Blog

  • Pequenos “empurrões” podem substituir grandes impostos? A resposta é mais complicada do que parece

    Durante anos, a economia comportamental foi apresentada como uma alternativa à política tradicional.

    Em vez de aumentar impostos, governos poderiam mudar a arquitetura das escolhas.

    Em vez de obrigar, poderiam incentivar.

    Em vez de proibir, poderiam criar um lembrete.

    Essa ideia ficou conhecida como nudge, ou empurrão comportamental.

    Mas existe uma pergunta que aparece pouco:

    um nudge realmente substitui uma política econômica tradicional?

    Um novo trabalho de John List, Matthias Rodemeier, Sutanuka Roy e Gregory Sun tenta responder justamente a isso.

    Os autores reúnem mais de 1.200 estimativas de mais de 600 estudos e comparam intervenções comportamentais com instrumentos tradicionais de preço em cinco mercados: cigarros, álcool, vacinação contra influenza, eletricidade e água residencial.

    O resultado é mais interessante do que simplesmente dizer que nudges funcionam.

    Eles funcionam.

    Mas não necessariamente maximizam bem-estar quando ampliados para toda a economia.

    O que é um nudge?

    Um nudge altera a arquitetura de escolha sem retirar formalmente a liberdade do indivíduo.

    Exemplos:

    colocar alimentos saudáveis na altura dos olhos;
    enviar lembretes de vacinação;
    tornar uma opção padrão mais provável;
    simplificar um formulário;
    mostrar quanto de energia uma residência consome em comparação com seus vizinhos.

    O preço do produto pode permanecer igual.

    Mas a probabilidade de escolha muda.

    Um imposto funciona por outro mecanismo

    Imagine que o governo queira reduzir consumo de eletricidade.

    Pode enviar mensagens:

    “Economize energia.”

    Isso é uma intervenção comportamental.

    Também pode cobrar imposto adicional por kWh.

    Nesse caso:

    $$ Preço \uparrow \Rightarrow Consumo \downarrow $$

    O imposto altera diretamente o incentivo marginal.

    O nudge atua sobre informação, atenção ou contexto.

    Como comparar duas coisas tão diferentes?

    Esse é justamente o problema metodológico enfrentado pelo estudo.

    Um efeito de um nudge de 5% parece pequeno.

    Mas pequeno em relação a quê?

    Os autores convertem os efeitos comportamentais em equivalentes de preço.

    Ou seja:

    “Qual aumento de imposto produziria aproximadamente o mesmo efeito sobre o comportamento?”

    Isso permite comparar instrumentos que normalmente aparecem em unidades diferentes.

    O resultado é surpreendente

    Os autores encontram que determinados nudges equivalem a intervenções fiscais muito grandes.

    Em eletricidade, alguns efeitos equivalem a aproximadamente 11% de imposto.

    No caso da vacinação contra influenza, determinadas intervenções comportamentais chegam a equivaler a um subsídio de 100%.

    Isso parece extraordinário.

    Mas existe uma ressalva.

    Equivalência comportamental não significa equivalência de bem-estar.

    Reduzir consumo não é o mesmo que melhorar bem-estar

    Imagine que um imposto reduza consumo de eletricidade.

    O consumidor paga mais.

    O governo arrecada.

    O consumo cai.

    Existe uma perda de excedente para quem teria consumido o produto.

    Um nudge pode produzir a mesma redução de consumo sem gerar arrecadação.

    Portanto, os dois instrumentos podem gerar efeitos semelhantes sobre quantidade e resultados muito diferentes sobre bem-estar.

    É por isso que custo-efetividade e bem-estar são coisas diferentes

    Os autores encontram que os nudges são mais custo-efetivos do que instrumentos de preço em todos os cinco mercados analisados.

    Mas isso não significa que sejam superiores em bem-estar.

    Essa distinção é central.

    Uma política pode alcançar um determinado objetivo com pouco recurso público.

    Mas outra política pode gerar maior excedente total, mesmo custando mais.

    Imagine uma campanha de vacinação

    Um lembrete simples pode levar milhares de pessoas a tomar vacina.

    O governo gasta pouco.

    Excelente custo-efetividade.

    Agora imagine um subsídio elevado.

    Ele pode gerar ainda mais vacinação.

    Mas custa dinheiro público.

    A comparação precisa considerar:

    $$ Benefício\ social – Custo\ fiscal – Custos\ comportamentais $$

    Não basta perguntar qual política gera mais adesão.

    A economia comportamental não substitui a economia tradicional

    Esse é talvez o resultado mais importante.

    Nudges são instrumentos adicionais.

    Eles não eliminam:

    impostos;
    subsídios;
    regulação;
    preços;
    direitos de propriedade.

    Em alguns contextos, um nudge é claramente melhor.

    Em outros, um instrumento de preço é mais poderoso.

    O contexto importa

    Considere consumo de água.

    Se uma família desperdiça água porque não sabe quanto está consumindo, uma informação melhor pode resolver parte do problema.

    Se a família sabe exatamente quanto consome e mesmo assim utiliza água porque o preço é muito baixo, um nudge pode ter efeito limitado.

    O mecanismo determina a política adequada.

    Existe um problema de escala

    Esse é um ponto especialmente interessante.

    Uma intervenção comportamental pode funcionar muito bem em pequena escala.

    Mas seu efeito pode diminuir quando todos passam a conhecê-la.

    Se uma mensagem é nova e chama atenção, funciona.

    Depois de milhares de mensagens, pode virar ruído.

    Impostos não possuem exatamente o mesmo problema.

    O incentivo permanece enquanto a regra permanecer.

    O comportamento também é heterogêneo

    Nem todo consumidor responde da mesma maneira.

    Alguns prestam atenção.

    Outros não.

    Alguns têm grande elasticidade de consumo.

    Outros possuem pouca margem de ajuste.

    Por isso, a mesma intervenção pode produzir efeitos muito diferentes entre grupos.

    Uma política universal pode ser menos eficiente do que uma política direcionada.

    A grande contribuição do estudo está na comparação

    A literatura de nudges produziu centenas de experimentos.

    Mas muitos resultados ficaram isolados.

    Um estudo encontra 4%.

    Outro encontra 8%.

    Outro encontra 12%.

    É difícil saber o que esses números significam economicamente.

    A conversão para equivalentes de preço permite colocar os resultados em uma escala comum.

    Isso transforma uma coleção de experimentos em algo mais útil para desenho de políticas.

    O Estado deveria usar mais nudges?

    A resposta correta é:

    depende do objetivo.

    Se queremos mudar comportamento com baixo custo fiscal, nudges podem ser excelentes.

    Se queremos maximizar excedente total em grande escala, preços podem ser superiores.

    Se queremos redistribuir renda, impostos e transferências possuem funções que nudges não conseguem cumprir.

    Instrumentos não são intercambiáveis.

    O erro está em transformar uma ferramenta em filosofia

    O debate público frequentemente cria duas posições.

    “Mercado resolve tudo.”

    ou:

    “Comportamento humano é irracional, então precisamos de nudges.”

    Ambas são simplificações.

    A economia comportamental não demonstra que pessoas são irracionais o tempo todo.

    Ela mostra que decisões dependem de contexto, atenção, informação e limitações cognitivas.

    A economia tradicional continua sendo necessária para avaliar preços, incentivos e custos de oportunidade.

    O verdadeiro avanço é escolher o instrumento certo

    Uma política pública sofisticada não pergunta:

    “Nudge ou imposto?”

    Pergunta:

    “Qual instrumento produz o maior bem-estar dado o problema específico?”

    Às vezes será um nudge.

    Às vezes um imposto.

    Às vezes os dois juntos.

    E, em muitos casos, a combinação será melhor do que qualquer instrumento isolado.

    A economia comportamental fica mais interessante justamente quando deixa de ser uma crítica à economia tradicional e passa a ser uma ferramenta adicional para desenhar políticas melhores.

    Fontes: John A. List, Matthias Rodemeier, Sutanuka Roy e Gregory K. Sun, The Value of Behavioral Policies, NBER Working Paper 35567, revisão de setembro de 2026.

  • Por que pessoas com as mesmas habilidades recebem salários tão diferentes? Um novo modelo aponta para uma resposta

    A desigualdade salarial costuma ser explicada de maneira intuitiva.

    Algumas pessoas estudaram mais.

    Algumas possuem mais experiência.

    Algumas trabalham em profissões mais produtivas.

    Mas existe um fenômeno mais difícil de explicar:

    por que trabalhadores com características aparentemente semelhantes podem receber salários muito diferentes mesmo dentro da mesma profissão?

    Um novo trabalho de Chris Edmond e Simon Mongey oferece uma resposta interessante.

    Publicado pelo NBER em setembro de 2026, Unbundling Labor desenvolve um modelo de equilíbrio geral no qual trabalhadores não oferecem uma única habilidade ao mercado. Eles oferecem combinações de habilidades, e o valor de cada competência depende da ocupação em que ela é utilizada.

    O resultado ajuda a entender uma característica importante do mercado de trabalho moderno: a tecnologia pode aumentar o valor de determinadas habilidades e, ao mesmo tempo, reduzir o valor de outras, mesmo sem alterar a composição dos trabalhadores.

    O problema de pensar que cada trabalhador possui “uma produtividade”

    Imagine dois profissionais igualmente bons em matemática.

    Um trabalha como contador.

    Outro como engenheiro.

    A habilidade matemática não possui necessariamente o mesmo valor econômico nas duas ocupações.

    Isso parece óbvio quando pensamos em profissões diferentes.

    Mas possui uma consequência teórica importante:

    o preço de uma habilidade depende de onde ela é utilizada.

    Habilidades não são vendidas isoladamente

    Um trabalhador não chega ao mercado oferecendo:

    $$ 1\ unidade\ de\ matemática $$

    ou:

    $$ 1\ unidade\ de\ comunicação $$

    Ele oferece um pacote.

    Por exemplo:

    $$ Habilidade = \{matemática,\ comunicação,\ programação,\ julgamento\} $$

    O empregador compra esse conjunto.

    O salário resulta do valor econômico da combinação.

    É isso que os autores chamam de bundling, ou agrupamento de habilidades.

    O que acontece quando uma tecnologia aumenta a produtividade cognitiva?

    Suponha que uma nova tecnologia aumente a produtividade de habilidades cognitivas.

    Seria natural imaginar:

    $$ produtividade\ cognitiva \uparrow \Rightarrow salários\ cognitivos \uparrow $$

    Mas o modelo mostra que a história pode ser mais complexa.

    O efeito depende da ocupação.

    Em profissões intensivas em habilidades cognitivas, o aumento da produtividade de uma competência pode elevar a dispersão salarial dentro da própria ocupação.

    Ao mesmo tempo, profissões mais intensivas em trabalho manual podem experimentar dinâmica diferente.

