Blog

  • A inteligência artificial está aprendendo a reproduzir pesquisas científicas. E isso pode ser mais importante do que escrever artigos

    Há uma diferença enorme entre uma inteligência artificial que consegue escrever um texto científico e uma inteligência artificial que consegue reproduzir uma pesquisa científica.

    A primeira pode produzir uma aparência convincente de conhecimento.

    A segunda precisa lidar com algo muito mais difícil:

    entender uma hipótese, encontrar os procedimentos relevantes, executar código, trabalhar com dados, identificar problemas e verificar se o resultado obtido é compatível com aquilo que os pesquisadores originalmente encontraram.

    É exatamente essa fronteira que um novo trabalho disponibilizado em agosto de 2026 no arXiv tenta explorar.

    O estudo apresenta o Replica, uma estrutura escalável para tarefas de replicação científica, e o Faraday, um agente de 27 bilhões de parâmetros treinado para reproduzir pesquisas utilizando coding agents como ferramentas. Nos testes apresentados pelos autores, o sistema superou Claude Opus 4.8 e GPT-5.5 em tarefas de replicação mantidas fora do treinamento.

    Isso merece atenção.

    Não porque tenhamos chegado a uma “IA cientista”.

    Ainda não.

    Mas porque replicação é uma das melhores tarefas possíveis para testar se um sistema realmente consegue fazer trabalho científico verificável.

    Replicar é muito mais difícil do que resumir

    Um modelo pode ler um artigo e produzir um resumo excelente.

    Isso exige compreensão linguística.

    Mas uma replicação exige outra coisa.

    O sistema precisa descobrir:

    • quais dados foram utilizados;
    • como foram tratados;
    • quais variáveis foram construídas;
    • quais especificações foram estimadas;
    • quais decisões metodológicas não estão explicitadas;
    • quais códigos precisam ser executados;
    • onde estão os arquivos;
    • como interpretar os resultados;
    • e se aquilo reproduz de fato a conclusão original.

    É uma tarefa muito mais próxima do trabalho de um pesquisador.

    E existe um detalhe particularmente interessante.

    Os próprios autores argumentam que replicação frequentemente revela detalhes que estavam subespecificados nos trabalhos originais.

    Ou seja, replicar não é simplesmente apertar um botão.

    A replicação é um teste de realidade da ciência

    Existe uma fragilidade conhecida na produção científica: resultados podem ser difíceis de reproduzir.

    Às vezes porque o código não foi disponibilizado.

    Às vezes porque os dados mudaram.

    Às vezes porque existem decisões metodológicas que não aparecem claramente no artigo.

    Às vezes porque o procedimento descrito em palavras não é suficiente para reconstruir exatamente aquilo que foi feito.

    Uma IA capaz de automatizar parte desse processo poderia produzir uma mudança importante.

    Imagine um sistema que recebe:

    “Aqui está o artigo. Verifique se consigo reproduzir os principais resultados.”

    Ele procura os dados.

    Executa o código.

    Reconstrói as tabelas.

    Compara resultados.

    Identifica divergências.

    Tenta descobrir a origem.

    E entrega uma espécie de relatório de auditoria científica.

    Isso seria extremamente útil.

    O interessante não é apenas o modelo

    Essa é uma das partes mais importantes do paper.

    O trabalho não é simplesmente:

    “Pegamos um modelo grande e perguntamos se ele consegue replicar papers.”

    Os autores criaram uma task space específica para replicação e um mecanismo de avaliação baseado em rubricas geradas automaticamente, buscando um sinal de recompensa que tenha baixa discrepância em relação à avaliação humana. Depois utilizaram esse ambiente para pós-treinar o Faraday.

    Isso é importante porque uma das dificuldades centrais dos agentes científicos é justamente:

    como saber se o agente fez um bom trabalho?

    Se não conseguimos avaliar automaticamente a qualidade da resposta, fica muito mais difícil treinar o sistema para melhorar.

    O problema da recompensa

    Aqui aparece uma questão profundamente econômica e também muito importante para machine learning.

    Um agente aprende aquilo que conseguimos medir.

    Se recompensamos simplesmente:

    “o resultado final parece correto”,

    ele pode aprender atalhos.

    Se recompensamos:

    “o resultado foi reproduzido por uma sequência metodologicamente correta”,

    a coisa muda.

    O desenho da função de recompensa passa a carregar parte da definição do que consideramos uma boa pesquisa.

    Isso é uma ideia familiar na economia comportamental e na teoria de incentivos:

    o agente responde ao sistema de incentivos que construímos.

    A IA não é diferente.

    O resultado mais interessante pode estar fora do benchmark

    Os autores relatam que análises qualitativas de algumas execuções indicaram que Faraday adotou comportamentos mais próximos de uma abordagem científica.

    Isso é interessante, mas precisa ser interpretado com cautela.

    Um agente pode apresentar comportamento científico em um ambiente de benchmark sem necessariamente possuir uma compreensão geral da ciência.

    Essa é uma diferença fundamental.

    Um sistema pode ser excelente em:

    replicar pesquisas conhecidas

    sem ser excelente em:

    descobrir novas perguntas científicas.

