O mapa do Strava está virando corretor de imóveis, mas ele também revela quem a cidade deixa de fora
Tem uma nova maneira, meio improvável, de conhecer um bairro antes de morar nele.
Abra o Strava.
Não para correr.
Abra o mapa.
No fim de agosto de 2026, um mapa de calor de Chicago começou a circular nas redes sociais acompanhado de uma descrição provocadora: aquilo parecia um enorme retrato de classe social e riqueza.
Logo apareceu uma segunda ideia:
Vai se mudar para uma cidade nova? Olhe o Strava antes de escolher onde morar.
A princípio parece apenas mais um truque esperto descoberto pela internet.
Depois você começa a olhar os dados.
E percebe que existe uma cidade inteira escondida dentro daquele mapa.
O que exatamente o Strava está mostrando?
O Strava é conhecido principalmente por corredores e ciclistas. A empresa afirma ter mais de 200 milhões de usuários em mais de 185 países.
Cada vez que alguém registra uma corrida, caminhada ou pedalada com GPS, uma sequência de pontos geográficos é criada.
Individualmente, é apenas o treino daquela pessoa.
Quando milhões dessas atividades são sobrepostas, nasce o Global Heatmap, o mapa de calor global do Strava.
Segundo a própria empresa, ele usa atividades públicas agregadas do último ano e é atualizado mensalmente.
Uma rua muito utilizada fica mais destacada.
Uma rua pouco utilizada permanece escura.
O Strava diz que os dados exibidos são agregados e desidentificados. Uma região só começa a mostrar “calor” depois que vários usuários registram atividades por ali. Atividades privadas, trechos ocultados pelas configurações de privacidade e dados de usuários que optaram por não participar desse processamento são excluídos.
O objetivo original é bastante simples: descobrir lugares populares para correr, caminhar ou pedalar.
Só que os usuários perceberam outra coisa.
Uma rua iluminada no Strava pode estar contando várias histórias ao mesmo tempo
Pense no que uma rua precisa oferecer para se tornar atraente para alguém que sai de casa simplesmente para correr.
Calçada.
Iluminação.
Alguma sensação de segurança.
Poucas interrupções.
Talvez árvores.
Talvez um parque próximo.
E, do outro lado da equação, existe a pessoa.
Ela precisa ter tempo disponível.
Equipamento.
Um celular ou relógio com GPS.
Conhecer e usar o Strava.
E decidir tornar aquela atividade visível.
Quando centenas ou milhares de pessoas fazem isso no mesmo lugar, o mapa começa a funcionar como um sensor urbano improvisado.
Não foi criado para avaliar imóveis.
Mas pode acabar revelando características do bairro.
A ciência encontrou parte desse padrão
Em 2023, pesquisadores analisaram dados do Strava em Boston e combinaram o mapa de atividades com imagens das ruas e técnicas de inteligência artificial.
O estudo, publicado na revista Landscape and Urban Planning, encontrou associação significativa entre o ambiente das ruas e a quantidade de corrida registrada.
Os corredores apareciam com maior frequência em ruas consideradas mais acessíveis, abertas, limpas e seguras, além de locais com elementos naturais, iluminação, mobiliário urbano e outras comodidades.
Ruas com excesso de interrupções e ambientes mais fechados tendiam a registrar menos corrida.
Isso ajuda a explicar por que olhar o mapa do Strava antes de alugar um apartamento não é uma ideia completamente maluca.
O problema começa quando transformamos correlação em certeza.
Uma rua escura não significa necessariamente uma rua ruim
Aqui mora a armadilha.
O mapa não mostra todas as pessoas que caminham, correm ou pedalam.
Ele mostra principalmente as pessoas que usam Strava e permitem que seus dados entrem no conjunto agregado.
Um outro estudo publicado em 2023 comparou dados do Strava com observações reais de atividade recreativa em Oslo.
O resultado é interessante.