    A tecnologia não altera apenas quem trabalha

    Ela altera o preço das habilidades.

    Esse ponto é importante.

    Imagine que uma tecnologia torne programação básica muito mais produtiva.

    A empresa pode precisar de menos horas para executar determinada tarefa.

    Mas isso não significa necessariamente que todos os programadores serão prejudicados.

    Se a tecnologia complementar programadores capazes de resolver problemas complexos, o valor dessas competências pode aumentar.

    A mesma tecnologia pode:

    substituir uma habilidade;

    e

    complementar outra.

    O estudo usa um modelo de equilíbrio geral

    Essa é uma das partes mais interessantes metodologicamente.

    Os autores não analisam apenas a relação entre salário e escolaridade.

    Eles constroem um modelo no qual trabalhadores possuem múltiplas habilidades e escolhem ocupações.

    A oferta de trabalho e os preços das habilidades interagem.

    Isso permite estudar o que acontece quando a produtividade de determinada competência muda.

    E então o resultado aparece nos dados

    Os autores aplicam o modelo a dados americanos e encontram que diferenças nos preços das habilidades, e não apenas diferenças na composição dos trabalhadores, explicam por que a desigualdade salarial dentro das ocupações é maior em profissões intensivas em conhecimento.

    Segundo as estimativas, essa variação nos preços das habilidades explica aproximadamente um terço do aumento da desigualdade salarial dentro das ocupações entre 1980 e 2010.

    É um resultado importante porque muda a pergunta.

    Não basta perguntar:

    quem são os trabalhadores?

    Precisamos perguntar:

    quanto o mercado está pagando por cada combinação de habilidades?

    A ocupação funciona como um mercado específico

    Considere um economista.

    Ele pode possuir:

    capacidade quantitativa;
    escrita;
    programação;
    conhecimento institucional;
    comunicação.

    Se o mercado valoriza muito análise quantitativa, essa competência aumenta seu salário.

    Se ferramentas automatizadas tornam programação básica abundante, o valor relativo dessa habilidade pode cair.

    Mas se a mesma tecnologia aumenta a demanda por profissionais capazes de interpretar modelos, o valor da combinação pode subir.

    O salário não é simplesmente uma função da pessoa.

    É uma função da pessoa dentro de uma estrutura produtiva.

    Isso ajuda a explicar a desigualdade entre profissionais igualmente educados

    Duas pessoas podem possuir o mesmo diploma.

    Mas utilizar suas habilidades em mercados diferentes.

    Uma trabalha em uma ocupação em que sua combinação de competências é escassa.

    Outra trabalha em uma ocupação em que a mesma combinação é abundante.

    A diferença salarial pode ser grande.

    Não porque uma pessoa seja necessariamente mais produtiva em termos absolutos.

    Mas porque suas habilidades possuem preços diferentes.

    A tecnologia pode aumentar desigualdade sem aumentar diferenças de capacidade

    Esse ponto merece atenção.

    Imagine uma tecnologia que aumenta a produtividade de uma determinada competência.

    Os trabalhadores que possuem essa competência podem se tornar mais valiosos.

    A desigualdade cresce.

    Mas ninguém ficou necessariamente “melhor” em termos individuais.

    Mudou o preço relativo da habilidade.

    Isso é uma explicação econômica poderosa para mudanças na distribuição salarial.

    O mercado de trabalho é uma rede de complementaridades

    Uma habilidade raramente possui valor isoladamente.

    Um trabalhador que domina econometria pode ser muito mais produtivo quando também entende programação.

    Um médico pode se tornar mais produtivo com ferramentas de diagnóstico.

    Um advogado pode se beneficiar de sistemas de busca jurídica.

    Um gestor pode se tornar mais eficaz com análise de dados.

    A produtividade surge da combinação.

    Isso significa que políticas de formação profissional que olham apenas para profissões podem ficar atrasadas.

    Talvez seja mais importante pensar em portfólios de competências.

    Isso também muda a discussão sobre IA

    Existe uma conexão direta com a transformação tecnológica atual.

    Quando IA reduz o custo de determinadas tarefas cognitivas, o preço relativo das competências pode mudar.

    A pergunta não deveria ser simplesmente:

    “A IA vai substituir essa profissão?”

    A pergunta economicamente mais precisa é:

    “Quais habilidades dentro dessa profissão serão substituídas, complementadas ou valorizadas?”

    Um contador não é uma habilidade.

    Um economista não é uma habilidade.

    Um médico não é uma habilidade.

    São combinações.

    O trabalhador pode reagir

    Quando os preços das habilidades mudam, trabalhadores podem investir em novas competências.

    Isso é capital humano.

    Mas o ajuste não é instantâneo.

    Uma pessoa pode precisar de anos para adquirir determinada competência.

    Isso gera custos de transição.

    Quanto mais rápida for a mudança tecnológica, maior pode ser o descompasso entre:

    $$ mudança\ na\ demanda $$

    e

    $$ mudança\ na\ oferta\ de\ habilidades. $$
    É aí que surge um problema de política pública

    Se a tecnologia muda rapidamente os preços relativos das habilidades, políticas educacionais precisam ser capazes de acompanhar.

    Não significa que o Estado deva tentar prever exatamente quais profissões existirão daqui a vinte anos.

    Essa previsão provavelmente seria ruim.

    É mais útil formar competências que possam ser combinadas em diferentes ocupações.

    Raciocínio quantitativo.

    Comunicação.

    Capacidade analítica.

    Aprendizado.

    Programação.

    Conhecimento institucional.

    Essas competências podem ser recombinadas.

    A grande lição

    A desigualdade salarial não depende apenas de quem possui mais educação.

    Depende também de quais habilidades o mercado valoriza e de como essas habilidades são combinadas nas ocupações.

    Essa perspectiva ajuda a explicar por que mudanças tecnológicas podem produzir efeitos distributivos muito diferentes entre trabalhadores que, à primeira vista, parecem semelhantes.

    O mercado não paga apenas pelo que você sabe.

    Paga pelo valor daquela combinação de conhecimentos no lugar específico onde ela é utilizada.

    E quando a tecnologia muda, o preço dessa combinação também muda.

    Fontes: Chris Edmond e Simon Mongey, Unbundling Labor, NBER Working Paper 35783, setembro de 2026.

  • A Europa quer saber quanta água e energia a inteligência artificial está consumindo

    A inteligência artificial costuma aparecer nas estatísticas econômicas como software.

    Mas existe uma infraestrutura física por trás dela.

    Servidores.

    Chips.

    Redes.

    Energia.

    Sistemas de refrigeração.

    Água.

    E essa infraestrutura está começando a produzir um problema de política pública.

    Nesta segunda-feira, 21 de setembro de 2026, a Comissão Europeia propôs novas regras para aumentar a transparência sobre o consumo de energia e água dos data centers.

    A proposta prevê que centros de dados com capacidade superior a 500 kW passem a reportar indicadores de eficiência energética, uso de água, estresse hídrico local e capacidade de reutilização de calor.

    A medida não estabelece, neste momento, um limite obrigatório de consumo.

    Mas cria algo economicamente muito importante:

    informação comparável.

    Por que a Europa está preocupada?

    Porque a expansão da IA exige capacidade computacional.

    E capacidade computacional exige eletricidade.

    A Comissão Europeia estima que os data centers já representam aproximadamente 2,5% do consumo de eletricidade da União Europeia.

    A expectativa é que a capacidade instalada cresça de cerca de 12 GW para 28 GW até 2030.

    A expansão é enorme.

    A IA possui uma infraestrutura invisível

    Quando alguém pergunta a um chatbot:

    “Explique a inflação”

    não enxerga o data center.

    Mas existe uma cadeia física:

    $$ Pergunta \rightarrow processamento \rightarrow servidores \rightarrow energia \rightarrow refrigeração $$

    Quanto mais pessoas utilizam IA, maior a demanda computacional.

    E quanto mais sofisticados os modelos, maior pode ser a infraestrutura necessária.

    Energia não é o único problema

    Servidores produzem calor.

    Esse calor precisa ser removido.

    Sistemas de refrigeração utilizam diferentes tecnologias.

    Algumas consomem água.

    Outras consomem mais eletricidade.

    O problema depende, portanto, da localização.

    Um data center em uma região com abundância de água não enfrenta exatamente o mesmo custo ambiental de outro instalado em uma região sob estresse hídrico.

    É aí que entra a economia

    Um litro de água não possui o mesmo custo social em todos os lugares.

    Em uma região úmida:

    $$ Custo\ marginal\ da\ água \downarrow $$

    Em uma região com escassez:

    $$ Custo\ marginal\ da\ água \uparrow $$

    Se uma empresa paga apenas o preço privado da água, pode ignorar parte desse custo social.

    Esse é um problema clássico de externalidade.

    O data center pode ser eficiente e ainda assim gerar custo social

    Imagine uma empresa que constrói um data center altamente eficiente.

    Ela usa pouca água por unidade de computação.

    Ainda assim, se estiver localizada em uma bacia hidrográfica extremamente pressionada, o impacto pode ser relevante.

    Isso significa que eficiência técnica e eficiência econômica não são exatamente a mesma coisa.

    A primeira pergunta:

    “Quanto o equipamento consome?”

    A segunda:

    “Qual é o custo social desse consumo onde ele ocorre?”

    A proposta europeia começa pela transparência

    A Comissão Europeia está propondo uma etiqueta voluntária de eficiência para data centers, acompanhada de divulgação de informações.

    O objetivo é criar comparabilidade.

    É uma estratégia interessante porque informação pode anteceder regulação.

    Primeiro:

    medir.

    Depois:

    comparar.

    Finalmente:

    regular, se necessário.

    Isso é uma aplicação de economia da informação

    Quando consumidores não sabem qual produto é mais eficiente, empresas podem ter pouco incentivo para investir em eficiência.

    Se os consumidores conseguem comparar:

    $$ Eficiência_A > Eficiência_B $$

    a empresa B passa a enfrentar pressão competitiva.

    O mesmo pode ocorrer com data centers.

    Se investidores, governos e clientes conseguem comparar consumo energético e hídrico, eficiência pode se tornar uma variável competitiva.

    O problema é que data centers produzem externalidades locais

    Os benefícios da IA são amplos.

    Uma empresa pode utilizar um modelo europeu para produzir software vendido globalmente.

    O benefício econômico é distribuído.

    Mas a infraestrutura física está em um lugar específico.

    Água é consumida em uma região específica.

    Eletricidade é demandada em uma rede específica.

    Calor é produzido em uma região específica.

    Isso cria uma diferença entre:

    benefício global

    e

    custo local.

    Essa assimetria pode criar conflitos

    Imagine uma cidade que recebe um grande data center.

    A empresa promete:

    investimentos;
    empregos;
    arrecadação;
    inovação.

