas protegem os mais jovens, ante 46% das mulheres das classes C e D-E, uma diferença de 13 pontos percentuais. Combinando gênero e classe, as mulheres das classes C e D-E são o único grupo em que menos da metade concorda que as plataformas protegem crianças e adolescentes.
Figura 9 Proteção de adolescentes: onde gênero e classe se somam.
Fonte: Elaboração Reglab. Nota: Painel A: distância entre homens e mulheres no índice geral e em cada dimensão, nas três rodadas (pontos do índice, escala 0–100; valores positivos indicam que os homens confiam mais). Painel B: % que concorda que as plataformas protegem crianças e adolescentes, por gênero e classe social, no 3º trimestre de 2026.
Nas redes sociais, os brasileiros separam a plataforma do que circula nela. O Índice pergunta, separadamente, se as pessoas confiam na plataforma para realizar suas atividades e se consideram confiáveis o conteúdo e as informações que encontram ali. Nas redes, 63% confiam na plataforma, mas só 55% confiam no conteúdo, uma diferença de 8 pontos percentuais. Nas demais categorias, as duas respostas praticamente coincidem (73% confiam na plataforma e 72% no conteúdo). Ou seja, nas redes sociais, os usuários confiam no serviço, mas desconfiam mais do que encontram nele.
Figura 10 Nas redes sociais, o conteúdo inspira menos confiança que a plataforma.
Fonte: Elaboração Reglab. Nota: Painel A: % que concorda com cada afirmação, no 3º trimestre de 2026. Painel B: diferença entre os dois percentuais nas três rodadas, em pontos percentuais. “Demais categorias” reúne as respostas das outras quatro categorias.
Essa distância não é uma oscilação desta edição. Ela foi de 8,2 pontos no 1º trimestre de 2026, 8,2 no 2º, e 7,8 agora, enquanto nas demais categorias ficou sempre perto de 1 ponto. Tudo indica que é um traço estrutural da percepção sobre as redes, e não um efeito de conjuntura.
2.3. Inteligência artificial: conhecer não é confiar
A inteligência artificial fica mais conhecida a cada rodada, mas a confiança não parece crescer no mesmo ritmo. O painel repetido indica que a alta da confiança em IA destacada em nossas análises do 2º trimestre perdeu força. Entre as pessoas que participaram das três rodadas, a confiança em IA passou de 1,00 para 1,074 no 2º trimestre e recuou para 1,020 agora. No mesmo período, o índice geral dessas pessoas variou pouco (1,017 e 1,010). O recuo aparece nos diferentes grupos de idade, classe e gênero, mas, como esses subgrupos são pequenos, o movimento deve ser lido como um sinal a acompanhar.
Figura 11 A alta da confiança em IA perdeu força, enquanto o índice geral ficou estável.
Fonte: Elaboração Reglab. Nota: confiança em inteligência artificial e índice geral entre os mesmos respondentes nas três rodadas (1º trimestre de 2026 = 1,00). N = 104: das 112 pessoas que responderam às três rodadas, 8 não avaliaram nenhuma ferramenta de IA em pelo menos uma delas (responderam “Não conheço” ou “Não sei”) e ficam de fora da comparação.
O painel também mostra que conhecer não basta. Quando uma pessoa passa a conhecer uma nova ferramenta de IA, ela a avalia com mais cautela do que as ferramentas que já conhecia. Entre os respondentes acompanhados desde o 2º trimestre, a ferramenta recém-conhecida recebeu, em média, 51,0 pontos, ante 60,5 das ferramentas que a mesma pessoa já conhecia. O grupo é pequeno (28 pessoas), e as ferramentas recém-conhecidas são, em sua maioria, as menos difundidas. Ainda assim, a diferença se mantém quando se compara a mesma ferramenta: quem acabou de conhecê-la confia menos nela do que quem já a conhecia. A confiança, portanto, não chega junto com o conhecimento: ela parece se formar com o tempo, possivelmente à medida que as pessoas passam a usar essas ferramentas.
Figura 12 Conhecer não é confiar e a distância entre gerações diminui.
