Há uma revolução acontecendo na economia que pode passar despercebida por quem acompanha apenas os números de PIB, inflação e desemprego.
Ela não está necessariamente nas variáveis que os economistas estudam. Está na maneira como essas variáveis são construídas.
Durante décadas, um dos grandes obstáculos da pesquisa econômica foi transformar fenômenos importantes, mas difíceis de observar, em dados que pudessem ser analisados estatisticamente. Confiança, discurso político, qualidade institucional, conteúdo de jornais, comportamento empresarial, características de contratos e até aspectos subjetivos de decisões humanas eram frequentemente reduzidos a indicadores rudimentares.
A inteligência artificial começa a alterar esse problema.
Um novo working paper de Melissa Dell, de Harvard, e Ashesh Rambachan, do MIT, publicado pelo NBER em setembro de 2026, chama atenção justamente para essa mudança. O trabalho argumenta que a IA está tornando possível transformar grandes volumes de texto, imagens e outras informações não estruturadas em variáveis quantitativas a um custo muito menor.
O ponto mais interessante, porém, não é que a IA consegue “ler documentos”.
É que ela pode mudar aquilo que um economista consegue medir.
O problema invisível por trás de quase toda regressão
Imagine que um pesquisador queira responder a uma pergunta aparentemente simples:
Empresas que adotam uma determinada prática de gestão se tornam mais produtivas?
O problema começa antes da regressão.
Como medir “boa gestão”?
Tradicionalmente, o pesquisador precisa encontrar uma variável observável que funcione como aproximação desse conceito. Pode utilizar respostas de questionários, certificações, indicadores contábeis ou classificações feitas por especialistas.
O conceito econômico é chamado de construct, enquanto a variável utilizada para representá-lo empiricamente é uma medida ou proxy.
Essa distinção é fundamental.
Uma regressão pode ser matematicamente impecável e ainda assim responder à pergunta errada se a variável utilizada não representar adequadamente o fenômeno que o pesquisador pretendia medir.
É aqui que a IA começa a alterar a fronteira da pesquisa.
Um modelo pode analisar milhares ou milhões de documentos e classificar sistematicamente características que antes exigiriam leitura humana.
O pesquisador passa a conseguir construir variáveis em escala.
Mas surge um problema novo.
Se antes o pesquisador sofria com a escassez de medidas, agora pode sofrer com o excesso delas.
O novo problema é escolher o que medir
Dell e Rambachan chamam atenção para uma transformação importante.
A IA pode tornar relativamente barato construir diferentes medidas para o mesmo fenômeno. O gargalo deixa de ser simplesmente encontrar uma proxy escalável e passa a ser determinar qual proxy realmente representa o conceito de interesse.
Imagine, por exemplo, que queremos medir a qualidade de uma empresa.
Um algoritmo pode classificar:
linguagem utilizada nos relatórios;
quantidade de processos trabalhistas;
qualidade percebida da gestão;
investimento em treinamento;
estrutura organizacional;
práticas de governança;
tom das comunicações aos investidores.
Todas essas variáveis podem apresentar correlação com produtividade.
Mas isso não significa que todas estejam medindo “qualidade da gestão”.
A facilidade de gerar uma variável não transforma essa variável em uma boa variável.
Essa é uma diferença que tende a separar pesquisas realmente inovadoras de análises apenas sofisticadas.
A IA não elimina o problema da identificação
Existe uma tentação compreensível no entusiasmo atual com IA.
Se conseguimos transformar praticamente qualquer texto em dados, poderíamos imaginar que a economia finalmente estaria entrando em uma era de mensuração perfeita.
Não está.
A IA resolve alguns problemas de mensuração, mas não elimina os problemas de inferência causal.
Uma variável construída por inteligência artificial ainda pode estar errada.
E, mais importante, mesmo uma variável perfeitamente medida não resolve automaticamente o problema de causalidade.
