Categoria: Uncategorized

Mais de 1.500 economistas e acadêmicos de mais de 100 países assinaram nesta semana uma proposta para criar um novo organismo internacional dedicado ao estudo da desigualdade.

A ideia é criar um International Panel on Inequality, ou IPI, inspirado no funcionamento do Painel Intergovernamental sobre Mudanças Climáticas, o IPCC.

A iniciativa é apoiada pelo secretário-geral da ONU, António Guterres, e tem entre seus defensores nomes como Joseph Stiglitz, Daron Acemoglu, Janet Yellen e Thomas Piketty.

O Brasil está entre os países que apoiam a iniciativa.

À primeira vista, parece uma proposta institucional.

Mas existe uma questão econômica muito mais interessante por trás dela:

até que ponto conseguimos medir desigualdade de maneira comparável e produzir consenso científico sobre suas causas e consequências?

Desigualdade não é apenas uma questão moral

Economistas discutem desigualdade porque ela afeta incentivos, mobilidade social, acumulação de capital humano, consumo, poupança, tributação, estabilidade política e crescimento.

Mas existe uma dificuldade anterior.

Precisamos definir exatamente o que estamos medindo.

Renda?

Patrimônio?

Consumo?

Renda do trabalho?

Renda antes ou depois de impostos?

Riqueza financeira?

Moradia?

Herança?

Dependendo da escolha, podemos obter retratos bastante diferentes da distribuição econômica.

O problema da medição

Imagine duas famílias.

A primeira recebe R$ 20 mil por mês e possui uma casa quitada.

A segunda recebe R$ 25 mil, mas paga aluguel e tem dívidas elevadas.

Quem é mais rica?

Se olharmos apenas renda mensal, a resposta parece óbvia.

Se olharmos patrimônio líquido, pode ser diferente.

Essa é uma das razões pelas quais debates sobre desigualdade frequentemente produzem números aparentemente conflitantes.

Não necessariamente porque alguém esteja mentindo.

Às vezes as pessoas estão medindo coisas diferentes.

Por que um painel internacional poderia ajudar

O IPCC não produz apenas números.

Ele reúne e avalia uma enorme quantidade de literatura científica, estabelecendo padrões para interpretar evidências.

A proposta do IPI segue lógica semelhante.

A intenção é criar uma referência internacional para avaliar:

distribuição de renda;
concentração de riqueza;
mobilidade;
tributação;
oportunidades;
consequências econômicas e sociais da desigualdade.

O objetivo seria reduzir a fragmentação das evidências.

A desigualdade também é um problema de causalidade

Mesmo depois de medir corretamente a desigualdade, surge outra questão.

Suponha que países com maior desigualdade tenham menor crescimento.

Isso significa que desigualdade causa baixo crescimento?

Não necessariamente.

Pode haver causalidade reversa.

Pode haver uma terceira variável.

Instituições ruins podem aumentar desigualdade e reduzir crescimento simultaneamente.

É por isso que a literatura precisa de desenhos empíricos capazes de distinguir correlação de causalidade.

Esse ponto aproxima o debate sobre desigualdade da mesma preocupação metodológica que aparece em avaliações de políticas públicas.

A pergunta política depende da resposta econômica

Imagine que uma política reduza desigualdade.

Isso é suficiente para dizer que ela é desejável?

Não necessariamente.

Precisamos saber como ela afeta:

crescimento, investimento, produtividade, mobilidade e bem-estar.

Uma política pode reduzir desigualdade aumentando oportunidades produtivas.

Outra pode reduzir desigualdade simplesmente diminuindo renda disponível.

Os resultados distributivos podem parecer semelhantes.

Os efeitos econômicos podem ser completamente diferentes.

Mobilidade é diferente de desigualdade

Esse é um dos pontos mais importantes para o debate.

Uma sociedade pode ter desigualdade elevada e mobilidade alta.

Outra pode ter desigualdade moderada e mobilidade muito baixa.

Imagine uma economia na qual os filhos de famílias pobres conseguem frequentemente alcançar posições econômicas elevadas.

A distribuição pode continuar desigual.

Mas a origem familiar explica menos o destino.

Agora imagine outra sociedade com desigualdade aparentemente menor, mas em que posição econômica é praticamente determinada pelo nascimento.