O Strava conseguiu representar muito bem parte da variação espacial observada. Mas os pesquisadores encontraram vieses importantes na população registrada.
Usuários do aplicativo estavam mais concentrados entre ciclistas, homens, pessoas de meia-idade e indivíduos com renda e escolaridade mais altas.
Crianças, idosos e grupos socioeconômicos mais vulneráveis apareciam menos.
Em outras palavras:
Ausência de luz no mapa não significa ausência de vida na rua. Pode significar ausência de dados.
Um bairro pode estar cheio de gente caminhando para trabalhar, indo à escola, levando criança para casa, jogando bola ou pedalando diariamente.
Se essas pessoas não estiverem registrando isso no Strava, para o mapa elas praticamente não existem.
Baltimore mostrou isso de uma maneira desconfortavelmente clara
Em 2019, a Runner’s World comparou o heatmap do Strava de Baltimore com uma divisão histórica e racial da cidade.
Baltimore possui uma configuração urbana conhecida como White L, um corredor historicamente mais branco e rico em formato aproximado de L.
Ao redor dele existem regiões predominantemente negras conhecidas como Black Butterfly, a Borboleta Negra.
Quando o mapa de corrida do Strava foi observado, aconteceu algo impressionante.
O White L brilhava.
Boa parte da Black Butterfly permanecia escura.
Ninguém programou o Strava para desenhar segregação racial.
O algoritmo apenas somou atividades físicas registradas.
Mas essas atividades aconteceram dentro de uma cidade que já carregava décadas de desigualdade de investimento, infraestrutura, parques, renda, segurança e oportunidades.
O mapa acabou fotografando parte dessa história sem saber que estava fazendo isso.
Dados não são neutros só porque são números
Essa é uma das coisas que mais me fascinam em tecnologia.
Um banco de dados pode estar matematicamente correto e ainda assim representar apenas uma parte da realidade.
Pesquisadores que estudam o uso do Strava em planejamento urbano alertam justamente para isso.
Um trabalho publicado em 2026 sobre dados do Strava Metro mostrou uma espécie de paradoxo: os dados podem correlacionar bem com fluxos reais de ciclismo e, ao mesmo tempo, apresentar uma amostra demograficamente enviesada.
Isso importa porque o Strava também fornece dados agregados para órgãos públicos por meio do Strava Metro, ferramenta voltada ao planejamento de infraestrutura para ciclistas e pedestres.
Imagine uma prefeitura olhando apenas para os pontos brilhantes.
Ela poderia concluir:
“É aqui que as pessoas pedalam. Vamos construir mais ciclovias aqui.”
Só que talvez exista outro bairro onde milhares de pessoas também pedalam, mas não usam Strava.
Se o investimento seguir somente a população digitalmente visível, o mapa corre o risco de reforçar a desigualdade que já estava registrando.
É uma versão urbana daquele velho problema da tecnologia:
quem não aparece nos dados corre o risco de não aparecer nas decisões.
O mapa já revelou algo muito mais perigoso que preço de aluguel
Essa não é a primeira vez que o heatmap do Strava produz uma informação que ninguém esperava encontrar nele.
Em 2018, pesquisadores e usuários perceberam pontos extremamente brilhantes em regiões remotas do Afeganistão, Síria e outros locais.
Não havia cidades movimentadas ali.
Mas havia pessoas correndo.
Militares.
Soldados utilizando relógios e rastreadores registravam seus exercícios físicos enquanto estavam posicionados em instalações militares.
Quando essas atividades foram agregadas pelo Strava, alguns padrões de movimento ficaram visíveis no mapa.
O Departamento de Defesa dos Estados Unidos confirmou que estava analisando as implicações de segurança do caso e alertou militares para utilizar configurações rígidas de privacidade em dispositivos conectados.
O mapa criado para descobrir uma rota de corrida havia se transformado, involuntariamente, numa ferramenta capaz de indicar presença militar.