    São tarefas diferentes.

    Replicação e descoberta são duas fronteiras distintas

    Eu separaria pelo menos quatro níveis:

    Nível 1 — Assistência: escrever código, buscar referências, produzir gráficos.

    Nível 2 — Execução: executar análises e corrigir erros.

    Nível 3 — Replicação: reconstruir e testar pesquisas existentes.

    Nível 4 — Descoberta: formular hipóteses novas, desenhar experimentos e produzir conhecimento original.

    Estamos avançando rapidamente nos três primeiros.

    O quarto é muito mais difícil.

    E isso é justamente o que torna o trabalho interessante.

    Ele mostra que a distância entre “IA que escreve” e “IA que executa investigação” está diminuindo.

    Isso pode mudar a economia da pesquisa

    Se agentes forem capazes de realizar replicações de maneira confiável, o custo de verificar resultados científicos pode cair.

    Isso tem consequências importantes.

    Hoje, pesquisadores precisam escolher cuidadosamente quais trabalhos replicar.

    Não é possível verificar tudo.

    Uma máquina pode alterar essa restrição.

    Podemos imaginar uma literatura em que resultados relevantes sejam automaticamente submetidos a uma bateria de verificações:

    • reprodução computacional;
    • especificações alternativas;
    • testes de robustez;
    • consistência dos dados;
    • sensibilidade a decisões metodológicas.

    Isso poderia aumentar a qualidade média da literatura.

    Mas também criaria uma nova pergunta:

    quem verifica a IA que verifica os papers?

    O risco da automação da ciência

    É aqui que o entusiasmo precisa ser moderado.

    Se o sistema reproduzir um erro cometido pelo paper original, ele pode concluir que a pesquisa foi replicada.

    Se os dados tiverem um problema que não seja detectável pelo agente, a replicação pode ser formalmente correta e cientificamente errada.

    Se a rubrica de avaliação for inadequada, o agente pode aprender a maximizar a pontuação em vez de maximizar a qualidade científica.

    E se pesquisadores começarem a confiar excessivamente nesses sistemas, poderemos simplesmente automatizar parte da produção de falsa confiança.

    Essa possibilidade é séria.

    Ainda assim, o movimento é importante

    A ciência moderna produz uma quantidade de conhecimento maior do que qualquer pesquisador consegue acompanhar.

    O problema não é mais apenas produzir informação.

    É verificar, organizar e integrar informação.

    Nesse sentido, agentes científicos podem desempenhar uma função muito mais interessante do que simplesmente escrever artigos.

    Eles podem se tornar uma espécie de infraestrutura de verificação.

    E isso pode ser particularmente poderoso em economia, ciência de dados e ciências sociais quantitativas, onde uma grande parte do conhecimento depende de dados, código e procedimentos computacionais.

    A fronteira mais interessante da IA científica talvez não seja:

    “A IA consegue descobrir uma teoria nova?”

    Talvez seja uma pergunta mais humilde:

    “A IA consegue nos ajudar a descobrir quais resultados científicos realmente resistem a uma tentativa séria de reprodução?”

    Se a resposta se tornar sim em escala, já teremos uma transformação importante na maneira como o conhecimento científico é produzido.

    Fonte principal: Falck et al., Training AI Scientists to Replicate Research, arXiv:2608.13331, publicado em 13 de agosto de 2026.

  • O BNDES voltou a emprestar muito. A pergunta importante não é se isso é bom ou ruim

    O BNDES voltou a ocupar um espaço maior no financiamento da economia brasileira.

    No primeiro semestre de 2026, o banco desembolsou R$ 75,6 bilhões, 31,2% acima do mesmo período de 2025. É o maior volume para um primeiro semestre desde 2015. As aprovações chegaram a R$ 111,7 bilhões, alta de 44,9% e maior patamar desde 2014. A infraestrutura recebeu R$ 28,5 bilhões, quase R$ 15 bilhões destinados ao transporte rodoviário.

    A notícia é relevante, mas não acho que a pergunta mais interessante seja se o BNDES está “voltando ao passado”.

    A pergunta econômica é outra:

    Quando o Estado aumenta a oferta de crédito de longo prazo, quanto desse dinheiro realmente cria investimento adicional — e quanto apenas substitui financiamento que o mercado privado já faria?

    Essa é uma questão muito mais difícil. E é justamente nela que deveria estar concentrado o debate.

    O BNDES não é simplesmente um banco maior

    É importante começar pelo básico.

    O BNDES é uma empresa pública federal e o principal instrumento do governo para financiamento de longo prazo e investimento. Sua justificativa econômica não é simplesmente emprestar dinheiro porque bancos privados não querem emprestar.

    A lógica do banco de desenvolvimento é corrigir algum tipo de falha de mercado.

    Projetos de infraestrutura, inovação tecnológica, transição energética e desenvolvimento regional podem produzir benefícios que não são integralmente capturados pelo investidor privado. Podem existir riscos elevados, prazos muito longos, assimetria de informação ou externalidades.

    Nesse caso, o crédito público pode ter uma função econômica legítima.