    Mas a população local percebe:

    maior demanda elétrica;
    pressão sobre água;
    necessidade de novas linhas de transmissão;
    custos de infraestrutura.

    O projeto pode ser economicamente positivo.

    Mas a distribuição dos custos e benefícios não é uniforme.

    Essa é uma questão de política pública.

    A Europa está tentando evitar um problema antes que ele cresça

    A expansão da IA está acontecendo rapidamente.

    A Comissão estima que a capacidade dos data centers europeus mais que dobre até 2030.

    Se a infraestrutura for construída sem informação sobre consumo e disponibilidade local, políticas futuras podem ter de corrigir decisões já tomadas.

    A transparência reduz esse risco.

    Existe uma conexão direta com a corrida global pela IA

    Estados Unidos e China estão competindo pela liderança em IA.

    A Europa tenta evitar ficar dependente de tecnologia estrangeira.

    Isso cria um dilema.

    Quanto mais capacidade computacional a Europa constrói, maior sua autonomia tecnológica.

    Mas maior também é sua demanda por energia e infraestrutura.

    Portanto:

    $$ Autonomia\ tecnológica \uparrow $$

    pode vir acompanhada de:

    $$ Demanda\ por\ energia \uparrow $$
    O Brasil deveria observar isso

    O Brasil está criando incentivos para data centers por meio do Redata.

    Esse movimento já foi analisado pela Arven recentemente e não precisa ser repetido.

    Mas a experiência europeia acrescenta uma questão nova.

    Não basta atrair data centers.

    É preciso saber:

    onde serão instalados;

    quanto consumirã de energia;

    quanto usarão de água;

    quem pagará pela infraestrutura adicional;

    e quais benefícios permanecerão na região.

    A IA começa a entrar na velha economia

    Essa talvez seja a parte mais interessante da notícia.

    Durante muito tempo, a IA foi apresentada como uma revolução puramente digital.

    Mas modelos digitais precisam de uma economia física.

    Energia.

    Terreno.

    Construção.

    Cabos.

    Chips.

    Água.

    Trabalhadores.

    Infraestrutura.

    A economia da IA é também uma economia de infraestrutura.

    O próximo gargalo pode não estar no algoritmo

    Podemos imaginar modelos cada vez mais inteligentes.

    Mas a capacidade de executá-los depende de recursos físicos.

    Se energia ou água se tornarem restrições relevantes, o custo marginal da computação aumentará.

    Isso pode mudar a geografia da IA.

    Data centers tenderão a buscar regiões com:

    energia abundante;

    eletricidade barata;

    água disponível;

    boa conectividade;

    estabilidade regulatória.

    A infraestrutura física pode acabar determinando parte da distribuição geográfica da inteligência artificial.

    A pergunta mudou

    No início da revolução da IA, a pergunta era:

    “Qual modelo é mais inteligente?”

    Agora começa a surgir outra:

    “Onde existe capacidade física para executar esse modelo?”

    A Europa está começando a responder essa pergunta com dados.

    E isso é mais importante do que parece.

    Porque antes de colocar um limite em uma tecnologia, precisamos saber quanto ela realmente consome.

    E antes de decidir onde construir a próxima geração de infraestrutura de IA, precisamos saber qual é o verdadeiro custo econômico de fazê-lo.

  • O mercado passou a projetar Selic de 13,5% no fim do ano. O que mudou nas expectativas?

    O mercado financeiro reduziu novamente a projeção para a Selic no fim de 2026.

    Segundo o Boletim Focus divulgado nesta segunda-feira, 21 de setembro, a mediana das expectativas passou de 13,75% para 13,50%. Na prática, os economistas consultados passaram a incorporar a possibilidade de mais um corte de 25 pontos-base até o fim do ano.

    A mudança é pequena.

    Mas não é irrelevante.

    Em política monetária, o nível da taxa é importante. A trajetória esperada também.

    E existe uma pergunta mais interessante:

    por que o mercado passou a enxergar espaço para mais um corte justamente agora?

    Primeiro, o que mudou?

    A expectativa anterior era de encerramento do ano em 13,75%.

    Agora:

    $$ 13,75\% \rightarrow 13,50\% $$

    É uma revisão de apenas 0,25 ponto percentual.

    Não significa que o mercado esteja projetando uma grande virada monetária.

    Significa que os agentes consultados passaram a atribuir maior probabilidade a um corte adicional.

    Expectativas não são previsões certas

    O Focus não representa uma promessa do Banco Central.

    Ele reúne previsões de instituições participantes.

    Essa distinção é importante.

    O Copom define a Selic.

    O mercado tenta antecipar o que o Copom fará.

    Portanto:

    $$ Expectativa_{mercado}\neq Decisão_{Copom} $$

    A diferença pode ser grande.

    Por que o mercado pode estar mais confortável com cortes?

    Uma parte da resposta está no processo de desinflação.

    A inflação brasileira desacelerou em relação aos picos anteriores, embora ainda existam riscos relevantes.

    Além disso, a atividade econômica mostra sinais de moderação.

    O Banco Central precisa equilibrar duas forças:

    inflação ainda acima do objetivo

    versus

    crescimento desacelerando.

    Se a segunda ganhar importância sem uma deterioração das expectativas de inflação, existe espaço para reduzir juros.

    O corte de juros não é uma recompensa

    Esse ponto merece destaque.

    O Banco Central não reduz juros porque “a economia merece”.

    Ele reduz quando entende que a taxa anterior deixou de ser necessária para levar a inflação à meta.

    A política monetária funciona pelo custo de oportunidade.

    Uma taxa muito alta reduz:

    consumo financiado;
    investimento;
    crédito;
    demanda agregada.

    Mas uma taxa baixa demais pode permitir pressão inflacionária.

    O problema é encontrar a taxa compatível com a convergência da inflação.

    Existe uma defasagem

    Esse é um dos conceitos mais importantes para entender política monetária.

    Quando o Copom altera a Selic hoje, os efeitos sobre a economia não aparecem imediatamente.

    Primeiro mudam as condições financeiras.

    Depois crédito e expectativas.

    Depois consumo e investimento.

    Finalmente, parte do efeito aparece nos preços.

    Podemos representar:

    $$ Selic \rightarrow crédito \rightarrow demanda \rightarrow atividade \rightarrow inflação $$

    Esse processo possui defasagens.

    Por isso, o Banco Central precisa decidir hoje com base em inflação que ainda não aconteceu.

    O mercado olha para o futuro

    É exatamente por isso que a curva de juros pode cair antes da Selic.

    Investidores não precisam esperar o Copom anunciar cada corte.

    Se acreditam que os juros cairão no futuro, começam a ajustar posições hoje.

    Essa antecipação afeta:

    títulos públicos;
    crédito privado;
    câmbio;
    ações;
    custo de capital das empresas.

    A expectativa vira preço.

    Mas existe um limite

    O mercado pode esperar mais cortes.

    O Banco Central pode discordar.

    E existe uma razão.

    Se as expectativas de inflação se deteriorarem, o espaço para cortes diminui.

    Da mesma forma, um choque cambial ou de commodities pode aumentar pressão inflacionária.

    Por isso, a trajetória da Selic depende de muito mais do que a inflação corrente.

    A política fiscal entra novamente na equação

    Existe uma conexão inevitável com as contas públicas.

    Se o mercado acredita que a política fiscal será expansionista demais, pode exigir juros maiores para financiar a dívida e compensar riscos inflacionários.

    Se a percepção fiscal melhora, as taxas longas podem cair.

    Isso pode aliviar o custo de financiamento e reforçar a transmissão monetária.

    A política fiscal e a monetária não são independentes no mundo real.

    E o câmbio?

    Juros brasileiros também influenciam o câmbio.

    Uma redução da Selic diminui o retorno relativo de ativos denominados em reais, tudo mais constante.

    Isso pode pressionar o real.

    Mas o câmbio depende de dezenas de outras variáveis.

    Portanto, não existe uma regra:

    $$ Selic \downarrow \Rightarrow Real \downarrow $$

    O que existe é um canal de transmissão que interage com expectativas globais, risco fiscal, commodities e política monetária americana.

    O corte adicional ainda precisa ser confirmado

    Esse é o ponto que deve permanecer no título e no texto.

    O mercado espera 13,50%.

    O Banco Central ainda não prometeu 13,50%.

    Essa diferença parece pequena, mas é exatamente o tipo de distinção que separa análise econômica de manchete.

    O que observar agora

    Três variáveis serão especialmente importantes:

    expectativas de inflação;

    atividade econômica;

    comunicação do Copom.

    Se a inflação continuar convergindo e a atividade perder força, um corte adicional se torna mais plausível.

    Se expectativas de inflação subirem ou houver novos choques externos, a projeção pode voltar para cima.

    O mais importante não é o número final

    13,50% ainda seria uma taxa nominal muito alta.

    A verdadeira mudança econômica depende da taxa real, ou seja, do juro descontado pela inflação esperada.

    Se a inflação esperada estiver em torno de 4%, uma Selic de 13,5% continua representando uma taxa real bastante elevada.

    Por isso, o Brasil ainda estaria distante de uma política monetária expansionista convencional.

    A discussão atual é sobre o grau de restrição.

    Não sobre o fim dela.

    A revisão de hoje é pequena, mas informativa

    O mercado está dizendo algo específico:

    a economia parece permitir um pouco mais de flexibilização monetária do que se imaginava na semana anterior.

    Não está dizendo que a inflação foi vencida.

    Não está dizendo que os juros ficarão baixos.

    E não está dizendo que o Banco Central seguirá automaticamente a mediana do Focus.

    É uma atualização marginal de expectativas.

    Mas expectativas marginais, acumuladas ao longo de meses, podem alterar significativamente o custo de capital da economia.

  • Os investidores mais pessimistas podem estar fora da Bolsa. E isso muda os preços

    Existe uma hipótese muito utilizada em finanças:

    o preço de um ativo reflete as crenças dos investidores que estão negociando.

    Parece razoável.

    Mas existe um problema.

    E se justamente os investidores mais pessimistas forem aqueles que decidiram não negociar?

    Nesse caso, olhar apenas para quem está comprando e vendendo pode produzir uma imagem incompleta das expectativas do mercado.

    Um novo trabalho de William Goetzmann, Dasol Kim e Robert Shiller, publicado pelo NBER em setembro de 2026, investiga exatamente esse problema.

    Os autores chamam esses agentes de “non-marginal investors”, investidores que deixam de participar do mercado em determinados momentos. Utilizando mais de duas décadas de pesquisas individuais sobre expectativas dos investidores, eles mostram que esses participantes tendem a ser mais pessimistas sobre retornos futuros e a atribuir maior probabilidade a crashes do que a população que efetivamente participa da precificação.

    A conclusão é mais profunda do que “investidores pessimistas existem”.

    Ela sugere que a composição de quem participa do mercado pode alterar o próprio mecanismo de formação de preços.