Considere:
$$ Y_i = \beta X_i + \varepsilon_i $$
O fato de conseguirmos medir \(X\) com muito mais precisão não significa que \(\beta\) seja causal.
Ainda podemos ter:
$$ Cov(X,\varepsilon) \neq 0 $$
Ou seja, o problema de endogeneidade continua existindo.
A IA pode melhorar a mensuração de \(X\).
Ela não transforma automaticamente correlação em causalidade.
A validação passa a ser parte central do trabalho
Esse talvez seja o ponto metodológico mais importante do novo cenário.
Dell e Rambachan defendem que inferências confiáveis utilizando variáveis geradas por IA exigem validação cuidadosamente desenhada.
Suponha que um modelo classifique 10 milhões de documentos.
O pesquisador não precisa necessariamente validar manualmente os 10 milhões.
Pode selecionar uma amostra de documentos e comparar a classificação da IA com uma referência confiável construída por especialistas.
Essa amostra de validação passa a desempenhar papel semelhante ao de um instrumento de controle da qualidade da mensuração.
É uma mudança conceitual importante.
O economista não está simplesmente usando IA para “automatizar a pesquisa”.
Ele está construindo um pipeline de mensuração.
Primeiro define o conceito.
Depois estabelece como observá-lo.
Em seguida valida a medida.
Só então utiliza a variável na análise estatística.
Isso muda o trabalho do economista
A consequência profissional é maior do que parece.
O economista do futuro provavelmente precisará dominar simultaneamente três camadas:
teoria econômica, para saber o que realmente deseja medir;
ciência de dados, para construir medidas em escala;
econometria, para entender as consequências estatísticas e causais dos erros de mensuração.
Essa integração é particularmente importante para pesquisas com microdados.
Imagine estudos de avaliação de políticas públicas utilizando:
discursos parlamentares;
documentos administrativos;
decisões judiciais;
contratos públicos;
relatórios empresariais;
notícias;
imagens de satélite;
registros textuais.
Durante muito tempo, boa parte dessas informações ficou fora das bases econométricas porque era cara demais para transformar em dados estruturados.
A IA reduz esse custo.
Isso pode ampliar radicalmente o conjunto de perguntas empiricamente investigáveis.
Mas existe uma armadilha estatística
Quanto mais fácil se torna produzir variáveis, maior também se torna o espaço de escolhas do pesquisador.
E isso pode criar um problema familiar aos econometristas.
Se existem cem maneiras plausíveis de medir um fenômeno, alguém pode encontrar uma especificação que produza um resultado estatisticamente significativo quase por acidente.
A tecnologia que aumenta a capacidade de medição também aumenta a necessidade de disciplina metodológica.
Pré-registro, validação independente, transparência de código, documentação das decisões de classificação e testes de robustez podem se tornar ainda mais importantes.
A IA pode reduzir o custo de produzir dados.
Ela não reduz necessariamente o custo de produzir evidência confiável.
O próximo salto da economia pode ser uma revolução de mensuração
Existe uma ironia interessante nisso tudo.
A discussão pública sobre IA na economia costuma concentrar-se em produtividade, emprego e crescimento.
Mas talvez uma das transformações mais profundas aconteça antes.
Naquilo que conseguimos observar.
Economistas sempre foram limitados pela qualidade das variáveis disponíveis. Quando uma tecnologia permite observar fenômenos antes praticamente inacessíveis, ela pode ampliar a própria fronteira das perguntas que a ciência consegue responder.
Esse é o verdadeiro potencial da IA para a econometria.
Não substituir o economista.
Permitir que ele transforme partes do mundo que antes eram invisíveis em objetos de análise.
E, justamente por isso, exigir mais rigor, não menos.
Fontes: NBER Working Paper 35744, Melissa Dell e Ashesh Rambachan, The Measurement Revolution? Credible Measurement and Inference in the Age of AI.
NBER Methods Lecture 2026, Estimation and Inference with AI-Generated Data.
Ludwig, Mullainathan e Rambachan, Large Language Models: An Applied Econometric Framework.