    Mas existe uma condição fundamental:

    o dinheiro público precisa fazer algo que provavelmente não aconteceria — ou não aconteceria na mesma escala — sem ele.

    É o princípio da adicionalidade.

    O problema do “crowding out”

    Imagine uma empresa que pretende investir R$ 1 bilhão em uma nova fábrica.

    Ela pode financiar o projeto com recursos próprios, emissão de dívida ou crédito bancário.

    Agora imagine que o BNDES ofereça uma linha subsidiada.

    Se a empresa realiza exatamente o mesmo investimento, apenas trocando uma fonte de financiamento privada por uma pública, houve transferência de financiamento, mas não necessariamente criação de investimento adicional.

    Do ponto de vista da política pública, o resultado é muito diferente.

    No primeiro caso:

    R$ 1 de crédito público → R$ 1 de investimento que não existiria sem a política.

    No segundo:

    R$ 1 de crédito público → substituição de R$ 1 que o mercado privado já financiaria.

    No segundo cenário, o benefício social é muito menor.

    Esse é o chamado crowding out.

    E existe ainda um terceiro problema

    Pode haver situações em que o crédito subsidiado faça uma empresa investir mais, mas desloque recursos de outra empresa.

    Isso acontece porque capital não é infinito.

    Se o Estado reduz artificialmente o custo de capital de determinados projetos, pode alterar a alocação de recursos dentro da economia.

    O projeto beneficiado pode ser economicamente desejável.

    Mas também pode ser simplesmente mais politicamente favorecido.

    É por isso que uma política de crédito não deveria ser avaliada apenas pelo número de reais desembolsados.

    Volume de crédito é um indicador de atividade do banco. Não é uma medida de impacto econômico.

    O número de hoje, portanto, não responde à principal pergunta

    R$ 75,6 bilhões é muito dinheiro.

    Mas esse número sozinho não permite concluir que a política esteja funcionando.

    Precisaríamos saber:

    • quantos projetos não aconteceriam sem o financiamento;
    • quanto investimento privado foi mobilizado por cada real público;
    • qual foi o efeito sobre produtividade;
    • quantos empregos adicionais foram gerados;
    • se houve aumento de exportações;
    • se houve inovação;
    • se houve efeitos regionais;
    • qual foi o custo fiscal da política;
    • e quais projetos teriam sido financiados pelo mercado de qualquer maneira.

    Essa última pergunta é especialmente importante.

    Há uma boa razão para o BNDES financiar infraestrutura

    Infraestrutura é um dos casos em que a discussão fica mais interessante.

    Uma estrada, uma ferrovia, um porto, uma rede de saneamento ou um sistema de transmissão elétrica pode produzir benefícios para empresas e consumidores que não são completamente apropriáveis pelo investidor que constrói o ativo.

    Existe, portanto, uma possibilidade real de externalidade.

    Além disso, projetos de infraestrutura têm horizontes longos.

    Um investidor privado pode exigir uma taxa de retorno elevada para compensar riscos que o Estado consegue absorver melhor.

    Isso não significa que todo projeto de infraestrutura precise de dinheiro público.

    Significa apenas que há uma justificativa econômica mais robusta para intervenção pública nesse tipo de mercado.

    E o próprio desenho institucional do BNDES reconhece esse papel de financiamento de longo prazo e de apoio ao desenvolvimento.

    Mas o Brasil tem uma alternativa que não existia na mesma escala no passado

    Existe uma mudança estrutural importante no mercado brasileiro de capitais.

    As debêntures de infraestrutura, concessões, PPPs e outras formas de financiamento privado aumentaram a capacidade do mercado de financiar projetos de longo prazo.

    Isso significa que a pergunta sobre o BNDES mudou.

    No passado, poderia ser razoável perguntar:

    “Quem vai financiar esse projeto se o BNDES não financiar?”

    Hoje, em vários segmentos, a pergunta pode ser:

    “O que exatamente o BNDES acrescenta ao financiamento que o mercado já consegue oferecer?”

    Essa é uma pergunta muito mais exigente.

    E é também uma pergunta melhor para política pública.

    O problema monetário

    Existe ainda uma discussão macroeconômica.

    O Brasil está com uma Selic de 14% ao ano, depois do corte de 0,25 ponto percentual realizado pelo Copom em agosto. O Banco Central afirma que a atividade vem apresentando moderação gradual, mas as expectativas de inflação continuam acima da meta.

    Nesse ambiente, uma expansão significativa do crédito direcionado pode parecer contraditória com uma política monetária restritiva.

    Mas essa conclusão precisa ser tratada com cuidado.

    O crédito do BNDES não necessariamente aumenta a demanda agregada da mesma forma que uma transferência direta de renda.

    Se o financiamento for destinado a investimento produtivo, pode aumentar a capacidade de oferta da economia.

    Uma nova fábrica pode produzir mais bens.

    Uma nova ferrovia pode reduzir custos logísticos.

    Uma rede elétrica mais eficiente pode reduzir gargalos.

    Uma máquina mais produtiva pode aumentar o produto por trabalhador.

    Nesse caso, existe uma diferença importante entre estimular demanda hoje e aumentar oferta amanhã.