A segunda pode ter um problema maior de oportunidade.

Portanto:

desigualdade ≠ mobilidade.

Um painel científico precisaria tratar as duas dimensões separadamente.

A riqueza é especialmente difícil de medir

Renda costuma ser relativamente mais fácil de observar.

Patrimônio é muito mais complicado.

Uma casa possui valor de mercado que varia.

Empresas privadas são difíceis de avaliar.

Ativos podem estar em diferentes jurisdições.

Trusts e estruturas societárias dificultam rastreamento.

Patrimônio offshore é especialmente problemático.

Por isso, qualquer tentativa de medir desigualdade global precisa lidar com problemas de dados extremamente sofisticados.

O Brasil tem interesse direto nessa discussão

O Brasil aparece historicamente entre os países com elevada concentração de renda e patrimônio.

Ao mesmo tempo, possui enorme heterogeneidade regional.

Desigualdade entre indivíduos, regiões e grupos sociais se sobrepõe.

Isso torna particularmente importante separar:

desigualdade nacional + desigualdade regional + mobilidade + composição da renda + patrimônio.

Um único coeficiente de Gini não consegue representar toda essa estrutura.

O risco de politizar a ciência

Existe também um problema institucional.

Quanto mais relevante politicamente é um indicador, maior pode ser a pressão para interpretá-lo de maneira conveniente.

Um organismo internacional dedicado à desigualdade teria de proteger sua credibilidade.

Isso exige transparência metodológica.

Dados públicos.

Métodos reproduzíveis.

Revisão por pares.

Separação clara entre evidência e recomendação política.

Sem isso, o painel poderia se transformar em uma instituição de advocacy em vez de uma referência científica.

O ponto forte da proposta

Se for bem desenhado, um organismo internacional poderia fazer algo importante.

Não necessariamente dizer aos governos qual política adotar.

Mas dizer:

o que sabemos, o que não sabemos e onde as evidências ainda são inconclusivas.

Essa função tem enorme valor.

Políticas públicas são frequentemente discutidas como se todos concordassem sobre os fatos e discordassem apenas sobre valores.

Na realidade, muitas disputas começam antes.

As pessoas discordam sobre os próprios dados.

O verdadeiro desafio será produzir consenso sem produzir unanimidade

Ciência não precisa eliminar divergências.

Precisa organizá-las.

Um bom painel deveria mostrar onde existe consenso robusto.

Onde existem resultados divergentes.

Quais métodos produzem conclusões diferentes.

Quais dados são frágeis.

Quais perguntas continuam sem resposta.

Essa seria uma contribuição mais valiosa do que simplesmente produzir um novo ranking de países.

Desigualdade é uma pergunta econômica, não apenas política

Essa talvez seja a melhor razão para acompanhar a iniciativa.

Desigualdade afeta decisões de consumo.

Afeta poupança.

Afeta investimento em educação.

Afeta mobilidade.

Afeta tributação.

Afeta formação de capital humano.

Pode afetar instituições políticas.

Pode influenciar estabilidade social.

Portanto, entender sua dinâmica é parte da própria compreensão de como uma economia funciona.

A proposta de um “IPCC da desigualdade” é relevante justamente por tentar transformar um dos temas mais politizados do debate público em um campo com evidência internacional mais comparável e sistemática.

O sucesso da iniciativa dependerá menos de quantos nomes famosos assinaram a carta e mais de uma coisa muito mais difícil:

conseguir construir uma infraestrutura científica capaz de separar aquilo que sabemos daquilo que apenas acreditamos saber.

Fontes: The Guardian, cobertura da iniciativa internacional sobre desigualdade em 18 de setembro de 2026.

Durante décadas, o Japão foi uma exceção entre os grandes países desenvolvidos.

Enquanto Estados Unidos e Europa discutiam se os juros estavam altos ou baixos demais, o Japão convivia com taxas próximas de zero e uma política monetária extraordinariamente expansionista.

Essa era está mudando.

Nesta sexta-feira, 18 de setembro de 2026, o Banco do Japão elevou sua taxa básica de 1,00% para 1,25%, o maior nível em cerca de três décadas. A decisão foi tomada por 7 votos a 2.

