O ministério do bem-estar da Coreia do Sul cruza 47 categorias de dados públicos — saúde, finanças, serviços públicos, emprego — para sinalizar agregados em risco elegíveis para apoios que nunca pediram. Em 2024 identificou 1,42M de pessoas; 41,6% continuaram sem qualquer apoio.
47
Categorias de dados governamentais associadas para deteção de pontos cegos (June 2026)
1.424 million
Pessoas identificadas como estando num ponto cego da assistência social (2024)
591,806 people (41.6%)
Pessoas identificadas que acabaram por não receber qualquer serviço de assistência social (2024)
17.7 %
Percentagem de pessoas apoiadas que recebeu prestações públicas diretamente (restantes encaminhadas para caridade privada) (2024)
63.9 %
Agregados familiares sinalizados contactados pelo serviço de contacto telefónico com IA (since 2025)
65.7 %
Agregados familiares contactados que acabaram por receber alguma forma de apoio (since 2025)
Detalhes
Maturidade
Consolidada
Promotor
Ministry of Health and Welfare / Social Security Information Service
Período
2015-2026 (ongoing)
Palavras-chave
social welfare, social security, public health, data analytics
Contexto
Na sequência da morte, em 2014, de uma mãe e das suas duas filhas no distrito de Songpa, em Seul, que tiraram a própria vida depois de caírem nas lacunas do sistema de assistência social da Coreia, o governo criou um sistema nacional de deteção de «pontos cegos» da assistência social, gerido pelo Serviço de Informação de Segurança Social sob a tutela do Ministério da Saúde e Bem-Estar, que cruza dados que os cidadãos já forneceram ao Estado, em vez de esperar que as pessoas se candidatem.
Atividades
Em junho de 2026, o ministério alargou os dados cruzados a 47 categorias, incluindo dados financeiros sobre candidatos a microcrédito rejeitados e registos de imigração de crianças que possam estar no estrangeiro, afirmando que o sistema utiliza agora IA para aprender padrões complexos de crise e detetar sinais subtis difíceis de captar através da análise manual existente, enquanto desde 2025 um serviço telefónico com IA faz a primeira ronda de contactos com os agregados familiares sinalizados.
Resultados
Dados oficiais apresentados à Assembleia Nacional mostram que 1,424 milhões de pessoas foram identificadas como estando num ponto cego da assistência social apenas em 2024, mas 591.806 delas (41,6%) acabaram por não receber qualquer serviço de assistência social, e apenas 17,7% das que foram ajudadas receberam prestações públicas diretamente, sendo as restantes encaminhadas para instituições de caridade privadas, enquanto o contacto telefónico com IA chegou a 63,9% dos agregados sinalizados, dos quais 65,7% acabaram por receber alguma forma de apoio.
Conclusões
Um estudo de caso da MIS Quarterly sobre o algoritmo central do sistema concluiu que, apesar de o modelo de aprendizagem automática superar as alternativas, muitos governos locais continuam a aplicar em paralelo triagens baseadas em regras e manuais, porque os trabalhadores sociais desconfiam e não compreendem os resultados do modelo, uma lacuna de governação que o ministério ainda não resolveu, mesmo continuando a acrescentar fontes de dados novas e mais sensíveis.
Implementação
Custo indicativo
Elevado (500 mil €–5 M€)
Tempo até resultados
Longo (> 3 anos)
Equipa e competências
Social Security Information Service (implementing agency), Ministry of Health and Welfare (policy owner)
Condições de sucesso
Cross-agency data-sharing agreements link health, financial, utility and employment records the state already holds, instead of relying on citizens to reapply.
An AI phone outreach service, introduced in 2025, makes the first round of contact with flagged households.
Continual expansion of linked data categories, reaching 47 by June 2026, to capture new risk signals such as rejected microfinance applications and immigration records.
Modos de falha comuns
41.6% of the people identified as being in a welfare blind spot in 2024 still received no welfare service at all.
Many local governments still run parallel rule-based and manual screening because caseworkers distrust and do not understand the machine-learning outputs, per an MIS Quarterly case study.
Habitualmente financiado por
National / regional programmes
Vias de financiamento indicativas para práticas deste tipo — verifique sempre os avisos abertos e as regras de elegibilidade de cada programa.
Implementa esta prática?
Reivindique-a —
implementadores verificados obtêm um contacto público na página e podem propor correções.
Fontes de dados
De onde foi obtida a informação desta prática, e quando.