    O ponto central é o horizonte

    É possível que uma política de crédito tenha efeitos expansionistas no curto prazo e, simultaneamente, aumente a capacidade produtiva no longo prazo.

    Por isso, não faz sentido avaliar todo crédito público apenas pela pergunta:

    “Isso aumenta a demanda?”

    A pergunta precisa ser:

    “O que esse crédito compra para a economia em termos de capacidade produtiva futura?”

    Se a resposta for produtividade, infraestrutura, inovação e capital humano, existe uma justificativa econômica.

    Se a resposta for apenas substituição de financiamento privado, o caso fica muito mais fraco.

    O que deveríamos medir

    Se o objetivo é transformar o BNDES em instrumento de desenvolvimento, eu gostaria de ver muito mais avaliação causal.

    Por exemplo:

    Empresas financiadas versus empresas semelhantes que não receberam crédito.

    Projetos financiados versus projetos comparáveis que perderam acesso ao financiamento.

    Regiões com maior exposição ao crédito versus regiões semelhantes com menor exposição.

    Não basta observar que uma empresa que recebeu crédito cresceu.

    Ela pode ter crescido porque era uma empresa boa.

    A questão é saber:

    quanto ela cresceu a mais por causa do crédito?

    É exatamente aí que entram econometria e avaliação de políticas públicas.

    A discussão deveria sair do “BNDES sim ou BNDES não”

    Essa dicotomia é pouco útil.

    Bancos de desenvolvimento podem corrigir falhas de mercado.

    Também podem financiar projetos que o mercado privado não financiaria.

    Mas podem gerar crowding out, distorções de alocação e custos fiscais quando não há adicionalidade suficiente.

    As duas coisas podem ser verdade ao mesmo tempo.

    Por isso, o debate maduro não deveria ser ideológico.

    Deveria ser empírico.

    Qual política gera maior investimento adicional por real de recurso público?

    Qual produz maior ganho de produtividade?

    Qual gera maior retorno social?

    E, principalmente:

    em quais mercados o Estado realmente acrescenta alguma coisa que o setor privado não consegue entregar sozinho?

    O crescimento recente do BNDES torna essas perguntas mais importantes, não menos.

    O número de R$ 75,6 bilhões chama atenção.

    Mas o verdadeiro indicador de sucesso não deveria ser quanto o banco emprestou.

    Deveria ser quanto desenvolvimento adicional aquele dinheiro conseguiu produzir.

    Fontes: BNDES — Quem somos; Estatuto do BNDES; dados de desembolsos de 2026 reportados pela Folha de S.Paulo; TCU — análise sobre subsídios creditícios e financeiros do BNDES.

  • Às vezes, uma política pública não precisa informar mais. Precisa fazer as pessoas prestarem atenção

    Existe uma hipótese bastante intuitiva por trás de muitas políticas públicas: se as pessoas receberem a informação correta, tomarão decisões melhores.

    É uma hipótese razoável.

    Mas pode estar incompleta.

    Um novo artigo publicado no American Economic Journal: Economic Policy por Guilherme Lichand, Nina Cunha, Ricardo A. Madeira e Eric Bettinger apresenta uma evidência particularmente interessante: em determinadas situações, fazer uma questão ganhar saliência pode produzir efeitos tão grandes quanto fornecer informação personalizada sobre ela.

    E o experimento foi realizado no Brasil.

    Informação não é a mesma coisa que atenção

    Os pesquisadores estudaram o comportamento de pais de estudantes e compararam diferentes tipos de mensagens.

    Um grupo recebia informações semanais sobre a frequência e o esforço do próprio filho.

    Outro grupo recebia mensagens desenhadas para aumentar a saliência da questão, mas sem fornecer a mesma informação individualizada.

    A diferença é pequena na aparência, mas enorme do ponto de vista da economia comportamental.

    No primeiro caso, estamos tentando mudar a decisão através de informação.

    No segundo, estamos tentando mudar a decisão através de atenção.

    Os pesquisadores encontraram efeitos relevantes da intervenção informativa sobre frequência, desempenho em testes e progressão escolar. Mas o resultado mais interessante veio do grupo de saliência: seus resultados melhoraram pelo menos tanto quanto os do grupo que recebeu informação personalizada.

    Isso desafia uma ideia muito comum

    Imagine que uma prefeitura queira reduzir a evasão escolar.

    Uma resposta tradicional seria construir um sistema para informar aos pais:

    “Seu filho faltou quatro vezes este mês.”

    Faz sentido.

    Mas o estudo sugere uma possibilidade diferente.

    Talvez parte do efeito não esteja no fato de os pais descobrirem uma informação que desconheciam.

    Talvez esteja simplesmente em fazê-los pensar na frequência escolar naquele momento.

    Essa diferença é fundamental.

    Porque informação custa dinheiro.

    Atenção também é escassa, mas pode ser muito mais barata de mobilizar.

    O mecanismo é comportamental

    A economia tradicional frequentemente começa com indivíduos que possuem informações e escolhem racionalmente diante delas.

    A economia comportamental introduz uma complicação importante: nem toda informação disponível recebe a mesma atenção.