A alta já era esperada.

A reação do mercado, porém, foi surpreendente.

O iene caiu cerca de 1,3% frente ao dólar, enquanto o Nikkei subiu aproximadamente 1,4%.

Parece contraditório.

Um banco central sobe juros.

A moeda deveria se fortalecer.

Mas mercados não funcionam por regras mecânicas.

O Japão está normalizando uma política que durou décadas

Durante muito tempo, o problema japonês era deflação ou inflação excessivamente baixa.

O Banco do Japão manteve juros extremamente reduzidos para estimular demanda e evitar que a economia entrasse em uma espiral deflacionária.

Agora o problema mudou.

A inflação está próxima da meta de 2%, enquanto o aumento dos custos de energia e a fraqueza do iene elevam os riscos inflacionários.

O Banco do Japão está tentando retirar gradualmente o estímulo.

O problema é que a dívida pública japonesa é muito elevada.

Portanto, a normalização monetária possui consequências fiscais importantes.

Por que o iene caiu se os juros subiram?

Aqui está a parte mais interessante.

Investidores não negociam apenas a taxa atual.

Eles negociam expectativas.

Se o mercado esperava uma alta de 25 pontos-base e ela aconteceu, o movimento já estava incorporado ao preço.

A pergunta passa a ser:

o que acontecerá depois?

O mercado interpretou a decisão como menos agressiva do que poderia ter sido, especialmente diante das divergências dentro do conselho.

Dois membros votaram contra a alta.

Isso pode ter reduzido a expectativa de uma sequência rápida de aumentos.

Resultado:

juros sobem hoje, mas expectativa de juros futuros não sobe tanto quanto alguns investidores esperavam.

O iene enfraquece.

Não é paradoxo.

É precificação de expectativas.

O carry trade ajuda a entender a importância global

Durante anos, investidores conseguiram tomar dinheiro emprestado em ienes a taxas muito baixas e aplicar em ativos de maior retorno em outros países.

Esse mecanismo ficou conhecido como carry trade.

A lógica básica era:

$$ Retorno \approx Juros\ do\ ativo – Custo\ do\ financiamento $$

Quando o custo de financiamento no Japão era muito baixo, a diferença podia ser atraente.

Mas existe um risco.

Se o iene se valorizar ou os juros japoneses subirem, a operação pode perder atratividade.

Investidores podem então desmontar posições.

O problema é a escala

Quando um investidor individual encerra uma posição, pouco muda.

Quando milhões de investidores fazem a mesma coisa simultaneamente, a dinâmica pode afetar mercados globais.

Ativos que haviam recebido capital através do carry trade podem sofrer pressão.

É por isso que uma decisão do Banco do Japão pode interessar a investidores brasileiros mesmo que eles nunca tenham comprado uma ação japonesa.

O capital global é interconectado.

O Japão está entrando em um novo regime monetário

A importância histórica da decisão é maior do que os 25 pontos-base.

O país está se afastando de um regime monetário extraordinário.

A taxa de 1,25% pode parecer baixa em comparação com Brasil ou Estados Unidos.

Mas a comparação correta é com a própria história japonesa.

É uma mudança de regime.

E mudanças de regime alteram expectativas.

O problema energético complicou tudo

A inflação japonesa também está sendo influenciada por fatores externos.

O choque de energia associado às tensões no Oriente Médio aumenta custos em uma economia fortemente dependente de importações de energia.

Isso cria um dilema.

Se a inflação subir porque a demanda doméstica está forte, elevar juros é uma resposta relativamente convencional.

Se subir porque petróleo e energia ficaram mais caros, o problema é mais complexo.

O banco central precisa avaliar quanto do choque será temporário e quanto poderá contaminar expectativas e salários.

A política também entrou na equação

Dois integrantes do conselho indicados pelo governo de Sanae Takaichi votaram contra a alta, segundo relatos sobre a decisão.

Isso adiciona uma dimensão institucional.

O Banco do Japão precisa combater inflação sem provocar uma deterioração econômica excessiva.

Ao mesmo tempo, o governo possui incentivos diferentes.

Essa tensão entre política fiscal e monetária é comum em economias com dívida elevada.

O que observar daqui para frente

O mais importante agora é saber se o Banco do Japão continuará aumentando os juros.

