# Estimar idade pelo rosto: a precisão real e onde ela falha Análise · UNIFOKAL · 12 de setembro de 2026 · 8 min de leitura · Antifraude O que a avaliação pública do NIST mede na estimativa facial de idade, por que o erro médio é a régua errada para barrar menor e como ler a taxa de falso positivo no ponto de corte. Estimativa facial de idade virou peça comum em fluxo de cadastro desde que leis de diferentes países passaram a exigir barreira etária. A promessa é sedutora: a câmera que o fluxo já usa responde se a pessoa tem idade suficiente, sem pedir documento a ninguém. A promessa é parcialmente verdadeira, e a parte falsa está no lugar mais caro, que é a fronteira da idade legal. Existe uma avaliação pública e independente dessa tecnologia. O NIST, o instituto de padrões dos Estados Unidos, mantém a trilha de estimativa e verificação de idade dentro do programa FATE e publicou os resultados no relatório NIST IR 8525, de maio de 2024, aplicando seis protótipos comerciais a cerca de onze milhões de fotos de quatro acervos operacionais: vistos de imigração, fotos de prisão, travessias de fronteira e fotos de escritório de imigração. Este texto lê esse relatório com a pergunta de quem vai comprar: qual é a régua certa, quanto ela erra e onde erra mais. O quadro legal da barreira etária no Brasil está no artigo sobre [verificação de idade mínima](https://unifokal.com/blog/verificacao-de-idade-minima); aqui o assunto é a técnica. ## Estimar idade não é reconhecer rosto O relatório abre separando as duas coisas, e a distinção tem consequência de privacidade. Reconhecimento facial compara informação de identidade extraída de duas fotos para decidir se são da mesma pessoa, o que exige uma referência guardada. Estimativa de idade analisa um rosto só e devolve um número. Daí vem a observação que o NIST registra logo no resumo: a estimativa pode operar sem estado, sem exigência de armazenamento persistente da foto nem de dado biométrico derivado dela. A imagem entra, o número sai, a foto pode ser descartada. Isso muda a conversa de proporcionalidade, porque o tratamento mais leve passa a ser o primeiro degrau da escada de [verificação de idade](https://unifokal.com/produto/idade), e não o último. ## A régua errada: o erro médio A medida que todo fornecedor mostra é o erro absoluto médio, o MAE, que é a distância média entre a idade estimada e a idade real. O relatório publica MAE por algoritmo e por acervo para a faixa de 18 a 24 anos, e o resultado já derruba a ideia de número único: o melhor valor da tabela é 2,3 anos, o pior é 5,1, e nenhum algoritmo é o melhor em todos os acervos. O ganho histórico existe e o relatório o mede: sobre uma mesma base de vistos, o melhor MAE caiu de 4,3 para 3,1 anos entre a avaliação de 2014, publicada como NISTIR 7995, e esta. O ponto decisivo, porém, está no resumo técnico: o MAE não quantifica quantas estimativas são superestimativas grandes, e por isso não é métrica apropriada para a tarefa de verificação de idade. Um algoritmo pode ter erro médio pequeno e ainda assim declarar adulto um adolescente, que é exatamente o erro que a lei quer evitar. ## Challenge-T: a métrica que importa quando existe uma linha A métrica certa aparece quando se aceita que a estimativa erra. A política que o relatório avalia se chama Challenge-T: aceita-se automaticamente quem tem idade estimada igual ou acima de um valor T, e exige-se outra forma de comprovação de todo mundo abaixo dele. O T fica acima da idade legal L, e o relatório registra que, para L igual a 18, o valor 25 é comum. As duas taxas que interessam passam a ser a de falso positivo, a fração dos menores de idade legal estimados em T ou acima, e a de falso negativo, a fração dos maiores que caiu abaixo de T e foi incomodada. A tabela de falso positivo por idade real, com T igual a 25, mostra o comportamento que decide o desenho do produto: a taxa cresce muito de 14 para 20 anos. Em um dos algoritmos ela sai de 0,020 aos 14 anos e chega a 0,295 aos 20, quase quinze vezes maior. Em outro, vai de 0,008 a 0,171. Elevar o ponto de corte para 28 reduz a taxa em todos os algoritmos, ao preço de mandar mais adultos para a verificação documental. Há um alerta metodológico junto: amostra desbalanceada por idade e por sexo produz resultado não representativo, porque quem tem 14 anos é muito mais fácil de barrar do que quem tem 17. O relatório ainda propõe duas medidas de política, ineficácia e inconveniência, que ponderam essas taxas pela distribuição etária da população e pela probabilidade de alguém daquela idade tentar burlar o controle. É a forma honesta de dizer que o ponto de corte é decisão de risco, não parâmetro técnico. ## Onde a estimativa falha mais O relatório separa os fatores, e todos eles aparecem na vida real de um fluxo de cadastro. - **Qualidade da imagem.