    Podemos saber que deveríamos fazer exercícios e não fazer.

    Podemos saber que deveríamos economizar e não economizar.

    Podemos saber que nosso filho está faltando à escola e, ainda assim, não transformar essa informação em uma mudança de comportamento.

    O problema não é necessariamente ignorância.

    Pode ser saliência insuficiente.

    É uma distinção que muda o desenho da política.

    Uma política pode ser melhor simplesmente porque chama atenção para a decisão certa

    Esse resultado tem implicações que vão muito além da educação.

    Pense em vacinação.

    Em vez de simplesmente disponibilizar informações sobre vacinação, uma política pode lembrar o cidadão exatamente quando ele precisa tomar uma decisão.

    Pense em aposentadoria.

    Em vez de fornecer quarenta páginas sobre previdência, pode chamar atenção para uma decisão específica:

    “Você está poupando o suficiente para a aposentadoria?”

    Pense em inadimplência.

    Em vez de explicar toda a matemática dos juros compostos, pode apresentar uma informação no momento em que o consumidor está prestes a assumir uma nova dívida.

    O mecanismo é parecido.

    A política pública não precisa necessariamente colocar mais informação na cabeça das pessoas. Pode precisar colocar a decisão certa no campo de visão delas.

    Isso é muito importante para quem avalia políticas públicas

    Existe uma consequência metodológica interessante.

    Quando avaliamos uma política, normalmente perguntamos:

    “As pessoas receberam informação?”

    Mas talvez devêssemos perguntar:

    “A intervenção alterou informação, atenção, crenças ou comportamento?”

    Esses mecanismos não são equivalentes.

    Um programa pode não aumentar o conhecimento medido em um questionário e, ainda assim, melhorar comportamentos.

    Também pode acontecer o contrário: aumentar conhecimento sem produzir nenhuma mudança prática.

    A avaliação de impacto precisa, portanto, olhar para mecanismos, e não apenas para o resultado final.

    E aqui está a parte que mais me interessa

    O artigo é uma boa demonstração de uma ideia que considero cada vez mais importante em políticas públicas: o desenho da intervenção importa tanto quanto o benefício que estamos tentando oferecer.

    Duas políticas podem disponibilizar exatamente o mesmo recurso.

    Uma funciona.

    A outra não.

    A diferença pode estar no modo como o cidadão encontra a política, percebe o benefício, interpreta a informação e decide agir.

    Essa é uma das razões pelas quais economia comportamental e avaliação causal estão se aproximando tanto.

    A pergunta deixou de ser apenas:

    “A política funciona?”

    Estamos começando a perguntar:

    “Por qual mecanismo ela funciona?”

    E, quando descobrimos o mecanismo, podemos começar a redesenhar a política para torná-la mais barata, simples e eficaz.

    Esse é um resultado que vale muito mais do que uma conclusão específica sobre educação.

    Ele mostra como atenção pode ser uma variável de política pública.

    Fonte principal: Lichand, Cunha, Madeira e Bettinger, When the Effects of Informational Interventions Are Driven by Salience—Evidence from School Parents in Brazil, American Economic Journal: Economic Policy, vol. 18, nº 3, agosto de 2026. O artigo disponibiliza também pacote de replicação e material suplementar.

  • A IA já está escrevendo econometria. A pergunta agora é outra: podemos confiar no resultado?

    Há uma mudança importante acontecendo na relação entre inteligência artificial e pesquisa econômica. Durante algum tempo, a discussão ficou concentrada em uma pergunta relativamente simples: os modelos de linguagem conseguem escrever código?

    A pergunta já está ficando velha.

    Um novo working paper do NBER, publicado em agosto de 2026 por Sebastian Galiani, Federico Ariel López e Raul A. Sosa, desloca a discussão para um problema muito mais interessante: o que acontece quando deixamos de usar a IA apenas como assistente de programação e passamos a dar a ela algum grau de autonomia para executar, verificar e corrigir o próprio código econométrico?

    Os resultados são suficientemente expressivos para merecer atenção.

    De chatbot para agente

    Os pesquisadores compararam diferentes formas de utilizar modelos de linguagem em tarefas de econometria aplicada. O experimento varia três dimensões: o software utilizado — Stata, R ou Python —, o tipo de prompting — zero-shot ou few-shot — e, principalmente, o grau de agência do sistema.

    A diferença fundamental está aqui.

    Um chatbot recebe uma solicitação, escreve um script e entrega o resultado.

    Um agente pode executar o código, verificar o que aconteceu, identificar problemas e tentar novamente.

    No benchmark utilizado pelos autores, passar do chatbot para um agente restrito elevou a taxa de sucesso das tarefas de 74% para 96%, com um custo adicional de aproximadamente oito centavos por execução.

    Esse número é muito mais importante do que parece.

    Não porque 96% signifique que a econometria possa ser automatizada. Não significa.

    Significa que a unidade econômica da automação está começando a mudar.

    O que realmente melhorou?

    Uma parte interessante do estudo é que o ganho não vem simplesmente de “um modelo mais inteligente”.

    A arquitetura de trabalho importa.