Fonte: Elaboração Reglab. Nota: Painel A: nota média às ferramentas de IA, conforme a ferramenta tenha acabado de ser conhecida ou já fosse conhecida pela mesma pessoa, no 3º trimestre de 2026; 28 respondentes do painel repetido que passaram a conhecer ao menos uma ferramenta de IA entre o 2º e o 3º trimestres. Painel B: confiança em IA por faixa etária, nas três rodadas (escala 0–100).
Há ainda um sinal a acompanhar na relação entre idade e IA. No 1º trimestre de 2026, os brasileiros de 18 a 34 anos confiavam 7,1 pontos a mais em inteligência artificial do que os de 45 anos ou mais. No 2º trimestre, essa distância caiu para 2,5 pontos e, nesta edição, ficou em 2,6. A aproximação veio dos dois lados: os mais velhos passaram a confiar um pouco mais, e os mais jovens, um pouco menos. Os jovens continuam à frente, e a redução ainda está dentro da margem de erro. Se o movimento se confirmar, porém, a confiança em IA tende a deixar de ser uma marca geracional.
No 2º trimestre, levantamos duas leituras para a alta da confiança em IA: o fato de a tecnologia estar em fase de adoção e as campanhas publicitárias do ChatGPT e do Gemini durante a Copa do Mundo. O recuo desta edição, observado nos diferentes grupos, é mais compatível com a segunda: um efeito de exposição que se dissipou depois da campanha. Os dados, porém, não permitem isolar essa causa.
2.4. Desigualdade digital: a distância agora está na IA
O conhecimento das plataformas digitais avançou nesta edição. A proporção de brasileiros conectados que conhecem todas as 26 plataformas avaliadas passou de 63,3% no 2º trimestre para 69,2% agora, uma alta estatisticamente significativa que se mantém quando a amostra é ajustada à composição das rodadas anteriores. O avanço foi puxado pelas ferramentas menos conhecidas, sobretudo as de inteligência artificial, e chegou a todas as classes, mas não reduziu a distância entre elas: na classe A, 83,6% conhecem todo o ecossistema, enquanto na classe D-E, 62,8%.
Essa distância, no entanto, não se distribui igualmente entre as categorias. No Streaming e no Governo Digital, as classes A e D-E conhecem as plataformas praticamente na mesma proporção (diferenças de 1,7 e 2,6 pontos percentuais). Nas Redes Sociais e na Economia de Plataforma, a distância é um pouco maior (4,8 e 6,0 pontos). É na inteligência artificial que as classes populares mais ficam para trás: a diferença entre A e D-E no conhecimento das ferramentas de IA foi de 14,1 pontos no 1º trimestre, caiu para 8,0 no 2º e voltou a abrir, chegando a 11,9 agora, quase o dobro da segunda maior distância (Figura 13, painel B). A diferença se concentra nas ferramentas menos difundidas, Claude e Perplexity, conhecidas por 72% e 75% da classe D-E, cerca de 20 pontos abaixo da classe A.
Figura 13 A distância de conhecimento entre as classes agora está na IA.
Fonte: Elaboração Reglab. Nota: Painel A: % de respondentes que conhecem as quatro ferramentas de IA avaliadas, por classe social, nas três rodadas. Painel B: diferença, em pontos percentuais, entre as classes A e D-E no % médio de respondentes que declaram conhecer as plataformas de cada categoria, nas três rodadas.
O movimento desta edição deixa o contraste mais nítido. A classe A praticamente completou o repertório de IA: 92,7% conhecem as quatro ferramentas avaliadas, contra 84,3% no 2º trimestre (Figura 13, painel A). Na classe D-E, a proporção ficou parada (68,8% no 2º trimestre e 69,2% agora), depois do avanço registrado na edição anterior. Na prática, quase um terço das pessoas conectadas das classes D-E ainda não conhece todas as ferramentas de IA avaliadas.
2.5. Confiança persistente: quem confia e quem desconfia tendem a manter sua posição
Como o painel repetido ouve as mesmas pessoas a cada rodada, ele permite responder a uma pergunta simples: quem desconfiava do ambiente digital no 2º trimestre continua desconfiando agora, e quem confiava continua confiando? Para isso, separamos as pessoas acompanhadas em três grupos do mesmo tamanho, segundo o nível de confiança no 2º trimestre (as que menos confiavam, as intermediárias e as que mais confiavam), e verificamos em que grupo cada uma estava nesta edição.