    O mercado não é uma pesquisa de opinião

    Imagine mil investidores.

    Se todos participam, podemos observar uma distribuição ampla de expectativas.

    Agora imagine que os mais pessimistas abandonem o mercado.

    Os investidores restantes serão, em média, mais otimistas.

    Se os preços são determinados pelos participantes ativos, o mercado pode parecer mais otimista justamente porque os pessimistas deixaram de participar.

    Isso produz um problema de seleção.

    A decisão de investir depende da crença sobre o futuro

    Considere um investidor que acredita que o retorno esperado da Bolsa será muito baixo.

    Ele possui duas opções.

    Pode continuar investido.

    Ou pode simplesmente sair.

    Se a pessoa escolhe sair, sua crença deixa de aparecer diretamente no preço de mercado.

    Mas isso não significa que desapareceu.

    Ela continua existindo.

    O que desapareceu foi sua participação na formação do preço.

    É aqui que entra a composição do mercado

    Os autores utilizam pesquisas com investidores para medir duas coisas:

    o que as pessoas acreditam que acontecerá;

    e se elas estão participando do mercado.

    Depois comparam essas crenças com referências implícitas nos preços de opções.

    Isso permite construir medidas da diferença entre crenças subjetivas e expectativas inferidas pelo mercado.

    O resultado mostra que investidores que se retiram tendem a ser mais pessimistas.

    Existe uma espécie de filtro

    Podemos representar o processo assim:

    $$ População\ de\ investidores $$

    ↓

    $$ Escolha\ de\ participar $$

    ↓

    $$ Investidores\ ativos $$

    ↓

    $$ Preços $$

    O problema é que o terceiro conjunto não é uma amostra aleatória do primeiro.

    Os próprios agentes escolhem se entram ou saem.

    Isso cria um problema de seleção endógena.

    Por que isso importa para finanças comportamentais

    A hipótese tradicional de mercados eficientes não exige que todos os investidores sejam perfeitamente racionais.

    Mas ela precisa de mecanismos capazes de fazer com que informações relevantes sejam incorporadas aos preços.

    Se determinados investidores deixam de participar justamente quando possuem determinadas crenças, o processo de agregação pode ser diferente do que parece.

    Isso não destrói a hipótese de eficiência.

    Mas mostra que precisamos entender melhor quem está formando o preço.

    O pessimismo não é distribuído aleatoriamente

    Os autores encontram que investidores não marginais são, em média:

    mais pessimistas sobre retornos futuros;
    mais preocupados com crashes;
    menos propensos a participar do mercado.

    As crenças sobre crashes são particularmente importantes para explicar a decisão de participação, mesmo quando controlamos pelas expectativas de retorno.

    Isso é intuitivo.

    Uma pessoa pode acreditar que a Bolsa terá retorno médio razoável.

    Mas se acreditar que existe uma chance elevada de uma queda catastrófica, pode preferir ficar fora.

    Isso ajuda a entender por que mercados parecem eufóricos

    Imagine que 20% dos investidores estejam extremamente pessimistas.

    Se todos participam, suas opiniões entram na formação dos preços.

    Se eles saem, o mercado passa a ser dominado pelos 80% restantes.

    A média das expectativas dos participantes ativos sobe.

    O mercado parece mais otimista.

    Mas parte desse otimismo pode ser consequência de quem está presente, e não de uma mudança generalizada nas crenças da população.

    É um mecanismo de composição.

    O efeito pode ser maior quando existe muito desacordo

    Outro resultado importante aparece justamente onde as crenças divergem muito.

    As ações mais sensíveis às crenças dos investidores não marginais apresentam retornos futuros menores, especialmente quando o desacordo entre participantes é elevado.

    Isso sugere que o mecanismo de seleção não é irrelevante.

    Ele aparece nos próprios retornos.

    A conexão com Shiller é evidente

    Robert Shiller construiu boa parte de sua carreira estudando como expectativas, narrativas e comportamento afetam preços de ativos.

    O novo trabalho se encaixa nessa tradição, mas acrescenta uma dimensão interessante.

    Não basta perguntar:

    “O que os investidores acreditam?”

    É preciso perguntar:

    “Quais investidores estão presentes para expressar essas crenças?”

    Essa segunda pergunta é muito menos óbvia.

    O investidor que vende também produz informação

    Existe uma consequência prática.

    Quando um investidor vende porque acredita que o mercado está sobrevalorizado, sua opinião pode influenciar o preço.

    Mas se acredita que o mercado está ainda mais sobrevalorizado e simplesmente decide não participar, sua crença fica menos visível.

    O comportamento de não fazer nada também contém informação.

    Esse é um princípio importante para qualquer análise de comportamento.

    Ausência de ação não significa ausência de preferência.

    Isso aparece fora dos mercados financeiros

    O mecanismo é muito mais geral.

    Imagine uma pesquisa eleitoral.

    Pessoas muito descontentes podem deixar de responder.

    Uma pesquisa baseada apenas em respondentes pode parecer mais favorável ao governo.

    Ou um mercado de trabalho.

    Profissionais extremamente insatisfeitos podem abandonar uma ocupação.

    A média dos trabalhadores que permaneceram melhora.

    Mas a melhoria observada pode ser parcialmente consequência da saída dos piores casos.

    Em estatística, esse fenômeno é familiar.

    A amostra observada é produzida por um processo de seleção.

    A mesma lógica aparece em empresas

    Uma empresa mede satisfação dos funcionários apenas entre aqueles que continuam trabalhando nela.

    Se os mais insatisfeitos saem, o indicador melhora.

    Mas isso não prova que a gestão melhorou.

    O indicador melhorou porque a composição mudou.

    Essa é uma das armadilhas mais comuns de dados observacionais.

    Para o investidor, a lição é incômoda

    Indicadores de sentimento não devem ser interpretados como se fossem fotografias neutras do mercado.

    Precisamos saber:

    quem respondeu?

    quem participou?

    quem saiu?

    quem nunca entrou?

    O preço de mercado é uma informação agregada.

    Mas a agregação depende da composição.

    Isso também muda a interpretação do risco

    Um mercado pode parecer tranquilo porque os investidores mais assustados já saíram.

    Isso não significa necessariamente que o risco desapareceu.

    Pode significar que o risco foi redistribuído entre os participantes restantes.

    Em determinadas condições, isso pode tornar o mercado mais vulnerável a um novo choque.

    Não porque todos estejam otimistas.

    Mas porque aqueles que poderiam absorver o choque pessimista já não estão participando.

    O mercado pode ficar mais otimista justamente quando alguns investidores ficam mais pessimistas

    Esse é o paradoxo mais interessante do estudo.

    Se os investidores pessimistas vendem ou saem, os preços podem incorporar mais otimismo.

    Portanto:

    $$ Pessimismo \uparrow $$

    pode coexistir com:

    $$ Otimismo\ observado\ nos\ preços \uparrow $$

    desde que os pessimistas abandonem o mercado.

    É uma conclusão que parece estranha até lembrarmos que os preços não são uma média de toda a população.

    São o resultado das decisões dos agentes que efetivamente participam.

    A grande lição é sobre composição

    Economistas frequentemente observam médias.

    Média salarial.

    Inflação média.

    Retorno médio.

    Expectativa média.

    Mas uma média pode mudar por duas razões:

    as pessoas mudaram de opinião;

    ou

    mudou quem está sendo observado.

    Distinguir as duas coisas é uma tarefa central da estatística aplicada.

    E também das finanças.

    O novo trabalho de Goetzmann, Kim e Shiller oferece justamente essa ponte entre economia comportamental, formação de preços e seleção.

    Talvez a pergunta mais importante para entender um mercado não seja apenas:

    “O que os investidores pensam?”

    Mas:

    “Quem ainda está disposto a colocar dinheiro em jogo?”

    Fontes: William N. Goetzmann, Dasol Kim e Robert J. Shiller, “Non-Marginal” Investor Beliefs, NBER Working Paper 35708, setembro de 2026.

  • Educação pública pode aumentar o PIB décadas depois. A nova evidência mostra por quê

    Uma das dificuldades mais persistentes da economia é medir o retorno de políticas cujo efeito demora décadas para aparecer.

    Uma estrada nova pode reduzir imediatamente o custo de transporte.

    Uma redução de imposto pode alterar decisões empresariais em poucos meses.

    Uma mudança na taxa de juros pode afetar crédito e consumo relativamente rápido.

    Educação é diferente.

    Quando um governo aumenta os recursos destinados às escolas, o gasto acontece hoje. O trabalhador que recebeu uma educação melhor, porém, pode entrar no mercado de trabalho muitos anos depois.

    Isso cria um problema para a avaliação de políticas públicas.

    Como saber se o investimento educacional realmente aumenta a produtividade da economia?

    Um novo trabalho de C. Kirabo Jackson, publicado pelo NBER em setembro de 2026, oferece uma resposta particularmente interessante. O estudo combina evidência causal em nível individual, um modelo de substituição de coortes e um event study para estimar o efeito de reformas no financiamento escolar sobre renda e produto agregado.

    O resultado é expressivo: reformas estaduais de financiamento escolar nos Estados Unidos estão associadas a ganhos de longo prazo de aproximadamente 5% no PIB per capita em relação ao cenário contrafactual, após cerca de três décadas.

    A parte mais importante, entretanto, não é o número.

    É o tempo necessário para que ele apareça.

    O retorno privado não é necessariamente o retorno da economia

    Existe uma distinção importante na literatura econômica.

    Uma pessoa pode ganhar mais porque recebeu mais educação.

    Mas isso não significa automaticamente que a economia inteira ficou mais produtiva.

    Imagine que um trabalhador obtenha um diploma e passe a receber salário maior.

    Uma possibilidade é que ele realmente esteja produzindo mais.

    Outra é que esteja apenas ocupando uma posição que antes era ocupada por outra pessoa.

    Nesse segundo caso, existe um ganho privado, mas o efeito agregado pode ser menor.

    É o chamado problema de equilíbrio geral.

    O que Jackson procura testar

    O trabalho parte justamente dessa diferença.

    A literatura de economia do trabalho encontra retornos privados relevantes para investimentos educacionais.

    Mas uma pergunta permanece:

    esses ganhos privados se agregam em maior produção econômica?

    Ou parte deles representa apenas redistribuição de posições, sinalização ou mudanças na composição do emprego?

    Jackson tenta responder usando reformas de financiamento escolar que ocorreram em diferentes momentos nos estados americanos.

    Isso produz uma variação temporal que pode ser explorada econometricamente.

    A estratégia combina micro e macroeconomia

    Essa é uma das partes metodologicamente mais interessantes do trabalho.

    Primeiro, o autor utiliza estimativas causais em nível individual para medir como maior financiamento escolar afeta rendimentos.