    Quando o sistema recebe autonomia limitada para executar e revisar o próprio código, diferenças que eram grandes entre Stata, R e Python praticamente desaparecem. Da mesma forma, o benefício do few-shot prompting é muito maior para o chatbot do que para o agente. Os autores interpretam esses resultados como evidência de que prompting e agência podem funcionar como substitutos em determinadas tarefas.

    Isso muda a pergunta que devemos fazer sobre ferramentas de IA.

    Em vez de perguntar:

    “Qual modelo escreve o melhor código?”

    talvez seja mais útil perguntar:

    “Qual arquitetura de trabalho produz o resultado mais confiável?”

    Essa é uma pergunta muito mais próxima da realidade profissional.

    O economista não desaparece. O trabalho do economista muda

    Existe uma tentação recorrente quando surgem ferramentas capazes de automatizar uma parte do trabalho intelectual: imaginar que a parte automatizada era justamente a parte mais importante.

    Na econometria, isso seria um erro.

    Escrever:

    regyx1x2x3reg y x1 x2 x3

    nunca foi a parte mais difícil de uma pesquisa.

    O problema começa antes.

    Por que essas variáveis?

    Qual é a hipótese causal?

    O tratamento é realmente exógeno?

    Existe viés de seleção?

    Qual é a unidade de análise?

    Há spillovers?

    O erro-padrão está corretamente especificado?

    A especificação é robusta?

    O efeito estimado tem interpretação econômica?

    E, sobretudo: o desenho de pesquisa responde à pergunta que estamos fazendo?

    Um agente pode ajudar tremendamente nas etapas mecânicas. Mas isso não transforma uma correlação em causalidade.

    Esse ponto merece ser enfatizado porque a própria pesquisa mostra que a IA pode ficar muito boa em executar tarefas econométricas sem necessariamente substituir o raciocínio econômico necessário para formulá-las.

    A verdadeira fronteira talvez seja o ciclo completo

    O avanço mais interessante não é a capacidade de gerar código.

    É a possibilidade de construir um ciclo:

    pergunta → dados → código → execução → diagnóstico → correção → teste de robustez → documentação.

    Se esse ciclo puder ser automatizado parcialmente, o ganho de produtividade para pesquisadores será enorme.

    Imagine, por exemplo, um pesquisador trabalhando com uma base administrativa de milhões de observações.

    Em vez de passar horas:

    • limpando variáveis;
    • verificando valores ausentes;
    • produzindo tabelas;
    • testando especificações;
    • criando gráficos;
    • documentando transformações;

    ele poderia delegar grande parte dessas operações a um agente.

    O tempo do pesquisador poderia ser deslocado para aquilo que realmente diferencia uma pesquisa de qualidade: formular uma boa pergunta, construir uma estratégia de identificação convincente e interpretar os resultados.

    Mas existe um problema muito maior escondido aí

    Quanto mais autônomo fica o agente, maior também fica o risco de erro silencioso.

    Um código que não roda é fácil de identificar.

    Um código que roda perfeitamente e produz uma resposta estatisticamente sofisticada para uma pergunta mal especificada é muito mais perigoso.

    Esse é um problema clássico da automação: ela reduz o custo de execução, mas pode reduzir também o custo de produzir resultados ruins.

    É por isso que o desenho do estudo é tão interessante. Ele não mostra simplesmente que “IA consegue fazer econometria”. Mostra que agência computacional altera o desempenho da IA em tarefas econométricas.

    A próxima fronteira, portanto, não será apenas aumentar a taxa de sucesso.

    Será construir mecanismos que permitam distinguir:

    código correto de pesquisa correta.

    São coisas completamente diferentes.

    O que isso significa para a pesquisa econômica

    Vejo pelo menos três consequências.

    A primeira é uma redução importante no custo de entrada para determinadas tarefas quantitativas.

    A segunda é uma provável aceleração do ciclo de pesquisa.

    A terceira, e talvez mais importante, é que conhecimento metodológico tende a ficar mais valioso, e não menos.

    Se a máquina consegue executar cinco especificações em segundos, o diferencial passa a ser saber quais cinco especificações fazem sentido.

    Isso vale para econometria, ciência de dados e, provavelmente, para praticamente qualquer área quantitativa.

    A IA pode estar tornando o código uma commodity.

    Isso torna o raciocínio por trás do código ainda mais importante.

    Fonte principal: Galiani, López e Sosa, AI Agents and Prompt Engineering in Econometric Coding, NBER Working Paper 35588, agosto de 2026.

  • A IA está ficando mais autônoma. E o problema já não é apenas o que ela consegue fazer

    Durante os últimos dois anos, a discussão sobre inteligência artificial foi dominada por uma pergunta: os modelos estão ficando mais inteligentes?

    A pergunta continua relevante.

    Mas está surgindo outra que pode ser ainda mais importante:

    O que acontece quando um modelo inteligente recebe autonomia suficiente para agir sozinho?

    Essa questão voltou ao centro do debate nesta semana depois que a OpenAI informou que suas avaliações internas do modelo Astra, ainda em desenvolvimento, identificaram avanços significativos em programação agêntica e capacidades de cibersegurança. A empresa afirmou que não podia descartar que o sistema atingisse capacidades consideradas críticas dentro de seu próprio framework de preparação.