Se a inflação permanecer próxima ou acima da meta e os salários continuarem pressionando preços, novos aumentos se tornam mais plausíveis.

Se o crescimento enfraquecer significativamente, o processo pode ser mais lento.

O comportamento do iene também será decisivo.

Uma moeda muito fraca aumenta o custo das importações e pode produzir mais inflação.

Isso, por sua vez, aumenta a pressão sobre o Banco do Japão.

A decisão japonesa interessa ao Brasil

A conexão é financeira.

Uma mudança estrutural no Japão pode alterar a atratividade relativa de ativos internacionais.

Se o custo de financiamento em iene aumenta, parte do capital que antes buscava retorno em outros países pode ser repatriada.

Não significa que investidores necessariamente venderão ativos brasileiros.

Mas significa que o ambiente global de liquidez pode mudar.

Para um país emergente, isso importa.

O investidor brasileiro deveria acompanhar o Japão não porque a economia japonesa determine diretamente o PIB brasileiro.

Mas porque o Japão é um dos grandes fornecedores históricos de liquidez barata ao sistema financeiro internacional.

O verdadeiro sinal está na direção

A taxa de 1,25% não é extraordinariamente alta.

O que chama atenção é a trajetória.

O país que passou décadas lutando contra inflação baixa agora está preocupado com inflação alta demais.

O banco central que foi símbolo mundial de política monetária expansionista está normalizando juros.

O investidor que durante anos tratou o iene como moeda barata de financiamento precisa recalcular suas posições.

É por isso que a decisão de hoje pode ter importância muito maior do que seu número absoluto sugere.

Fontes:
Associated Press, cobertura da decisão do Banco do Japão em 18 de setembro de 2026.
Financial Times, reação do iene e interpretação da decisão do BoJ.
Wall Street Journal, trajetória dos juros japoneses e reação cambial.

Quando uma guerra destrói uma fábrica, o prejuízo parece fácil de entender.

A máquina desapareceu.

O prédio foi danificado.

O trabalhador precisou abandonar a região.

A produção caiu.

Mas existe uma segunda perda, muito menos visível.

Mesmo as empresas que continuam funcionando podem deixar de operar nos lugares, setores e combinações em que seriam mais produtivas.

A guerra não destrói apenas capital.

Ela pode destruir a alocação eficiente dos recursos.

É exatamente essa dimensão que Marvin Amann, Yuriy Gorodnichenko e Oleksandr Talavera investigam em um novo trabalho do NBER sobre a economia ucraniana durante a invasão russa de 2022.

Utilizando dados abrangentes em nível de firma, os autores encontram uma forte deterioração da produtividade alocativa na Ucrânia. A guerra reduziu a eficiência não apenas porque destruiu fatores produtivos, mas porque tornou mais difícil organizar os fatores sobreviventes de maneira eficiente.

Essa distinção muda a forma como pensamos o custo econômico de conflitos.

Uma economia pode perder eficiência sem perder todos os recursos

Imagine duas empresas.

A primeira é muito produtiva.

A segunda é pouco produtiva.

Em condições normais, capital e trabalhadores tendem, por diversos mecanismos de mercado, a se direcionar relativamente mais para a primeira.

Agora imagine uma guerra.

A empresa mais produtiva está em uma região afetada.

Seus funcionários migram.

Seus fornecedores desaparecem.

Seu acesso a crédito diminui.

Sua logística é interrompida.

A empresa continua existindo.

Mas sua capacidade de transformar recursos em produção diminui.

Ao mesmo tempo, uma empresa menos produtiva em uma região mais segura pode continuar funcionando.

O resultado agregado é uma piora da alocação.

Produtividade não é apenas tecnologia

Essa é uma distinção fundamental.

Podemos pensar na produtividade de uma firma como sua capacidade de transformar insumos em produção.

Mas a produtividade da economia depende também de onde os recursos estão alocados.

Imagine uma economia com duas empresas:

Empresa Produtividade Capital
A alta 100
B baixa 100

Se o mercado consegue direcionar mais capital para A, a produção agregada aumenta.

Se restrições institucionais obrigam capital a permanecer em B, a economia pode produzir menos mesmo sem nenhuma tecnologia ter mudado.

