Autor: Rafaël Magalhães

  • 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.

  • Hello world!

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