    O episódio ganha ainda mais importância porque a própria OpenAI descreveu o cenário como uma mudança potencial na fronteira das capacidades cibernéticas.

    A diferença entre responder e agir

    Um chatbot tradicional espera uma pergunta.

    Você pergunta.

    Ele responde.

    Um agente funciona de maneira diferente.

    Você estabelece um objetivo.

    O sistema pode decompor esse objetivo em tarefas, utilizar ferramentas, executar código, consultar informações, verificar resultados e tomar novas ações.

    Essa diferença parece pequena na linguagem cotidiana.

    Tecnicamente, é enorme.

    Um modelo que produz uma sugestão de código é uma coisa.

    Um sistema que pode executar o código, descobrir uma vulnerabilidade, testar uma hipótese e continuar trabalhando sem intervenção humana a cada etapa é outra.

    É por isso que o desenvolvimento de agentes representa uma mudança importante na arquitetura da IA.

    O mesmo avanço pode ajudar o defensor e o atacante

    Existe um paradoxo interessante na cibersegurança.

    Uma IA mais capaz pode ajudar empresas a encontrar vulnerabilidades antes que criminosos encontrem.

    Pode analisar grandes quantidades de código.

    Pode identificar padrões suspeitos.

    Pode acelerar resposta a incidentes.

    Pode automatizar testes.

    Mas exatamente as mesmas capacidades podem ser utilizadas para atacar sistemas.

    A própria OpenAI afirmou que modelos mais avançados podem fortalecer defesas cibernéticas e, simultaneamente, permitir ataques em velocidade e escala inéditas.

    Isso muda a economia do ataque.

    Se anteriormente uma operação sofisticada exigia uma equipe especializada trabalhando durante dias ou semanas, um agente capaz de automatizar partes importantes do processo pode reduzir drasticamente o custo marginal de determinadas operações.

    E quando o custo de um ataque cai, o número potencial de ataques aumenta.

    O problema não é apenas inteligência. É escala

    Essa talvez seja a parte mais importante da discussão.

    Imagine uma ferramenta capaz de realizar uma tarefa uma vez.

    Ela é útil.

    Agora imagine que a mesma ferramenta possa executar a tarefa dez mil vezes.

    O valor econômico muda completamente.

    É exatamente isso que acontece quando IA passa de capacidade cognitiva para capacidade operacional.

    O sistema não apenas sabe algo.

    Ele pode agir sobre aquilo.

    Essa é uma diferença fundamental para empresas.

    O que as empresas deveriam começar a pensar

    A discussão de segurança de IA muitas vezes parece distante do cotidiano das organizações.

    Não deveria.

    Se agentes começam a ter acesso a:

    • e-mail;
    • sistemas financeiros;
    • bancos de dados;
    • APIs;
    • ferramentas de desenvolvimento;
    • sistemas internos;
    • plataformas de atendimento;

    a questão deixa de ser apenas:

    “O modelo é seguro?”

    E passa a ser:

    “O que acontece se o modelo errar, for manipulado ou receber uma instrução maliciosa?”

    Essa é uma pergunta de arquitetura.

    Não apenas de inteligência artificial.

    O agente é o novo funcionário digital?

    Essa comparação é imperfeita, mas ajuda a entender a mudança.

    Uma empresa não entrega acesso irrestrito a um funcionário novo no primeiro dia.

    Existem permissões.

    Hierarquia.

    Auditoria.

    Segregação de funções.

    Limites financeiros.

    Registro de operações.

    Supervisão.

    O mesmo princípio começa a fazer sentido para agentes.

    Se um agente pode agir em nome de uma organização, ele precisa ter identidade, permissões, limites e rastreabilidade.

    O problema passa a ser menos “como fazer a IA obedecer” e mais “como construir sistemas nos quais uma IA com autonomia limitada não consiga causar danos ilimitados”.

    E é por isso que a discussão está mudando

    A primeira fase da IA empresarial foi:

    “Como podemos usar modelos para aumentar produtividade?”

    A segunda está se tornando:

    “Como podemos permitir que modelos executem tarefas reais?”

    A terceira provavelmente será:

    “Como podemos controlar sistemas que executam tarefas reais de forma autônoma?”

    Esse último problema é muito mais difícil.

    E ele não será resolvido apenas treinando modelos maiores.

    Será necessário combinar modelos, sistemas de permissões, monitoramento, segurança, auditoria, isolamento e supervisão humana.

    A própria OpenAI vem descrevendo esse movimento em seus documentos recentes de segurança, inclusive com avaliações específicas de capacidades cibernéticas e novas estruturas de proteção para modelos avançados.

    A grande mudança talvez esteja acontecendo silenciosamente

    A discussão pública ainda costuma comparar modelos pelo número de benchmarks que conseguem vencer.

    Mas, para empresas, uma pergunta pode acabar sendo mais importante:

    “Quanto trabalho econômico real esse sistema consegue executar sozinho?”

    É aí que os agentes se tornam particularmente interessantes.

    Um modelo que responde melhor pode ser apenas uma evolução incremental.