Essa diferença é chamada de eficiência alocativa.

A guerra interfere justamente nesse mecanismo

Uma guerra cria fricções extraordinárias.

Trabalhadores deixam determinadas regiões.

Empresas perdem fornecedores.

Transportes ficam mais caros.

Mercados financeiros funcionam pior.

Informações ficam menos confiáveis.

Empresas precisam priorizar sobrevivência em vez de produtividade.

O empresário pode saber que determinada atividade seria economicamente mais eficiente.

Mas não consegue executá-la.

A diferença entre eficiência privada e eficiência agregada aumenta.

O caso ucraniano é particularmente informativo

Amann, Gorodnichenko e Talavera utilizam dados em nível de firma para observar o que aconteceu durante a invasão em larga escala iniciada em 2022.

A estratégia empírica explora heterogeneidade espacial na intensidade da guerra.

Também compara a experiência de 2022 com episódios anteriores, incluindo a agressão russa de 2014 e a crise financeira global de 2008.

Essa comparação ajuda a separar o efeito específico do conflito de flutuações macroeconômicas mais gerais.

O choque não é uniforme

Uma das razões pelas quais dados regionais são importantes é que guerra não afeta todos os lugares igualmente.

Uma empresa localizada perto de uma frente de combate enfrenta problemas completamente diferentes de outra localizada em uma região distante.

A distância altera:

risco físico;
deslocamento de trabalhadores;
acesso a fornecedores;
infraestrutura;
transporte;
crédito;
expectativa sobre continuidade da operação.

Essa heterogeneidade funciona como uma fonte de identificação.

Não é um experimento aleatório.

Mas permite comparar exposições diferentes ao mesmo choque histórico.

A migração também altera a produtividade

Considere um trabalhador altamente qualificado que deixa sua cidade.

A empresa perde capital humano.

Mas a região para a qual ele migra também recebe um trabalhador.

Portanto, existe uma redistribuição espacial.

Em condições normais, essa mobilidade pode ser eficiente.

Durante uma guerra, entretanto, a migração é forçada por circunstâncias que não correspondem necessariamente às oportunidades produtivas.

O trabalhador pode acabar longe da empresa que mais precisa de suas competências.

Surge então uma fricção de matching.

Capital e trabalho existem.

Mas não estão juntos.

O mesmo acontece com empresas

Uma cadeia produtiva é uma rede.

Se uma empresa desaparece, seus fornecedores e clientes também são afetados.

Uma fábrica pode sobreviver fisicamente e ainda assim perder acesso aos insumos necessários.

Outro fornecedor pode existir, mas em uma região distante.

O custo de transporte aumenta.

O tempo de entrega aumenta.

O estoque necessário aumenta.

A produtividade efetiva diminui.

É por isso que destruir uma empresa pode produzir efeitos maiores do que a produção daquela empresa.

Ela pode funcionar como um nó de uma rede produtiva.

A guerra produz uma espécie de “descasamento” econômico

A economia normalmente resolve milhões de problemas de coordenação sem que alguém centralmente determine todas as combinações.

Empresas encontram fornecedores.

Trabalhadores encontram empregos.

Capital encontra projetos.

Consumidores encontram produtos.

Uma guerra interfere nesses mecanismos simultaneamente.

O problema econômico passa a ser menos “não existem recursos” e mais:

os recursos existentes não conseguem chegar aos lugares onde são mais produtivos.

Essa é uma perda econômica muito profunda.

A política de reconstrução precisa pensar além do capital físico

Existe uma consequência importante.

Quando termina uma guerra, reconstruir prédios e estradas é fundamental.

Mas isso pode não ser suficiente.

Também é necessário reconstruir:

redes de fornecedores, instituições financeiras, mercados de trabalho, mecanismos de mobilidade e capacidade empresarial.

Se essas conexões permanecerem quebradas, uma economia pode possuir infraestrutura física e ainda funcionar abaixo do seu potencial.

Isso vale também para desastres e grandes crises

A contribuição do estudo não se limita a guerras.

Desastres naturais, pandemias, crises financeiras e choques climáticos também podem desorganizar a alocação.

Uma empresa pode sobreviver, mas perder fornecedores.