A resposta é sim, sobretudo nos extremos. De cada 100 pessoas que menos confiavam no 2º trimestre, 77 continuam nesse grupo, 18 passaram para o grupo intermediário e só 5 pularam para o grupo das que mais confiam. Entre as que mais confiavam, 70 de cada 100 seguem no topo, 23 passaram para o grupo intermediário e só 7 caíram para o grupo das que menos confiam. O grupo intermediário é o que mais se movimenta: pouco mais da metade continua no meio, e o restante se divide entre os dois lados.
Figura 14 Confiança persistente: onde estão, no 3º trimestre, as pessoas de cada grupo de confiança do 2º trimestre.
Fonte: Elaboração Reglab. Nota: cada quadrado representa 1 em cada 100 pessoas no grupo. Em laranja, as que continuaram no mesmo grupo; em cinza, as que passaram para o grupo vizinho; em preto, as que pularam para o grupo oposto. N = 249: das 250 pessoas que responderam às duas rodadas, uma não avaliou nenhuma plataforma em uma delas (respondeu “Não conheço” ou “Não sei” a todas) e fica de fora da comparação.
As notas de cada pessoa variam um pouco de uma rodada para outra, mas a posição relativa tende a se manter: quem estava entre os que menos confiavam tende a continuar ali, e o mesmo vale para quem mais confiava. Ao menos no intervalo observado, a confiança no ambiente digital se parece mais com uma característica estável de cada pessoa do que com uma opinião que muda conforme o momento.
3. Análise e Comentários
| Esta seção analisa os resultados da pesquisa, relacionando-os com literatura acadêmica e opiniões especializadas, por meio das lentes das autoras e autor deste trabalho. |
O primeiro resultado a interpretar é a própria estabilidade. O Índice ficou praticamente parado pela terceira vez, agora num período marcado pela campanha eleitoral e o primeiro turno das eleições. Como já observamos no 2º trimestre, a exposição pública pode tornar um tema mais visível sem alterar, no mesmo ritmo, a avaliação que as pessoas fazem dele (McCombs e Shaw, 1972). O painel repetido reforça essa leitura com um dado novo: quem desconfiava do ambiente digital tende a continuar desconfiando, assim como quem confiava tende a manter essa confiança. A literatura sobre confiança ajuda a entender o padrão, ao tratá-la como uma disposição relativamente estável, formada ao longo do tempo e pouco sensível a acontecimentos isolados (Uslaner, 2002). Para quem formula política pública ou se comunica com usuários, isso significa que campanhas e episódios pontuais tendem a mexer pouco na confiança, que se constrói, e se perde, devagar.
Estabilidade no agregado, porém, não quer dizer uniformidade. Dentro desse quadro estável, a desconfiança se concentra em lugares específicos, e as redes sociais são o caso mais claro. Nas redes, os usuários confiam nas plataformas e nos serviços oferecidos por elas, mas desconfiam mais do conteúdo que circula nelas, uma distância que se manteve nas três rodadas. O problema percebido não é o funcionamento da plataforma, mas a qualidade da informação, e é exatamente nessa dimensão que se concentra o debate regulatório brasileiro desde que o Supremo Tribunal Federal, em junho de 2025, considerou o artigo 19 do Marco Civil da Internet parcialmente inconstitucional, ampliando a responsabilidade das plataformas por conteúdos de terceiros. Os dados do Índice sugerem que a confiança acumulada pelas redes como serviço não se transfere automaticamente para o que é publicado nelas, e que é na percepção sobre o conteúdo que regras de moderação e transparência têm mais a mostrar ao usuário.
A distância entre confiar na plataforma e confiar no conteúdo pode ser lida a partir de dois fatores que não se excluem. O primeiro é um traço mais amplo da sociedade brasileira. O país está entre os de menor confiança interpessoal do mundo: apenas 6% dos brasileiros concordam que “podemos confiar na maioria das pessoas” (Nunes, 2025). Na comparação da World Values Survey reproduzida pelo autor, o Brasil (6,5%) aparece abaixo do México (10,5%) e dos Estados Unidos (37%) e muito distante da Noruega (72,1%). Nas palavras de Nunes, os brasileiros “confiam muito em poucas pessoas; aos de fora desse pequeno círculo, resta a desconfiança”. Esse pano de fundo ajuda a contextualizar o resultado, mas não o explica sozinho. O segundo fator diz respeito ao tipo de conteúdo que circula nas redes. Diferentemente das demais categorias avaliadas, ali a informação é publicada sem curadoria editorial prévia, reúne fontes de qualidade muito desigual e é distribuída por sistemas que tendem a favorecer o que gera engajamento. A menor confiança no conteúdo pode refletir tanto a desconfiança em relação a quem publica quanto uma avaliação sobre a natureza. Isso é compatível com confiar na plataforma enquanto serviço sem confiar no que se encontra nela.