    Depois, incorpora esses efeitos em um modelo de substituição de coortes.

    A lógica é simples.

    Uma reforma que melhora a educação de uma criança não altera imediatamente a produtividade média do Estado.

    Ela precisa acompanhar essa criança durante o ciclo de vida.

    A primeira geração afetada ainda está na escola.

    Depois entra no mercado de trabalho.

    Gradualmente, uma parcela maior da força de trabalho passou pela reforma.

    O efeito agregado cresce.

    O gráfico imaginário é quase uma curva em S

    Podemos pensar no efeito assim:

    $$ Educação \uparrow $$

    mas:

    $$ PIB_t \approx 0 $$

    nos primeiros anos.

    Depois:

    $$ PIB_t \uparrow $$

    à medida que as coortes tratadas entram no mercado de trabalho.

    O modelo prevê pouca alteração durante aproximadamente 10 a 15 anos.

    Depois os ganhos começam a aparecer.

    Aos 30 anos, os rendimentos estaduais por trabalhador ficam aproximadamente 4,7% acima do contrafactual.

    Para o PIB per capita, o efeito também cresce e ultrapassa 5% após três décadas.

    Isso muda a maneira como avaliamos políticas públicas

    Imagine um governo avaliando uma reforma educacional dois anos depois de implementá-la.

    Se observar apenas PIB, provavelmente concluirá:

    “Não funcionou.”

    Mas essa conclusão pode estar errada.

    O problema não é a política.

    É o horizonte temporal da avaliação.

    Uma política que altera capital humano possui uma função de produção com defasagem.

    O investimento ocorre hoje.

    O trabalhador qualificado aparece amanhã.

    O efeito agregado pode surgir apenas depois.

    A identificação também é importante

    O estudo não simplesmente compara estados que gastam mais com estados que gastam menos.

    Isso seria insuficiente.

    Estados que aumentam o financiamento escolar podem ser diferentes dos demais em inúmeras dimensões.

    Podem possuir governos diferentes.

    Economias diferentes.

    Populações diferentes.

    Trajetórias demográficas diferentes.

    A estratégia utiliza a implementação escalonada das reformas entre estados e um event study para observar como os resultados evoluem antes e depois da mudança.

    A vantagem é poder verificar se os efeitos aparecem no momento esperado.

    O tempo funciona como parte da identificação

    Existe uma consequência metodológica interessante.

    Se a reforma realmente aumenta capital humano, não esperamos necessariamente um grande efeito imediato.

    Esperamos um padrão temporal.

    Primeiro, quase nada.

    Depois, aumento gradual.

    À medida que os estudantes tratados substituem trabalhadores de coortes anteriores, o efeito cresce.

    O próprio formato da trajetória fornece informação sobre o mecanismo.

    Não é apenas:

    $$ Tratamento \rightarrow Resultado $$

    É:

    $$ Tratamento \rightarrow Capital\ humano \rightarrow Entrada\ no\ mercado \rightarrow Produtividade \rightarrow PIB $$

    Essa cadeia causal é muito mais rica.

    O resultado desafia uma visão estreita do gasto público

    Existe uma tendência de analisar educação apenas como despesa.

    Isso produz uma contabilidade incompleta.

    Uma escola pública representa um gasto no orçamento hoje.

    Mas também pode ser um investimento em capacidade produtiva futura.

    A mesma lógica vale para:

    saúde infantil;
    nutrição;
    primeira infância;
    infraestrutura urbana;
    saneamento;
    formação profissional.

    O desafio é separar gasto que simplesmente aumenta consumo presente de gasto que altera a capacidade produtiva futura.

    Mas nem todo gasto educacional terá o mesmo retorno

    Essa ressalva é essencial.

    O estudo não autoriza a conclusão:

    “quanto mais o governo gastar em educação, maior será o PIB.”

    Isso seria extrapolação.

    A qualidade da aplicação importa.

    Uma expansão de recursos pode financiar melhores professores.

    Pode reduzir tamanho das turmas.

    Pode ampliar tempo de instrução.

    Pode melhorar infraestrutura.

    Pode financiar programas específicos.

    Também pode ser mal alocada.

    O efeito depende do mecanismo.

    Existe ainda um problema de escala

    Uma política pode funcionar em determinada população e produzir efeito diferente em outra.

    Instituições importam.

    Mercado de trabalho importa.

    Qualidade escolar inicial importa.

    Estrutura produtiva importa.

    Por isso, evidência causal de um estado americano não pode simplesmente ser transplantada para o Brasil.

    Mas o mecanismo econômico é altamente relevante.

    O Brasil deveria pensar em décadas

    Essa talvez seja a principal lição para políticas públicas brasileiras.

    O debate fiscal costuma privilegiar medidas cujo efeito pode ser contabilizado dentro do mandato.

    Educação é quase o oposto.

    O custo é imediato.

    O retorno é lento.

    O benefício político pode aparecer muito depois.

    Isso cria um problema de incentivos.

    Governos eleitos hoje pagam pela política.

    Governos futuros podem colher seus resultados.

    Existe, portanto, uma espécie de miopia institucional.

    A avaliação precisa acompanhar o ciclo de vida

    Para políticas de capital humano, avaliações de curto prazo são insuficientes.

    Precisamos acompanhar:

    escolaridade → habilidades → emprego → salário → produtividade → arrecadação → crescimento.

    É uma cadeia longa.

    E isso exige bases administrativas capazes de acompanhar indivíduos ao longo do tempo.

    A economia moderna da avaliação de políticas públicas está justamente avançando nessa direção.

    O retorno não está apenas no salário

    Existe ainda uma questão que o PIB não captura completamente.

    Educação pode produzir benefícios sociais que não aparecem diretamente na renda.

    Saúde.

    Participação cívica.

    Crime.

    Fertilidade.

    Mobilidade social.

    Qualidade institucional.

    Se o estudo encontra efeitos positivos sobre produto agregado apenas por meio dos rendimentos, o benefício total da política pode ser ainda maior.

    O que essa pesquisa ensina sobre investimento público

    Existe uma maneira ruim de discutir gasto público:

    “É gasto ou é investimento?”

    A pergunta é mais difícil.

    O correto é perguntar:

    qual mecanismo transforma o recurso público em capacidade produtiva futura?

    Se o mecanismo é plausível e a evidência causal é consistente, o gasto pode ter retorno econômico elevado.

    Se não existe mecanismo verificável, o rótulo “investimento” não significa nada.

    A nova evidência sobre financiamento escolar é interessante justamente porque conecta as duas pontas.

    Uma intervenção observada em nível micro.

    Uma trajetória temporal.

    E, finalmente, um efeito macroeconômico.

    É uma boa demonstração de que microeconomia e macroeconomia não são mundos separados.

    Às vezes, o crescimento de um país começa em uma sala de aula.

    E pode levar trinta anos para aparecer nas estatísticas.

    Fontes: C. Kirabo Jackson, The Macroeconomic Returns to School Finance Reforms: Micro-Calibrated Predictions Meet Causal Evidence, NBER Working Paper 35755, setembro de 2026.

  • O Brasil pode produzir 366,6 milhões de toneladas de grãos. Por que isso não garante comida barata?

    A Conab projeta uma nova safra recorde para o Brasil.

    A produção de grãos na temporada 2026/27 pode chegar a 366,6 milhões de toneladas, alta de 1,4% sobre a temporada anterior. A área plantada deve alcançar 85,3 milhões de hectares.

    O número impressiona.

    Mas existe uma conclusão que não devemos tirar dele:

    produção agrícola maior não significa automaticamente alimentos mais baratos para o consumidor brasileiro.

    Essa diferença é uma das melhores maneiras de entender como funcionam preços agrícolas.

    Produzir mais é apenas o primeiro passo

    O preço de um alimento depende da interação entre oferta e demanda.

    Em uma simplificação:

    $$ P=f(Q_d,Q_s) $$

    Se a oferta aumenta e todo o resto permanece constante, o preço tende a cair.

    Mas o “todo o resto” é enorme.

    Inclui:

    demanda doméstica;
    exportações;
    câmbio;
    custos de transporte;
    preços internacionais;
    estoques;
    clima;
    processamento;
    impostos;
    margens;
    estrutura de mercado.

    Por isso, uma safra recorde pode coexistir com preços elevados em determinadas cadeias.

    O Brasil não produz apenas para brasileiros

    Esse é talvez o ponto mais importante.

    O Brasil é uma potência exportadora.

    Quando o produtor pode vender sua soja, milho ou carne no exterior, o preço doméstico passa a estar relacionado às condições internacionais.

    Se a demanda externa está forte, parte da produção adicional pode simplesmente ser absorvida pelo mercado internacional.

    O aumento da produção não precisa gerar uma queda proporcional no preço interno.

    O câmbio também importa

    Imagine que a soja internacional custe US$ 400 por tonelada.

    Com dólar a R$ 5:

    $$ R\$2.000 $$

    Com dólar a R$ 6:

    $$ R\$2.400 $$

    Mesmo que o preço internacional não mude, a receita em reais aumenta.

    Isso altera incentivos de exportação.

    O produtor compara preços.

    Se exportar é mais rentável, a oferta disponível internamente pode ser menor do que seria em um mercado completamente fechado.

    A produção de milho ilustra bem a expansão

    Segundo a Conab, a área de milho da primeira safra deve crescer 10,7%, para 4,54 milhões de hectares.

    A produção da primeira safra pode alcançar 32,1 milhões de toneladas.

    Somadas as três safras, a produção de milho pode chegar a aproximadamente 148 milhões de toneladas em 2026/27.

    Isso representa uma mudança relevante na capacidade produtiva.

    Mas o efeito sobre preços dependerá de quanto dessa produção adicional será absorvida por:

    ração animal, indústria, exportação, estoques e consumo doméstico.

    Produção não é estoque

    Outro ponto frequentemente esquecido.

    Uma safra é um fluxo.

    O preço em determinado momento depende também do estoque disponível.

    Se uma safra excepcionalmente grande acontece depois de estoques baixos, o impacto pode ser significativo.

    Se os estoques já forem elevados, a produção adicional pode ter efeito menor.

    Por isso, analistas agrícolas acompanham tanto produção quanto estoques.

    O clima continua sendo a variável invisível

    A projeção da Conab é uma estimativa.

    A própria companhia destaca que o potencial produtivo dependerá das condições climáticas durante o desenvolvimento das lavouras.

    Isso é particularmente importante em uma agricultura de grande escala.

    Uma projeção de área plantada não é uma colheita.

    Entre uma coisa e outra existem:

    seca;

    excesso de chuva;

    temperatura;

    pragas;

    doenças;

    janela de plantio;

    logística.

    A produção efetiva só aparece no final do ciclo.

    Mais área não significa necessariamente mais produtividade

    A Conab projeta aumento da área, mas ligeira redução da produtividade média nacional:

    de 4.335 para 4.296 quilos por hectare.