Um trabalhador pode manter suas habilidades, mas perder o emprego.

Um banco pode continuar solvente, mas reduzir crédito.

O sistema continua funcionando.

Só que pior.

Existe uma lição importante para políticas públicas

Em uma crise, governos frequentemente concentram esforços em preservar ativos.

É compreensível.

Mas preservar capital não significa necessariamente preservar capacidade produtiva.

Às vezes o recurso mais importante é a capacidade de reorganização.

Permitir que empresas mudem rapidamente de fornecedores.

Facilitar mobilidade de trabalhadores.

Restabelecer crédito.

Reabrir corredores logísticos.

Reduzir barreiras burocráticas.

Garantir segurança jurídica.

Tudo isso pode aumentar a velocidade da recuperação sem exigir que o Estado substitua completamente o setor privado.

A reconstrução é uma questão de alocação

Essa talvez seja a maior lição econômica.

Reconstruir uma economia não significa simplesmente retornar ao estoque de capital que existia antes.

É necessário reconstruir o mecanismo que transforma capital, trabalho e conhecimento em produção.

A guerra destrói recursos.

Mas também pode destruir as conexões que permitiam que esses recursos fossem utilizados eficientemente.

Por isso o custo econômico de um conflito é maior do que a soma das fábricas destruídas, das estradas danificadas e das horas de trabalho perdidas.

Existe uma perda invisível.

A economia passa a funcionar pior com os recursos que ainda possui.

Fontes: Marvin Amann, Yuriy Gorodnichenko e Oleksandr Talavera, The Allocative Cost of War: A View to a Kill…ing of Productivity, NBER Working Paper 35704, setembro de 2026.

Quando investidores estrangeiros colocam dinheiro em um país, duas interpretações são possíveis.

Na primeira, o capital simplesmente acompanha uma economia que já está crescendo.

Na segunda, ele próprio ajuda a produzir crescimento.

A diferença parece semântica, mas é uma das questões mais difíceis da macroeconomia internacional.

Se o PIB cresce depois da entrada de capital estrangeiro, não podemos concluir imediatamente que o capital causou o crescimento. Investidores são agentes prospectivos. Eles colocam dinheiro onde acreditam que haverá crescimento.

Isso cria um problema clássico de causalidade.

Um novo trabalho de Jongrim Ha, Dohan Kim, Ayhan Kose e Francis Warnock, publicado pelo NBER em setembro de 2026, apresenta uma estratégia interessante para enfrentá-lo. Os autores constroem uma medida de choques inesperados de entrada de capital, retirando dos fluxos observados aquilo que já era explicado pelas expectativas dos investidores profissionais.

O resultado é relevante para países emergentes como o Brasil.

Porque, segundo as estimativas dos autores, entradas de capital têm efeitos expansionistas relevantes sobre a atividade econômica, especialmente por meio do consumo, do investimento e de condições de financiamento mais favoráveis.

O problema de olhar apenas para correlação

Suponha que encontremos:

$$ Capital_t \uparrow $$

e, depois:

$$ PIB_t \uparrow $$

Parece tentador concluir que a entrada de capital provocou o crescimento.

Mas existe uma terceira variável:

$$ Expectativas_t $$

Se investidores acreditam que a economia vai crescer, podem aumentar simultaneamente seus investimentos.

Nesse caso:

$$ Expectativas \rightarrow Capital $$

e

$$ Expectativas \rightarrow PIB $$

O capital e o PIB aparecem juntos, mas parte da associação entre os dois pode ser consequência de um terceiro fator.

Esse é o problema da endogeneidade.

O capital internacional olha para frente

Essa dificuldade é particularmente importante porque fluxos financeiros não são aleatórios.

Um fundo estrangeiro não compra ativos brasileiros porque decidiu jogar uma moeda.

Ele analisa crescimento esperado, inflação, juros, câmbio, risco fiscal, preços de commodities, condições financeiras internacionais e perspectivas empresariais.

Isso cria uma situação curiosa.

Se o investimento estrangeiro aumenta justamente quando os investidores esperam crescimento, uma regressão simples pode superestimar o efeito causal do capital sobre o PIB.

O pesquisador precisa descobrir quanto do fluxo era realmente inesperado.