A rodada foi a campo entre 2 e 9 de outubro, período que incluiu o primeiro turno das eleições, em 4 de outubro. O Índice não foi desenhado para medir o efeito da campanha eleitoral, já que a amostra muda de uma rodada para outra, e outros acontecimentos do período também podem ter influenciado as percepções. Por isso, não é possível atribuir às eleições as variações observadas, nem afirmar que elas não tiveram influência. Os resultados desta edição, inclusive os de integridade da informação nas redes sociais, devem ser lidos como um retrato da confiança no período da coleta, e não como uma medida do impacto eleitoral.
Se nas redes a confiança já está formada e dividida, na inteligência artificial ela ainda está em construção. A IA segue ganhando conhecimento a cada rodada, mas a confiança não acompanhou: o avanço registrado no 2º trimestre se desfez nas mesmas pessoas, e quem acaba de conhecer uma ferramenta a avalia com cautela. O padrão é coerente com a literatura sobre difusão de inovações, que trata conhecer, formar opinião e adotar como etapas distintas (Rogers, 2003), e com a ideia de confiança calibrada em tecnologias automatizadas, segundo a qual a confiança adequada depende de as pessoas observarem, com o uso, o que a tecnologia de fato entrega (Lee e See, 2004). A exposição publicitária pode elevar a confiança por um período curto, mas sustentá-la depende de experiência.
Essa experiência, no entanto, não está chegando a todos da mesma forma. O conhecimento das plataformas digitais avançou em todas as classes, a ponto de sete em cada dez brasileiros conectados já conhecerem todas as plataformas avaliadas, mas entre as ferramentas de inteligência artificial as classes populares ficaram para trás, e conhecer mais não se traduz em confiar mais. A literatura chama esse deslocamento de segunda exclusão digital: quando o acesso se universaliza, a desigualdade passa a se manifestar no conhecimento, nas habilidades e no uso (Hargittai, 2002; van Deursen e van Dijk, 2014). O Índice mostra esse movimento acontecendo agora com a IA, o que indica que políticas de inclusão digital limitadas à conexão tendem a não alcançar essa nova fronteira, e que o letramento em IA, sobretudo para as classes D-E, passa a fazer parte da agenda.
As mulheres e as classes populares voltam a aparecer quando se olha para a dimensão mais sensível do Índice: a proteção de adolescentes. Ela segue como a única dimensão abaixo do nível do 1º trimestre e é também a que mais separa os grupos sociais, sobretudo por gênero. Nesta edição, 48,7% das mulheres concordam que as plataformas protegem crianças e adolescentes, ante 55,2% dos homens; na classe A, são 65,3%, e na classe D-E, 47,1%. A literatura sobre percepção de risco mostra que mulheres tendem a avaliar riscos com mais cautela (Gustafson, 1998), e, no Brasil, são elas que concentram o trabalho de cuidado (IBGE, 2023), o que as coloca mais perto da vida online de filhos e dependentes. Cerca de seis meses depois da entrada em vigor do ECA Digital, essa percepção não melhorou. A literatura sobre policy feedback ajuda a entender por quê: uma política só muda a forma como as pessoas percebem um problema quando seus efeitos se tornam visíveis e atribuíveis a ela no cotidiano (Pierson, 1993; Mettler, 2011). O efeito do ECA Digital sobre a confiança, se vier, dependerá menos da aprovação da lei e mais de a implementação ser percebida por quem acompanha o uso das plataformas pelos mais jovens, em grande parte mulheres.
Referências
BRASIL. Lei nº 12.965, de 23 de abril de 2014. Estabelece princípios, garantias, direitos e deveres para o uso da Internet no Brasil (Marco Civil da Internet). Diário Oficial da União, Brasília, DF, 24 abr. 2014.