    Isso é economicamente interessante.

    O crescimento da produção está vindo principalmente da expansão da área, e não de um salto de produtividade.

    Isso levanta uma questão de longo prazo.

    Até quando o Brasil consegue expandir a produção apenas colocando mais terra em produção?

    O crescimento sustentável depende da produtividade

    Existe uma diferença fundamental entre:

    $$ Produção \uparrow $$

    e

    $$ Produtividade \uparrow $$

    A primeira pode ocorrer porque utilizamos mais fatores.

    A segunda significa produzir mais com os mesmos fatores.

    No longo prazo, produtividade é o motor mais importante do crescimento.

    Na agricultura, isso significa sementes melhores, manejo, tecnologia, irrigação, mecanização, logística e conhecimento.

    E existe uma questão ambiental

    Expandir área agrícola não é economicamente equivalente a aumentar produtividade.

    Se uma tonelada adicional é produzida porque a produtividade aumentou, o custo de recursos por unidade produzida pode cair.

    Se é produzida porque uma área adicional foi incorporada, os custos ambientais podem ser diferentes.

    Isso não significa que expansão de área seja necessariamente ruim.

    Significa que a composição do crescimento importa.

    A infraestrutura pode virar gargalo

    Produzir mais não basta.

    É preciso transportar.

    Armazenar.

    Processar.

    Exportar.

    O Brasil possui grandes distâncias entre áreas produtoras e portos.

    Uma safra recorde pode aumentar pressão sobre ferrovias, rodovias, portos e armazenagem.

    Se a infraestrutura não acompanhar, parte do ganho de produção pode ser capturada por custos logísticos maiores.

    O produtor também não controla o preço

    Essa é uma característica interessante do mercado agrícola.

    Muitos produtores são pequenos em relação ao mercado internacional.

    Individualmente, têm pouca capacidade de determinar preços.

    São, em grande medida, price takers.

    Por isso, aumento de produtividade não significa automaticamente aumento proporcional da renda do produtor.

    Se todos aumentarem produção simultaneamente, o preço pode cair.

    O produtor pode produzir mais e ainda assim receber menos por unidade.

    O consumidor está em outro ponto da cadeia

    Mesmo quando o preço agrícola cai, o preço no supermercado pode não cair na mesma proporção.

    Entre produtor e consumidor existem:

    transporte;
    armazenagem;
    processamento;
    atacado;
    varejo;
    impostos;
    custos trabalhistas;
    energia;
    aluguel;
    margens.

    Se o grão representa apenas uma parte do preço final, uma queda de 10% na commodity não produz necessariamente queda de 10% no produto industrializado.

    Isso é um problema clássico de transmissão de preços.

    O recorde da Conab é importante por outro motivo

    O número de 366,6 milhões de toneladas mostra algo estrutural.

    O Brasil continua aumentando sua capacidade de produção agrícola mesmo diante de desafios de produtividade, clima e infraestrutura.

    Isso fortalece a posição do país no comércio internacional.

    Mas também aumenta a dependência da economia brasileira das condições globais.

    Quanto maior a participação nas exportações, maior a importância de:

    China, câmbio, preços internacionais, fretes e política comercial.

    A pergunta correta não é “quanto o Brasil vai produzir?”

    É:

    quanto dessa produção será transformado em renda, produtividade e bem-estar?

    Uma safra recorde é um excelente ponto de partida.

    Mas o resultado econômico depende do que acontece depois da colheita.

    Se a infraestrutura funcionar, produtores tiverem acesso a mercados, produtividade continuar avançando e os ganhos forem transmitidos ao restante da economia, a produção maior pode gerar efeitos amplos.

    Se gargalos logísticos, baixa produtividade e concentração de renda impedirem essa transmissão, o recorde poderá aparecer apenas como um número impressionante nas estatísticas.

    A agricultura ensina uma lição econômica importante:

    produzir mais é necessário. Transformar produção em valor é outra questão.

    Fontes: Companhia Nacional de Abastecimento, Perspectivas para a Agropecuária 2026/27, setembro de 2026.

  • Bolsa Família sobe 15%. O que realmente está sendo reajustado e por que a discussão fiscal é mais complexa

    O governo federal reajustou em 15,04% os benefícios do Bolsa Família.

    A partir da folha de outubro, o valor mínimo por família passa de R$ 600 para R$ 691 e o benefício médio estimado sobe de R$ 675 para R$ 777. O reajuste foi estabelecido pelo Decreto nº 13.120 e corresponde à variação acumulada do INPC entre março de 2023 e agosto de 2026.

    A medida tem um detalhe político óbvio.

    Ela foi anunciada a menos de três semanas do primeiro turno da eleição presidencial.

    Mas reduzir a discussão a “aumento eleitoreiro” ou “recomposição inflacionária” empobrece a análise econômica.

    O ponto interessante está em outro lugar:

    o que significa corrigir um benefício social pela inflação, quanto isso custa e como avaliar o efeito econômico de uma transferência de renda?

    Primeiro, não é um aumento real

    Esse ponto precisa ser esclarecido.

    Se um benefício de R$ 600 compra hoje exatamente o que comprava R$ 600 há três anos, seu valor real permaneceu constante.

    Mas se os preços aumentaram 15%, manter R$ 600 significa perder poder de compra.

    A correção para R$ 691 procura simplesmente devolver o poder de compra perdido.

    Em termos reais:

    $$ \frac{691}{1{,}1504}\approx600 $$

    Ou seja, o reajuste de 15,04% não representa, por si só, uma ampliação real do benefício.

    Isso não resolve a questão fiscal.

    Mas muda a natureza econômica da medida.

    O governo diz que está apenas corrigindo uma perda

    O Ministério do Desenvolvimento Social afirma que esta é a primeira atualização dos valores pela inflação desde a retomada do atual modelo do Bolsa Família em 2023.

    O reajuste utiliza o INPC acumulado entre março de 2023 e agosto de 2026.

    Isso significa que o governo não está simplesmente escolhendo arbitrariamente um percentual.

    Existe uma regra objetiva por trás do número.

    Mas isso não significa que a decisão seja economicamente neutra.

    A correção tem custo fiscal

    O impacto estimado é de R$ 5,8 bilhões em 2026 e cerca de R$ 22 bilhões em 2027.

    O governo afirma que o aumento será acomodado dentro do orçamento e das regras fiscais.

    Esse é o ponto que merece escrutínio.

    Uma despesa pode ser fiscalmente comportada sem ser gratuita.

    Se o gasto aumenta, alguma coisa precisa acontecer em outro lugar.

    Pode haver:

    redução de outra despesa;

    aumento de receita;

    redução de outro gasto futuro;

    ou maior necessidade de financiamento.

    A pergunta fiscal correta não é apenas:

    “Existe espaço no orçamento?”

    É:

    “Qual é a trajetória das receitas, despesas e dívida depois da medida?”

    Transferência de renda não é apenas despesa

    Existe outra simplificação comum.

    Quando o governo transfere dinheiro para famílias de baixa renda, o recurso não desaparece.

    Ele muda de mãos.

    Uma família de renda muito baixa possui elevada propensão marginal a consumir.

    Portanto, parte relevante do benefício tende a retornar rapidamente à economia na forma de:

    alimentos;

    transporte;

    medicamentos;

    serviços;

    vestuário;

    contas domésticas.

    Isso significa que a transferência possui efeito sobre a demanda agregada.

    Mas também significa que o efeito fiscal e o efeito econômico não são a mesma coisa.

    O multiplicador não é infinito

    Se o governo transfere R$ 1 bilhão, não significa que o PIB aumentará R$ 1 bilhão.

    Parte será poupada.

    Parte será utilizada para pagar dívidas.

    Parte comprará bens importados.

    Parte substituirá renda que a família já gastaria.

    Parte poderá gerar consumo adicional.

    O impacto final depende da propensão marginal a consumir, da capacidade ociosa da economia, da política monetária e da composição da cesta consumida.

    Por isso, não existe uma relação simples:

    $$ Transferência \rightarrow PIB $$

    Existe uma cadeia de transmissão.

    Existe também um efeito distributivo

    O Bolsa Família direciona recursos para famílias de baixa renda.

    Portanto, uma correção do benefício altera a distribuição da renda disponível.

    Mas o tamanho desse efeito depende da população atingida, do desenho do benefício e da renda das famílias.

    O programa não é simplesmente um cheque igual para todos.

    O valor depende da composição familiar.

    O benefício de renda de cidadania passa de R$ 142 para R$ 164 por integrante.

    O benefício da primeira infância sobe de R$ 150 para R$ 173.

    O benefício variável familiar passa de R$ 50 para R$ 58.

    A proximidade da eleição muda a análise?

    Sim.

    Mas não necessariamente da maneira que os críticos ou defensores sugerem.

    A proximidade da eleição cria um problema de incentivos políticos.

    Governos possuem interesse em melhorar indicadores econômicos antes de eleições.

    Eleitores também podem responder a benefícios econômicos.

    Isso não prova que uma medida seja eleitoreira.

    Mas torna razoável perguntar se o timing poderia ter sido diferente.

    Essa é uma questão empírica.

    O STF decidiu que o reajuste é legal

    Na sexta-feira, 18 de setembro, o ministro Gilmar Mendes reconheceu a validade do reajuste.

    A decisão considerou que a medida não cria um novo benefício nem amplia o universo de beneficiários, mas atualiza monetariamente valores de um programa já existente segundo critério objetivo.

    Isso resolve a questão jurídica imediata.

    Não resolve a questão econômica.

    Legalidade e eficiência econômica são perguntas diferentes.

    O verdadeiro debate é sobre desenho

    Um programa de transferência de renda precisa responder a pelo menos quatro perguntas:

    Quem recebe?

    Quanto recebe?

    Por quanto tempo?

    Quais incentivos o desenho produz?

    Uma transferência pode reduzir pobreza.

    Também pode alterar oferta de trabalho, poupança, endividamento e investimento em capital humano.

    O resultado depende do desenho.

    Por isso, a avaliação séria do Bolsa Família não pode parar no tamanho do benefício.

    Precisamos observar resultados.

    A avaliação deveria olhar para os efeitos reais

    A pergunta mais interessante para um economista não é:

    “R$ 691 é muito ou pouco?”

    É:

    o que acontece depois que o benefício sobe de R$ 600 para R$ 691?

    Famílias reduzem insegurança alimentar?

    Aumentam consumo?

    Pagam dívidas?

    Trabalham mais ou menos?

    Investem mais na educação das crianças?

    Aumentam frequência escolar?

    Utilizam mais serviços de saúde?

    Esses são efeitos mensuráveis.

    A política social é também uma política de capital humano

    Essa dimensão é frequentemente esquecida.

    Se uma transferência reduz insegurança alimentar e permite que uma criança permaneça na escola, o efeito econômico pode aparecer anos depois.