** As fotos de prisão, feitas com iluminação controlada, foram as mais fáceis para três dos seis algoritmos. As fotos de travessia de fronteira, capturadas por webcam, com mais variação de pose e menos contraste, foram as mais difíceis para quatro dos seis. - **Óculos.** Quatro dos seis algoritmos apresentaram erro maior, para mais ou para menos, em homens e mulheres usando óculos. - **Sexo.** Em quatro dos seis algoritmos, a taxa de falso positivo é nitidamente menor em homens do que em mulheres. O erro médio também costuma ser maior em mulheres. - **Região de nascimento.** O relatório reporta desempenho para seis regiões de nascimento e resume a variação com um coeficiente de Gini. A dispersão é grande e difere de algoritmo para algoritmo. - **O mesmo rosto, em dias diferentes.** Aplicados a uma série de autorretratos diários do mesmo sujeito, os algoritmos tiveram desvio padrão do erro absoluto acima de dois anos no melhor caso, e todos os seis superestimaram a idade dele sistematicamente. Um contraste fecha o quadro: em crianças a precisão é bem maior, e o relatório registra erro médio de 0,34 ano abaixo de um ano de idade para o algoritmo mais preciso, contra 3,5 anos aos trinta. A técnica é boa longe da fronteira e fraca em cima dela. ## O que pedir antes de comprar O próprio relatório delimita o que ele não é, e isso vira a primeira pergunta ao fornecedor. Ele não é programa de certificação, não avalia um processo completo de verificação de idade, não avalia mecanismos de detecção de ataque ativo e não estabelece critério mínimo de acurácia, porque cada aplicação tem exigência própria. Aparecer na avaliação não é selo, e nada ali cobre alguém apresentando a foto de outra pessoa à câmera, tema da [prova de vida](https://unifokal.com/prova-de-vida). Daí saem pedidos objetivos. Peça a taxa de falso positivo e a de falso negativo no ponto de corte que você pretende usar, para a idade legal do seu caso, com recorte por sexo e por idade real. Peça o desempenho sobre imagens parecidas com as que o seu fluxo captura, porque a diferença entre retrato controlado e webcam já mudou o ranking dos algoritmos. E desenhe o caminho de saída para a faixa de dúvida, o encaminhamento à checagem documental descrita no artigo sobre [onboarding de menor de idade](https://unifokal.com/blog/onboarding-de-menor-de-idade). Vale registrar um último achado: não há evidência de que um classificador dedicado a responder sim ou não supere um estimador numérico comum na mesma tarefa. ## Perguntas frequentes ### Qual a precisão da estimativa de idade por foto? Depende do algoritmo, do acervo e da faixa etária. Na avaliação do NIST, o erro absoluto médio na faixa de 18 a 24 anos variou de 2,3 a 5,1 anos entre os seis protótipos e os quatro acervos, sem nenhum algoritmo melhor em todos eles. ### Erro médio baixo significa que o sistema barra menores? Não. O relatório diz expressamente que o erro médio não mede quantas estimativas são superestimativas grandes, e por isso não é métrica apropriada para verificação de idade. A régua certa é a taxa de falso positivo no ponto de corte escolhido. ### Estimativa de idade guarda dado biométrico? Ela não precisa. O NIST registra que a estimativa pode operar sem estado, sem armazenamento persistente da foto nem de dado derivado dela, ao contrário do reconhecimento facial, que depende de referência guardada para comparar. ## Fontes citadas - NIST IR 8525, Face Analysis Technology Evaluation: Age Estimation and Verification, de Kayee Hanaoka, Mei Ngan, Joyce Yang, George W. Quinn, Austin Hom e Patrick Grother, maio de 2024: [nvlpubs.nist.gov](https://nvlpubs.nist.gov/nistpubs/ir/2024/NIST.IR.8525.pdf) - NIST, página pública da trilha FATE de estimativa e verificação de idade, com os resultados correntes: [pages.nist.gov/frvt](https://pages.nist.gov/frvt/html/frvt_age_estimation.html) - NISTIR 7995, Performance of Automated Age Estimation Algorithms, de 2014, citado nominalmente pelo NIST IR 8525 como a avaliação anterior usada na comparação histórica