BRASIL. Lei nº 15.211, de 17 de setembro de 2025. Dispõe sobre a proteção de crianças e adolescentes em ambientes digitais (ECA Digital). Diário Oficial da União, Brasília, DF, 2025.
BRASIL. Supremo Tribunal Federal. Recurso Extraordinário 1.037.396 (Tema 987) e Recurso Extraordinário 1.057.258 (Tema 533). Julgamento em 26 jun. 2025.
GUSTAFSON, P. E. Gender differences in risk perception: theoretical and methodological perspectives. Risk Analysis, v. 18, n. 6, p. 805-811, 1998.
HARGITTAI, E. Second-level digital divide: differences in people's online skills. First Monday, v. 7, n. 4, 2002.
IBGE. Pesquisa Nacional por Amostra de Domicílios Contínua: outras formas de trabalho 2022. Rio de Janeiro: IBGE, 2023.
LEE, J. D.; SEE, K. A. Trust in automation: designing for appropriate reliance. Human Factors, v. 46, n. 1, p. 50-80, 2004.
McCOMBS, M. E.; SHAW, D. L. The agenda-setting function of mass media. Public Opinion Quarterly, v. 36, n. 2, p. 176-187, 1972.
METTLER, S. The submerged state: how invisible government policies undermine American democracy. Chicago: University of Chicago Press, 2011.
NUNES, F. Brasil no espelho: um guia para entender o Brasil e os brasileiros. Rio de Janeiro: Globo Livros, 2025.
PIERSON, P. When effect becomes cause: policy feedback and political change. World Politics, v. 45, n. 4, p. 595-628, 1993.
ROGERS, E. M. Diffusion of innovations. 5. ed. New York: Free Press, 2003.
USLANER, E. M. The moral foundations of trust. Cambridge: Cambridge University Press, 2002.
VAN DEURSEN, A. J. A. M.; VAN DIJK, J. A. G. M. The digital divide shifts to differences in usage. New Media & Society, v. 16, n. 3, p. 507-526, 2014.
Anexo de Metodologia Reglab
Sobre o Reglab
O Reglab é um centro de pesquisa privado que desenvolve estudos e consultoria estratégica para empresas, associações e formuladores de políticas públicas que atuam em tecnologia, mídia e mercados regulados. Somos obcecados por dados, métodos rigorosos e tradução de evidências em linguagem prática e acionável. Saiba mais em www.reglab.com.br.
Expediente desta Edição
Diretor Executivo: Pedro Henrique Ramos
Diretora de Pesquisa: Marina Garrote
Líder do Núcleo de Economia Aplicada: João Ricardo Costa Filho
Autores: Thais Palanca da Silva, Pedro Henrique Ramos e Marina Garrote.
Pesquisadoras: Thais Palanca da Silva, Taís Fonseca da Rocha, Isadora Cristina Gonçalves.
Diagramação Final: Larissa Camargo
| Citação Sugerida: PALANCA, T.; RAMOS, P. H.; GARROTE, M. Índice Reglab de Confiança e Segurança na Economia Digital. Edição 1 – 3º trimestre de 2026. São Paulo: Reglab, 2026. |
Pergunta de pesquisa
Como usuários brasileiros adultos conectados à internet percebem confiança e segurança nas principais plataformas digitais que fazem parte de seu cotidiano, considerando diferentes categorias de serviço e quatro dimensões específicas de avaliação? Como essa percepção evoluiu entre o 1º, o 2º e o 3º trimestres, e como ela se distribui por categoria, dimensão e perfil sociodemográfico?
Resumo de Metodologia
Pesquisa quantitativa por survey nacional estruturado, com escala Likert de cinco pontos convertida em índice composto de Trust & Safety (0–100), aplicada a 26 plataformas digitais em cinco categorias. O Relatório 2 é a segunda rodada de comparação com a Pesquisa do Primeiro Trimestre (Pesquisa Zero). Os resultados por categoria, subcategoria, dimensão e plataforma são apresentados de forma normalizada (Pesquisa do Primeiro Trimestre = 1,00), e uma subamostra de painel repetido permite medir mudança de opinião nas mesmas pessoas ao longo de duas e de três rodadas.