    O benefício atual financia uma decisão que altera produtividade futura.

    Nesse caso:

    $$ Transferência hoje \rightarrow capital humano \rightarrow produtividade futura $$

    O retorno não aparece necessariamente no PIB do mês seguinte.

    O ponto fiscal continua existindo

    Nada disso elimina a restrição orçamentária.

    Um programa social precisa caber em uma trajetória fiscal sustentável.

    A melhor política social não é aquela que gasta mais.

    É aquela que produz maior redução de pobreza e vulnerabilidade por unidade de recurso público.

    Esse princípio permite uma discussão menos ideológica.

    É perfeitamente possível defender transferência de renda e, ao mesmo tempo, exigir eficiência fiscal.

    As duas coisas não são incompatíveis.

    A pergunta certa para 2027

    O reajuste já foi decidido.

    Agora o ponto mais importante será acompanhar o impacto fiscal recorrente.

    Um gasto de R$ 22 bilhões não é apenas uma despesa de 2027.

    Se incorporado à estrutura do programa, torna-se parte da base para os anos seguintes.

    Por isso, a questão central não é apenas:

    “O governo consegue pagar?”

    É:

    “A política continua sustentável e produz benefícios sociais proporcionais ao seu custo?”

    Essa é a pergunta que deveria orientar a avaliação.

    O restante é disputa política.

    Fontes: Ministério do Desenvolvimento e Assistência Social, comunicado oficial sobre o reajuste e Decreto nº 13.120.

  • Quando uma empresa rejeita alguém por idade, ela pode estar cometendo um erro estatístico

    Imagine dois candidatos.

    Um tem 29 anos.

    O outro, 31.

    O currículo é praticamente igual.

    Mas a vaga estabelece 30 anos como limite.

    O candidato de 31 anos é rejeitado antes mesmo de conversar com a empresa.

    A primeira interpretação é óbvia: discriminação.

    Mas existe uma pergunta econômica mais profunda:

    por que empresas utilizam idade como sinal de produtividade?

    Um novo trabalho de Shuaizhang Feng, Lars Lefgren, Jieyi Liu, Brennan Platt e Xiaoyu Xia ajuda a responder.

    Os autores analisaram dados de uma grande plataforma chinesa de recrutamento que conecta vagas, candidaturas e respostas dos empregadores.

    Encontraram quedas acentuadas nas candidaturas e nos retornos justamente nos limites de idade anunciados pelas empresas.

    Mas o resultado mais interessante é que a discriminação ocorre nos dois sentidos.

    Trabalhadores mais velhos são prejudicados em vagas de entrada.

    Trabalhadores mais jovens têm menor probabilidade de serem contratados para cargos gerenciais.

    O mecanismo proposto pelos autores é baseado em discriminação estatística em um mercado no qual a produtividade do trabalhador só é revelada ao longo do tempo.

    A empresa não conhece a produtividade do candidato

    Imagine que uma empresa receba dois currículos.

    Ela sabe idade, formação e experiência.

    Mas não sabe exatamente quanto cada candidato produzirá.

    Essa informação só aparece depois da contratação.

    A empresa enfrenta então um problema de informação assimétrica.

    Ela precisa prever uma variável que não observa diretamente:

    $$ Produtividade_{futura} $$

    Para fazer isso, utiliza sinais.

    Experiência.

    Formação.

    Histórico profissional.

    Idade.

    Instituição de ensino.

    Esses sinais podem ter alguma capacidade preditiva.

    O problema começa quando um sinal estatístico é aplicado a um indivíduo como se fosse uma medida perfeita de sua produtividade.

    É aqui que surge a discriminação estatística

    Suponha que, em média, trabalhadores mais velhos apresentem menor probabilidade de permanecer em determinados empregos de entrada.

    Uma empresa pode concluir que candidatos mais velhos possuem menor probabilidade de serem bons investimentos.

    Mas essa conclusão pode ser estatisticamente racional e individualmente injusta.

    O empregador não está necessariamente dizendo:

    “Este candidato é improdutivo.”

    Está dizendo:

    “Com as informações que tenho, acredito que a probabilidade de produtividade seja menor.”

    É uma distinção importante.

    Porque mostra que discriminação pode surgir mesmo sem preconceito explícito.

    O problema é que o sinal pode ser ruim

    Imagine que idade seja apenas uma proxy imperfeita.

    Um trabalhador de 42 anos pode ser extremamente produtivo.

    Outro de 24 pode ser péssimo.

    Se a empresa tiver pouca informação individual, ela pode utilizar a média do grupo.

    Isso reduz custos de informação.

    Mas também gera erros.

    Alguns bons trabalhadores são rejeitados.

    Alguns trabalhadores ruins são contratados.

    A empresa paga o preço da própria simplificação.

    O estudo encontra os cortes claramente

    Os autores exploram uma característica particularmente interessante dos dados.

    As empresas anunciam limites de idade.

    Por exemplo:

    “até 30 anos”.

    “até 35”.

    “até 40”.

    Isso cria pontos de corte observáveis.

    Nos dados, candidaturas e retornos caem fortemente justamente nesses limites.

    Isso é uma evidência mais convincente do que simplesmente observar que trabalhadores mais velhos recebem menos ofertas.

    Existe uma descontinuidade associada à regra explícita.

    Mas existe uma segunda descoberta

    O efeito depende do nível hierárquico da vaga.

    Trabalhadores mais velhos enfrentam desvantagem em posições de entrada.

    Trabalhadores mais jovens enfrentam desvantagem em posições gerenciais.

    Isso é extremamente interessante.

    Se idade fosse apenas um mecanismo de preconceito contra pessoas mais velhas, esperaríamos um efeito predominantemente em uma direção.

    Mas os dados mostram algo diferente.

    O mercado parece associar idade a diferentes expectativas sobre produtividade dependendo da posição.

    Experiência muda o significado da idade

    Para uma vaga de entrada, idade elevada pode ser interpretada como sinal de que o trabalhador está fora do perfil esperado.

    Para uma posição gerencial, pouca idade pode ser interpretada como falta de experiência.

    O mesmo atributo possui sinais diferentes dependendo do contexto.

    Isso é um exemplo clássico de informação contextual.

    Uma variável não possui necessariamente um significado econômico universal.

    Seu valor informacional depende do processo de decisão.

    O mercado de trabalho é uma máquina de aprendizagem

    A ideia central do modelo é elegante.

    Quando uma empresa contrata alguém, ela aprende sobre a produtividade daquela pessoa.

    Depois de algum tempo, possui uma informação muito melhor.

    Isso cria uma espécie de processo sequencial:

    $$ Sinal \rightarrow Contratação \rightarrow Observação \rightarrow Aprendizado $$

    O problema é que, se a empresa utilizar sinais excessivamente rígidos na etapa inicial, alguns trabalhadores nunca terão a oportunidade de chegar à etapa em que sua verdadeira produtividade poderia ser observada.

    A empresa economiza informação no presente.

    Mas perde informação no futuro.

    Isso cria uma armadilha

    Imagine uma pessoa que não consegue entrar em determinada ocupação porque não possui o perfil médio associado a trabalhadores produtivos.

    Sem entrar, não consegue adquirir experiência.

    Sem experiência, continua parecendo pouco produtiva.

    O mercado então utiliza a própria ausência de experiência como confirmação do sinal inicial.

    Esse processo pode gerar persistência.

    Não porque a pessoa tenha baixa produtividade.

    Mas porque nunca recebeu a oportunidade de demonstrá-la.

    A informação também pode ser um bem produzido pelo mercado

    Essa é uma conclusão particularmente interessante.

    Mercados de trabalho não apenas alocam trabalhadores.

    Eles produzem informação sobre trabalhadores.

    Uma contratação permite que uma empresa descubra produtividade.

    Uma promoção produz informação adicional.

    Uma mudança de emprego produz outro sinal.

    Avaliações e referências acumulam informação.

    Quanto mais fechado o mercado, menos oportunidades existem para produzir esses sinais.

    A implicação para empresas é prática

    Uma empresa que utiliza limites rígidos de idade pode acreditar que está reduzindo risco.

    Mas talvez esteja reduzindo justamente sua capacidade de encontrar talentos.

    Se o custo de testar um candidato for baixo, uma avaliação prática pode ser mais informativa do que idade.

    Uma tarefa real.

    Um período de experiência.

    Um projeto-piloto.

    Uma entrevista estruturada.

    Uma prova técnica.

    Esses mecanismos podem produzir informação individual em vez de depender excessivamente de médias populacionais.

    A inteligência artificial pode piorar o problema

    Existe uma conexão contemporânea importante.

    Sistemas de recrutamento automatizado conseguem analisar milhares de currículos.

    Isso reduz o custo de triagem.

    Mas também pode aumentar o uso de proxies.

    Se um algoritmo descobrir que determinadas características históricas estão associadas a contratação, pode reproduzi-las automaticamente.

    A eficiência estatística do sistema pode aumentar.

    A qualidade da decisão individual pode não acompanhar.

    Isso transforma discriminação estatística em um problema de desenho de algoritmos.

    A solução não é ignorar estatística

    Existe uma conclusão errada que precisamos evitar.

    Se sinais estatísticos podem gerar discriminação, então deveríamos ignorar todos os dados de grupo.

    Não.

    O problema é saber quando um sinal agregado é informativo e quando ele substitui informação individual que poderia ser obtida de forma barata.

    Se existe uma forma barata e precisa de observar produtividade, utilizar uma proxy grosseira perde justificativa econômica.

    O princípio vale muito além da idade

    A mesma lógica aparece em:

    crédito;
    seguros;
    contratação;
    preços;
    concessão de benefícios;
    educação;
    marketing.

    Sempre que uma empresa não observa diretamente uma característica importante, ela procura sinais.

    A pergunta econômica é:

    qual é a qualidade desse sinal e quanto custa obter uma informação melhor?

    Essa é uma pergunta muito mais sofisticada do que simplesmente perguntar se determinado algoritmo ou empresa é “enviesado”.

    A verdadeira fronteira está entre previsão e justiça

    Um sinal pode ser estatisticamente preditivo e ainda assim produzir decisões socialmente indesejáveis.

    Essa tensão não pode ser resolvida apenas com matemática.

    É necessário decidir:

    quais erros estamos dispostos a aceitar?

    Rejeitar um candidato produtivo é um erro.

    Contratar um candidato improdutivo também é.

    Os custos podem ser diferentes para empresa e trabalhador.

    Uma política de contratação eficiente precisa considerar esses custos.

    O mercado não conhece pessoas. Conhece sinais

    Talvez essa seja a melhor forma de resumir o problema.

    Empresas gostariam de observar produtividade diretamente.

    Não conseguem.

    Então observam sinais.

    Quanto melhores os sinais, melhor a alocação.

