Blog

  • 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!