Coleta de Dados
A coleta foi realizada por meio de painel online nacional estruturado pela Norstat, empresa especializada em pesquisas digitais e estudos de opinião, com nível de confiança de 95% e margem de erro de ±3 pontos percentuais. Foram adotadas cotas por faixa etária, classe social, região geográfica e gênero. A Norstat opera com painel proprietário, recrutado e gerenciado integralmente de forma interna. A participação é voluntária, mediante aceite dos Termos de Uso e Política de Privacidade. Os respondentes recebem incentivos por pesquisa concluída, o que tende a aumentar o engajamento e a qualidade das respostas. Para garantir que cada respondente seja uma pessoa real e única, utilizamos múltiplas camadas de controle. Entre elas, reCAPTCHA no cadastro e no login, prevenindo acessos automatizados; e validação de IP e checagem de consistência geográfica (GEO IP), com desativação permanente de contas em caso de inconsistências confirmadas. As respostas foram registradas em escala Likert de cinco pontos, de “discordo totalmente” a “concordo totalmente”, com duas opções adicionais de não resposta substantiva: “não sei” e “não conheço essa plataforma”. Essas respostas foram tratadas como ausência de informação e excluídas do cálculo do índice daquela plataforma específica.
Análise de dados
A análise foi conduzida por meio de estatística descritiva, construção de indicador composto e testes de diferença entre rodadas. Cada resposta da escala Likert foi convertida em valor numérico de 1 a 5 e, em seguida, transformada para uma escala padronizada de 0 a 100. O índice de cada unidade analisada (o índice geral, uma categoria, uma dimensão, uma plataforma ou um grupo sociodemográfico) corresponde à média de todas as respostas válidas que compõem aquela unidade. As plataformas não são ponderadas por audiência, market share ou receita. Como as respostas "não sei" e "não conheço" são excluídas, porém, plataformas avaliadas por mais pessoas contribuem com mais respostas para a média.
Para preservar a consistência entre as rodadas e evitar leituras indevidas, os resultados são apresentados de duas formas complementares, conforme a natureza de cada recorte. O índice geral e os recortes demográficos (classe social, faixa etária, gênero e região) aparecem em valor absoluto, na escala de 0 a 100. Nesses casos, o patamar de confiança é diretamente interpretável e faz sentido comparar os grupos entre si, porque todos medem a mesma coisa, a confiança das pessoas, em subconjuntos da mesma população. Categorias, subcategorias, dimensões e plataformas aparecem em variação relativa, com o valor de cada unidade na Pesquisa do Primeiro Trimestre (Pesquisa Zero) igual a 1,00. O que se reporta, nesses casos, é o quanto cada unidade se moveu, e não o seu nível absoluto. A escolha é deliberada: unidades de naturezas muito diferentes, como uma rede social e um serviço de governo, não são comparáveis em nível, e o índice não serve para dizer que um tipo de plataforma "vale mais" que outro. A normalização evita essa comparação, mantém o foco na trajetória de cada unidade e garante que as próximas rodadas sejam sempre lidas em relação ao mesmo ponto de partida. O awareness das plataformas, ou seja, a proporção de respondentes que as conhecem, é apresentado em percentual.
Além do corte transversal, que compara as amostras completas de cada rodada, formadas majoritariamente por pessoas diferentes, o Relatório 2 conta com um painel repetido. Dos 1.099 respondentes desta edição, 321 (29%) já haviam participado de alguma rodada anterior: 250 do Relatório 1, 183 do Primeiro Trimestre (Pesquisa Zero) e 112 das três rodadas. Como acompanha as mesmas pessoas ao longo do tempo, o painel permite distinguir uma mudança real de opinião de uma simples mudança na composição de quem foi ouvido. Nesta edição, ele foi usado para medir a variação pareada do índice entre o Relatório 1 e o Relatório 2, a permanência de cada pessoa em seu grupo de confiança (dividindo o painel em três grupos de mesmo tamanho), a avaliação de ferramentas de IA recém-conhecidas comparada à das já conhecidas pela mesma pessoa e a trajetória em três rodadas. As comparações entre duas rodadas usam as 249 pessoas com índice calculável em ambas, e a trajetória em três rodadas usa as 104 com avaliação de IA nas três. Por se tratar de uma subamostra não representativa da população, o painel mede mudança, e não nível.