    Quanto piores, maior a chance de discriminação e desperdício de talento.

    E quando uma característica simples como idade substitui uma avaliação individual que poderia ser feita de maneira barata, a empresa pode estar economizando um pouco de tempo para perder algo muito maior:

    a oportunidade de descobrir produtividade que ainda não foi observada.

    Fontes: Shuaizhang Feng, Lars Lefgren, Jieyi Liu, Brennan Platt e Xiaoyu Xia, Signals, Steps, and Setbacks: Age Discrimination in a Laddered Labor Market, NBER Working Paper 35709, setembro de 2026.

  • A IA pode acelerar a ciência. Mas o gargalo pode estar em outro lugar

    Existe uma maneira muito simples de imaginar o impacto da inteligência artificial sobre a ciência.

    Se pesquisadores conseguirem trabalhar mais rapidamente, a produção científica aumentará.

    Parece lógico.

    Mas a hipótese contém uma suposição escondida: a de que o trabalho do pesquisador é o principal gargalo da produção de conhecimento.

    Um novo trabalho de Benjamin Jones, publicado em setembro de 2026 no volume The Economics of Transformative AI, mostra por que essa hipótese pode estar errada.

    O modelo desenvolvido pelo economista argumenta que o impacto da IA sobre pesquisa e desenvolvimento depende de três fatores: quanto das tarefas de pesquisa pode ser executado por IA, quão produtiva a IA é nessas tarefas e quais são os gargalos que permanecem fora dela.

    Essa última variável é a mais interessante.

    Uma IA pode tornar uma parte da pesquisa dez vezes mais rápida e produzir um ganho muito menor no resultado final.

    Não porque a IA não seja boa.

    Mas porque a produção científica é uma cadeia.

    E uma cadeia é limitada pelo que ainda não foi acelerado.

    A ciência também possui uma função de produção

    Economistas estão acostumados a pensar na produção como uma combinação de fatores.

    Podemos representar, de forma simplificada:

    $$ Y=F(K,L,A) $$

    Capital, trabalho e tecnologia produzem bens e serviços.

    A produção de conhecimento pode ser pensada de maneira semelhante.

    Um projeto científico exige pesquisadores, equipamentos, dados, financiamento, capacidade computacional, tempo e instituições.

    A IA acrescenta uma nova tecnologia ao processo.

    Mas melhorar um fator não significa necessariamente aumentar proporcionalmente o produto.

    Se outro fator continuar sendo o gargalo, o ganho agregado será limitado.

    Imagine uma equipe de pesquisa

    Considere uma equipe que desenvolve um novo medicamento.

    Ela precisa:

    formular hipóteses;
    pesquisar a literatura;
    analisar dados;
    gerar moléculas candidatas;
    realizar testes;
    interpretar resultados;
    conduzir experimentos;
    validar segurança;
    obter aprovação regulatória.

    Agora imagine que a IA torne a etapa de geração de hipóteses 100 vezes mais rápida.

    Isso é extraordinário.

    Mas se os testes clínicos continuarem levando anos, a velocidade total do processo não aumentará 100 vezes.

    O gargalo mudou de lugar.

    É isso que o modelo de Jones procura capturar

    Jones separa três elementos.

    O primeiro é a participação das tarefas de pesquisa que a IA consegue executar.

    O segundo é a produtividade da IA nessas tarefas.

    O terceiro é a existência de gargalos.

    O resultado é importante porque evita uma extrapolação comum:

    se a IA é muito melhor em uma tarefa, a ciência inteira ficará proporcionalmente mais rápida.

    Não necessariamente.

    O efeito depende da arquitetura do processo científico.

    Uma cadeia não é a soma de suas partes

    Imagine uma fábrica com cinco etapas.

    As quatro primeiras podem produzir 1.000 unidades por dia.

    A quinta produz apenas 100.

    Aumentar a produtividade das quatro primeiras para 10.000 unidades não aumenta a produção final para 10.000.

    A quinta etapa continua limitando o sistema.

    A produção permanece próxima de 100.

    Essa lógica é conhecida na administração e na economia da produção como teoria das restrições.

    A inteligência artificial introduz uma possibilidade particularmente interessante:

    ela pode acelerar tanto algumas etapas que torna os gargalos restantes muito mais importantes.

    O retorno marginal da inteligência pode aumentar

    Aqui aparece uma consequência ainda mais interessante.

    Se uma IA extremamente capaz consegue eliminar um gargalo, outro gargalo pode aparecer.

    E, depois, outro.

    Isso significa que o retorno de aumentar a inteligência do sistema pode depender da estrutura da tarefa.

    Em algumas áreas, uma pequena melhoria na capacidade da IA pode produzir quase nenhum resultado adicional.

    Em outras, superar determinado limiar pode liberar uma cadeia inteira de avanços.

    O impacto não precisa ser linear.

    Pense em desenvolvimento de medicamentos

    Suponha que uma IA consiga identificar candidatos promissores em bilhões de combinações.

    Isso resolve um problema de busca.

    Mas ainda precisamos descobrir:

    quais moléculas são seguras?

    Depois:

    quais funcionam em humanos?

    Depois:

    qual é a dosagem adequada?

    Depois:

    como fabricar em escala?

    A IA pode reduzir radicalmente o custo de encontrar candidatos.

    Mas não elimina automaticamente a biologia.

    Esse é exatamente o tipo de gargalo que determina o retorno econômico da tecnologia.

    O mesmo vale para software

    Em software, o problema é ainda mais intuitivo.

    Uma IA pode escrever milhares de linhas de código rapidamente.

    Mas software não é apenas código.

    É também:

    definição de requisitos;
    arquitetura;
    testes;
    integração;
    segurança;
    implantação;
    suporte;
    validação com usuários.

    Se a geração de código ficar 10 vezes mais rápida, mas testes e implantação continuarem lentos, o produto final não ficará 10 vezes mais rápido.

    Esse raciocínio encontra respaldo em evidência recente.

    Um estudo com mais de 500 mil desenvolvedores do GitHub encontrou aumentos cumulativos de atividade de código de 30% com autocomplete, 180% com agentes interativos e 240% com agentes autônomos.

    Mas o ganho diminuiu à medida que se avançava pela cadeia produtiva.

    O aumento de 240% nos commits caiu para 80% no número de projetos e apenas 30% no número de releases efetivamente publicados.

    É um resultado extremamente instrutivo.

    A IA acelerou o trabalho.

    Mas não acelerou tudo na mesma proporção.

    O gargalo humano não desapareceu

    O estudo sobre programação encontra evidência de complementaridade entre IA e trabalho humano, com elasticidade de substituição estimada em apenas 0,23.

    Em linguagem econômica:

    IA e seres humanos continuam sendo complementares em muitas etapas do processo.

    Isso contraria uma interpretação simplista segundo a qual aumentar a capacidade do modelo necessariamente reduziria a necessidade de pessoas na mesma proporção.

    Se a IA produz mais código, alguém ainda precisa decidir o que deve ser construído.

    Se produz mais hipóteses científicas, alguém precisa determinar quais são relevantes.

    Se produz mais resultados, alguém precisa decidir quais merecem confiança.

    A consequência para empresas é enorme

    Muitas empresas estão investindo em IA com uma lógica parecida:

    “Qual tarefa podemos automatizar?”

    Talvez a pergunta mais importante seja outra:

    “Qual é o gargalo do nosso processo?”

    Se o gargalo não for a tarefa que a IA consegue executar, automatizá-la pode gerar pouco ganho.

    Uma empresa pode economizar milhares de horas produzindo relatórios e continuar lenta porque decisões precisam passar por quatro níveis hierárquicos.

    Pode gerar código muito mais rapidamente e continuar lançando software no mesmo ritmo porque testes e aprovação continuam manuais.

    Pode produzir análises de mercado em segundos e continuar tomando decisões lentamente porque ninguém possui autoridade para agir.

    A tecnologia pode estar funcionando perfeitamente.

    O processo é que está limitando o retorno.

    A economia da IA será uma economia de gargalos

    Essa talvez seja uma das melhores maneiras de pensar a próxima fase da revolução da inteligência artificial.

    No começo, a pergunta era:

    “A IA consegue fazer isso?”

    Depois:

    “Quanto tempo a IA economiza?”

    Agora precisamos começar a perguntar:

    “O que ainda impede o sistema de produzir mais?”

    Essa mudança de pergunta é muito mais importante do que parece.

    Porque o valor econômico da IA não depende apenas da inteligência do modelo.

    Depende da capacidade das organizações de reorganizar os processos ao redor dele.

    A ciência pode ser o grande laboratório

    Isso é particularmente relevante para pesquisa científica.

    Se a IA tornar barata a geração de hipóteses, a ciência pode enfrentar um problema novo.

    Não teremos poucas hipóteses.

    Teremos hipóteses demais.

    O gargalo poderá migrar para experimentação, validação e capacidade de distinguir descobertas verdadeiras de resultados espúrios.

    Nesse cenário, a produtividade científica não será limitada pela quantidade de ideias.

    Será limitada pela capacidade de testá-las.

    A grande mudança talvez seja descobrir onde investir

    Se o modelo de Jones estiver correto, o impacto econômico da IA dependerá fortemente da identificação dos gargalos.

    Isso muda a pergunta de política científica.

    Em vez de apenas financiar IA, governos podem precisar financiar:

    laboratórios, infraestrutura experimental, bases de dados, ensaios clínicos, equipamentos, pesquisadores e instituições capazes de absorver o aumento da capacidade intelectual proporcionado pela IA.

    Se a IA aumenta a produção de hipóteses, precisamos aumentar a capacidade de testá-las.

    Caso contrário, produziremos uma enorme quantidade de inteligência esperando por uma pequena quantidade de experimentos.

    A verdadeira revolução pode ser organizacional

    A IA não chega a uma economia vazia.

    Ela entra em empresas, universidades, laboratórios e governos já existentes.

    Essas instituições possuem processos.

    Possuem hierarquias.

    Possuem burocracias.

    Possuem gargalos.

    Possuem regras.

    Por isso, uma tecnologia extraordinária pode produzir ganhos medíocres quando incorporada a uma organização que não muda.

    A produtividade não nasce apenas do algoritmo.

    Nasce da combinação entre algoritmo, pessoas, capital e organização.

    É por isso que a próxima grande vantagem competitiva talvez não seja possuir o melhor modelo.

    Pode ser descobrir como redesenhar uma organização para que o modelo consiga realmente produzir valor.

    Fontes:
    Benjamin F. Jones, Artificial Intelligence in Research and Development, em The Economics of Transformative AI, NBER, setembro de 2026.
    Mert Demirer, Leon Musolff e Liyuan Yang, Writing Code vs. Shipping Code: Productivity Effects Across Generations of AI Coding Tools, NBER Working Paper 35275, revisão de setembro de 2026.