É difícil encontrar exemplo melhor para uma regra básica de dados:
Informação aparentemente inocente muda completamente de significado quando combinada em escala.
E agora queremos escolher apartamentos com ele
Voltemos para Chicago.
A ideia viral de usar Strava para escolher onde morar tem algum mérito.
Se estou viajando para uma cidade que não conheço e vejo milhares de pessoas correndo todos os dias ao redor de um parque, isso é uma informação interessante.
Pode indicar infraestrutura agradável para atividade física.
Pode ajudar a descobrir ciclovias, parques, calçadões e rotas populares.
Eu usaria?
Sim.
Mas como uma camada de informação, não como um detector mágico de bairro bom.
Eu cruzaria o heatmap com transporte público, iluminação, comércio, tempo de deslocamento, preços, dados públicos de segurança, mapas urbanos e, principalmente, uma visita ao local.
Porque existe uma diferença enorme entre dizer:
“muita gente registra corrida aqui”
e dizer:
“este bairro é seguro”.
O primeiro é um dado.
O segundo é uma conclusão.
O mapa também pode começar a mudar aquilo que mede
Existe ainda uma parte curiosa nessa história.
Se muitas pessoas começarem a usar o Strava para escolher onde morar, bairros mais brilhantes podem receber mais atenção.
Mais atenção pode significar mais procura.
Mais procura pode pressionar preços.
Novos moradores que usam Strava registram novas atividades.
O bairro fica ainda mais brilhante.
E o mapa que inicialmente apenas descrevia um comportamento passa, aos poucos, a influenciá-lo.
É um pequeno ciclo de retroalimentação.
Dados deixam de apenas representar o mundo e começam a participar das decisões que modificam esse mundo.
Não encontrei evidência suficiente para afirmar que o Strava já esteja elevando aluguéis dessa maneira. Isso seria uma conclusão muito maior do que os dados disponíveis permitem.
Mas o mecanismo merece atenção.
Especialmente agora que recomendações, algoritmos e inteligência artificial estão entrando cada vez mais nas decisões sobre onde comer, viajar, comprar e morar.
A cidade que existe e a cidade que aparece no banco de dados
Talvez essa seja a parte mais bonita e também mais perigosa dessa história.
Olhar um heatmap do Strava é olhar para uma cidade desenhada pelos passos de algumas das pessoas que vivem nela.
Mas não de todas.
As linhas brilhantes contam histórias sobre parques, avenidas, ciclovias e hábitos.
As partes escuras também contam histórias.
Só precisamos tomar cuidado para não confundir:
“não consigo ver” com “não existe”.
Isso vale para mapas de corrida.
Vale para redes sociais.
Vale para sistemas de recomendação.
Vale para pesquisas.
E vai valer cada vez mais para inteligência artificial.
Uma IA aprende o mundo através dos dados que recebe. Se determinados grupos, lugares ou comportamentos quase não aparecem nesses dados, ela também passa a enxergar uma cidade incompleta.
No fim das contas, o Strava criou um mapa para mostrar onde corremos.
Sem querer, criou também um mapa que nos obriga a perguntar quem tem tempo, infraestrutura e condições para correr, quem registra isso e quem permanece invisível.
Eu ainda usaria o mapa para conhecer um bairro novo.
Só não deixaria um pontinho brilhante decidir onde vou morar.
Fontes consultadas: Strava Help Center, A Guide to Strava Heatmaps e Global Heatmap and Strava Metro; Strava Press, dados de usuários de 2026; Landscape and Urban Planning, “Assessing impacts of objective features and subjective perceptions of street environment on running amount: A case study of Boston” (2023) e “Bias and precision of crowdsourced recreational activity data from Strava” (2023); Mobilities, “Data visibility of cyclists: social justice implications of Strava Metro data in transport planning” (2026); Runner’s World, reportagem sobre o White L e Black Butterfly de Baltimore (2019); U.S. Department of Defense, registros oficiais sobre as implicações de segurança do Strava Global Heatmap (2018).