As diferenças entre rodadas e entre grupos foram avaliadas com testes estatísticos: teste t de Welch para amostras independentes, teste t pareado para o painel e teste z para proporções, com correção de Bonferroni nos blocos com muitas comparações simultâneas. Variações estatisticamente significativas são tratadas como mudança real. As demais são tratadas como "sinais a observar". Como verificação de robustez, o índice geral foi recalculado com a amostra reponderada à composição demográfica das rodadas anteriores (66,5 sem ajuste e 66,0 com ajuste), e a conclusão de estabilidade se manteve.
Procedimento de redução de vieses
Referências teórico-metodológicas consolidadas: a estrutura do índice foi baseada em literatura reconhecida sobre mensuração de confiança em ambientes digitais e construção de indicadores compostos.
Padronização do instrumento: todas as plataformas foram avaliadas a partir de afirmativas formuladas em linguagem simples e estrutura semelhante, com adaptações mínimas por categoria, reduzindo variações artificiais de interpretação.
Exclusão de ausência de opinião substantiva: respostas “não sei” e “não conheço essa plataforma” foram excluídas do cálculo de cada plataforma, evitando distorção da média por respondentes sem familiaridade suficiente para opinar.
Controles de comparabilidade: o índice foi desenhado para evitar comparações indevidas entre categorias distintas, preservar normalização interna por categoria e impedir que diferenças de natureza de serviço contaminem a análise.
Dupla validação em etapas interpretativas: para as etapas de análise de dados, adotou-se um processo de validação cruzada. Ao menos dois pesquisadores revisaram o texto e as inferências elaboradas.
Transparência metodológica: as decisões analíticas foram explicitadas desde a edição zero, incluindo fórmula de conversão, critérios de agregação, ausência de ponderação e ressalvas sobre limites interpretativos, em linha com o padrão de replicabilidade do Reglab.
Consistência metodológica entre ondas: o mesmo instrumento, o mesmo esquema de codificação e a mesma fórmula do índice foram aplicados às três rodadas, e a normalização usou o mesmo ponto de partida (Primeiro Trimestre – Pesquisa Zero = 1,00). Quando uma alteração técnica no instrumento comprometeu a comparabilidade, como na primeira coleta do 3º trimestre, a coleta foi descartada e refeita.
Separação entre mudança real e mudança de composição: como a maior parte da amostra é formada por pessoas diferentes a cada rodada, uma variação agregada pode refletir apenas quem foi ouvido, e não uma mudança de opinião. O painel repetido (250 pessoas entre o Relatório 1 e o Relatório 2 e 112 nas três rodadas) permite distinguir as duas coisas. A reponderação da amostra completa à composição das rodadas anteriores serve ao mesmo propósito no corte transversal.
Limiar de significância e cautela com subgrupos: só foi tratada como mudança real a variação estatisticamente significativa no recorte específico, e a margem de erro é maior quanto menor o grupo. Abaixo disso, os resultados foram classificados como "sinais a observar". Em blocos com muitas comparações simultâneas, adotou-se correção para múltiplas comparações, e recortes de N pequeno, inclusive os subgrupos do painel, foram lidos como indicativos, e não conclusivos.
Outras Limitações Metodológicas
Percepção, não comportamento: o Índice mede o que as pessoas acreditam e sentem sobre as plataformas, não o que de fato acontece com seus dados ou experiências. Uma plataforma pode ter altos padrões técnicos de segurança e ainda receber pontuação baixa — ou o inverso.
Pesos iguais entre dimensões e plataformas: nenhuma dimensão ou plataforma recebe peso adicional por importância, audiência ou tamanho de mercado. Como o índice é a média das respostas válidas, plataformas conhecidas por mais pessoas contribuem com mais respostas. Ponderações alternativas poderiam produzir resultados ligeiramente diferentes.
Exclusão por desconhecimento: plataformas menos conhecidas são avaliadas por um subconjunto menor da amostra, o que pode introduzir viés de seleção.
Periodicidade e contexto da coleta: os resultados refletem o momento em que a pesquisa foi realizada. Esta rodada foi a campo entre 2 e 9 de outubro de 2026, período que incluiu o primeiro turno das eleições, em 4 de outubro. O Índice não foi desenhado para medir o efeito da campanha eleitoral: a amostra muda de uma rodada para outra, e outros acontecimentos do período também podem ter influenciado as percepções. Por isso, não é possível atribuir às eleições as variações observadas, nem afirmar que elas não tiveram influência.
