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:
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.