    Um sistema que consegue planejar, executar, verificar e agir pode representar uma mudança muito maior na organização da produção.

    E, nesse sentido, a discussão sobre agentes de IA não é apenas uma discussão tecnológica.

    É uma discussão sobre produtividade, organização empresarial, custos de transação, trabalho e desenho das próprias empresas.

    Talvez essa seja a verdadeira fronteira que estamos começando a atravessar.

    Fontes: OpenAI, Responding to the next frontier of critical cyber capabilities; OpenAI, Expanding Daybreak as the Cyber Defense Window Narrows.

  • O Brasil está desacelerando. O problema é que os juros ainda estão altos demais para ignorar o sinal

    A economia brasileira cresceu apenas 0,2% no segundo trimestre de 2026, segundo o IBC-Br, indicador de atividade calculado pelo Banco Central e frequentemente utilizado como uma prévia do PIB oficial.

    O dado mais fraco veio acompanhado de uma queda mensal de 0,6% em junho. A indústria ainda cresceu 0,5% no trimestre, mas os serviços, que representam a maior parcela da economia brasileira, recuaram 0,1%. A agricultura avançou 0,3%.

    O PIB oficial do segundo trimestre ainda será divulgado pelo IBGE em 1º de setembro. Portanto, o IBC-Br não deve ser tratado como o número definitivo.

    Mas já existe um sinal que merece atenção.

    O motor começou a perder força

    A desaceleração não é exatamente uma surpresa.

    O Banco Central reduziu a Selic para 14% ao ano em agosto, mas continua trabalhando com um ambiente no qual a inflação está acima da meta e as expectativas permanecem pressionadas. Na reunião de agosto, o Copom registrou expectativas de inflação de 5,0% para 2026 e 4,2% para 2027, ambas acima da meta.

    Isso cria um dilema conhecido.

    Se os juros permanecem altos por tempo suficiente, a atividade desacelera.

    Se caem rápido demais antes de as expectativas estarem suficientemente ancoradas, o processo de desinflação pode ficar mais difícil.

    É justamente por isso que a política monetária não pode ser avaliada olhando apenas para a taxa Selic.

    O problema está chegando às empresas e às famílias

    Uma reportagem da Folha publicada hoje reúne sinais de preocupação de empresas e bancos com 2027. A inadimplência elevada das famílias e o custo do crédito aparecem entre os fatores que já estão pressionando consumo, investimento e planejamento empresarial. Algumas empresas mencionam redução de investimentos e ajustes operacionais diante de uma perspectiva mais fraca.

    Isso é importante porque a política monetária funciona justamente por esses canais.

    Juros altos não aparecem apenas na taxa do Banco Central.

    Eles chegam ao consumidor através do financiamento.

    Chegam às empresas através do custo do capital.

    Chegam ao mercado imobiliário através do crédito.

    Chegam aos investimentos através da taxa de desconto.

    E chegam às decisões das famílias através do custo de carregar dívidas.

    Então estamos caminhando para uma recessão?

    Ainda não é possível afirmar isso.

    E aqui é importante separar desaceleração de recessão.

    Um trimestre de crescimento de 0,2% é fraco, mas não significa automaticamente contração econômica.

    O que merece acompanhamento é a persistência.

    Se os próximos indicadores mostrarem que consumo, investimento, serviços e mercado de trabalho estão perdendo força simultaneamente, a interpretação muda.

    Por enquanto, o que temos é uma economia que continua crescendo, mas com sinais mais claros de perda de velocidade.

    O que eu observaria daqui para frente

    Há quatro variáveis especialmente importantes:

    Inflação: se continuar convergindo para a meta, abre espaço para juros menores.

    Expectativas: se permanecerem desancoradas, o Banco Central terá menos liberdade.

    Mercado de trabalho: se continuar muito aquecido, pode sustentar consumo e inflação de serviços.

    Crédito: se a transmissão dos juros continuar apertando famílias e empresas, a desaceleração pode ganhar força.

    O ponto central é que esses indicadores precisam ser analisados juntos.

    Uma economia pode desacelerar e continuar pressionando preços.

    Pode crescer pouco e manter mercado de trabalho aquecido.

    Pode apresentar inflação mais baixa sem que a demanda esteja realmente fraca.

    É por isso que o trabalho do Banco Central é menos parecido com apertar um botão e mais parecido com conduzir um navio observando várias correntes ao mesmo tempo.

    O que a notícia realmente nos diz

    O dado de hoje não anuncia uma crise.

    Ele mostra algo mais simples e, justamente por isso, mais importante:

    a política monetária está começando a produzir o efeito esperado sobre a atividade econômica.

    A questão agora é saber até onde esse efeito precisa ir para trazer a inflação de volta à meta.

    E esse equilíbrio — entre desinflacionar sem provocar uma desaceleração excessiva — será provavelmente uma das principais questões da economia brasileira nos próximos meses.

    Fontes: Banco Central do Brasil, comunicado e ata da 280ª reunião do Copom; Reuters; Folha de S.Paulo.

  • Hello world!

    Welcome to WordPress. This is your first post. Edit or delete it, then start writing!