Três ondas ainda são poucas para afirmar tendências: com três rodadas em intervalos de cerca de três meses, parte das variações ainda pode ser flutuação natural da amostra. Por isso, o relatório trata como mudança real apenas o que é estatisticamente significativo naquele recorte, e o restante é classificado como "sinal a observar", a confirmar em ciclos futuros.
A incerteza cresce nos recortes menores: a margem de erro não é única, ela aumenta conforme o subgrupo diminui. Recortes como a classe A e as regiões Norte e Centro-Oeste têm amostras pequenas, e suas variações devem ser lidas com cautela — muitas vezes são ruído, e não tendência.
Limites do painel repetido: o painel é valioso para medir mudança, mas é uma subamostra pequena e não representativa da população. Ele mede mudança, e não nível. Está sujeito a atrito (nem todos retornam entre as rodadas), a possível condicionamento (quem já respondeu pode responder de forma diferente) e à regressão à média (quem estava muito alto tende a recuar, e quem estava muito baixo, a subir). Os grupos de confiança usados na análise de permanência têm cerca de 80 pessoas cada, e as análises sobre ferramentas de IA recém-conhecidas envolvem 28 pessoas, de modo que esses resultados são indicativos, e não conclusivos.
Mudança de opinião vs. mudança de composição: como cerca de 70% da amostra desta edição é formada por pessoas que não haviam respondido antes, uma variação agregada pode refletir quem foi ouvido, e não uma mudança de percepção. O painel repetido e a reponderação mitigam esse risco, mas a leitura do corte transversal deve sempre considerar essa ressalva.
Múltiplas comparações: ao testar muitos recortes, categorias e dimensões simultaneamente, cresce a chance de encontrar diferenças "significativas" por acaso. Adotou-se critério mais rígido nesses casos, mas sinais isolados podem ainda ser espúrios até que se repitam em rodadas futuras.
Uso de Software
Python (pandas, NumPy, SciPy, statsmodels, Plotly e Matplotlib) e Claude Code — processamento das bases, cálculo do índice composto, normalização (1º trimestre = 1,00), testes estatísticos (comparação entre ondas e painel pareado) e geração das figuras.
Suíte MS Office e Google Workspace — edição de texto, planilhas e gráficos.
Gemini 3.1 e ChatGPT 5.3 — brainstorm, sistematização de informações e apoio à redação.
Suíte Adobe Creative Cloud — diagramação e finalização de gráficos e ilustrações.
Diretrizes Éticas
Tratamento de dados pessoais: a pesquisa envolveu tratamento limitado de dados pessoais, restrito às etapas de coleta, organização e análise estatística da amostra. Os dados foram entregues ao Reglab pela Norstat sem nome, contato ou outra informação que identifique diretamente a pessoa respondente, apenas com um código de painelista, usado exclusivamente para reconhecer quem participou de mais de uma rodada. Não é possível identificar, direta ou indiretamente, a pessoa respondente a partir das informações publicadas. Não há exposição de respostas individualizadas, nem tratamento orientado à perfilização ou à tomada de decisão automatizada em relação aos participantes.
Finalidade e adequação: os dados foram utilizados exclusivamente para fins de pesquisa e construção do índice, em conformidade com os objetivos informados aos respondentes no contexto do painel.
Minimização e agregação: os resultados divulgados são agregados por categoria, subcategoria, dimensão e recortes sociodemográficos. Não há exposição pública de notas individuais por respondente nem de dados pessoais identificáveis.
Sigilo e confidencialidade: informações individualizadas dos participantes não são divulgadas. O estudo opera com apresentação consolidada e comparações estruturadas entre grupos.
Transparência metodológica: a metodologia do índice foi descrita de forma explícita para permitir verificação, replicabilidade e interpretação adequada dos resultados. Esse compromisso é coerente com o padrão metodológico do Reglab para publicações públicas.
Uso responsável de dados: a pesquisa mede percepções sociais sobre plataformas digitais e não tem por finalidade reforçar discriminação contra grupos, marcas ou usuários. A interpretação dos resultados deve observar cautela, especialmente em inferências amplas e comparações entre subgrupos.
www.reglab.com.br