A inovação está em separar previsão de surpresa

Ha e coautores utilizam expectativas de profissionais para construir uma medida do componente inesperado dos fluxos de capital.

Em termos intuitivos:

$$ Fluxo observado = Fluxo esperado + Choque inesperado $$

O segundo componente é muito mais interessante para identificar causalidade.

Se investidores esperavam uma entrada de US$ 10 bilhões e ela efetivamente foi de US$ 10 bilhões, quase não existe surpresa.

Se esperavam US$ 10 bilhões e entram US$ 20 bilhões, existe um choque positivo de US$ 10 bilhões.

Essa diferença é crucial.

O efeito aparece na economia real

Utilizando dados de 27 economias emergentes, os autores encontram que choques positivos nos fluxos de capital têm efeitos expansionistas sobre o produto.

O mecanismo passa principalmente por três canais:

consumo, porque condições financeiras melhores facilitam o gasto privado;

investimento, porque empresas encontram financiamento em condições mais favoráveis;

condições financeiras domésticas, que podem melhorar com a disponibilidade de recursos.

Isso significa que o capital internacional não é apenas uma variável financeira.

Ele pode alterar a economia real.

Nem todo capital produz o mesmo efeito

Um dos resultados mais interessantes é a diferença entre tipos de fluxo.

Os autores encontram efeitos maiores e mais persistentes para fluxos de participação acionária, enquanto reversões de fluxos têm consequências particularmente fortes.

Isso é intuitivo quando pensamos na natureza do financiamento.

Uma entrada de capital acionário pode financiar expansão empresarial sem criar uma obrigação de pagamento com estrutura semelhante à de uma dívida.

Já uma reversão abrupta pode apertar as condições financeiras rapidamente.

O problema não é apenas quanto capital entra.

É que tipo de capital entra, por quanto tempo e em que circunstâncias.

O perigo está na reversão

Existe uma assimetria importante.

Imagine uma economia que recebe US$ 10 bilhões adicionais.

A expansão pode ser gradual.

Mas, se uma mudança brusca nas expectativas provocar uma saída de US$ 10 bilhões, os efeitos podem ser mais rápidos.

É justamente isso que torna fluxos de capital uma questão de estabilidade macrofinanceira.

A economia pode passar de:

$$ Entrada \rightarrow crédito \rightarrow investimento $$

para:

$$ Saída \rightarrow aperto financeiro \rightarrow queda do investimento $$

em um intervalo relativamente curto.

Isso ajuda a entender crises emergentes

Muitas crises financeiras internacionais possuem uma característica comum.

Não começam necessariamente porque todos os fundamentos domésticos pioraram simultaneamente.

Podem começar com uma mudança nas condições financeiras internacionais.

Juros americanos.

Prêmio de risco.

Mudança na percepção sobre uma commodity.

Problemas geopolíticos.

Avanço de uma crise em outro país.

Um choque externo altera as expectativas.

Os fluxos de capital respondem.

E a economia doméstica sente o efeito.

Isso produz uma espécie de amplificador financeiro.

O Brasil é particularmente sensível a esse mecanismo

O Brasil possui um mercado financeiro relativamente grande e integrado aos mercados internacionais.

Isso é uma vantagem.

Permite que empresas e investidores tenham acesso a uma base ampla de capital.

Mas também cria exposição.

Quando as condições internacionais são favoráveis, o capital pode financiar investimento e reduzir restrições financeiras.

Quando o ambiente global muda rapidamente, o mesmo canal pode trabalhar na direção contrária.

Essa é uma das razões pelas quais o Banco Central acompanha tão atentamente câmbio, prêmio de risco e condições financeiras internacionais.

O resultado não significa que capital estrangeiro seja sempre bom

Seria uma interpretação equivocada.

A pesquisa não diz que qualquer entrada de capital produz crescimento sustentável.

O efeito depende do contexto econômico.

Capital pode financiar investimento produtivo.

Também pode alimentar valorização excessiva de ativos.

Pode financiar expansão de empresas.

Também pode aumentar alavancagem.

Pode melhorar liquidez.

Também pode tornar o sistema mais vulnerável a uma reversão.

A questão econômica relevante é a qualidade da intermediação.

A grande contribuição é metodológica

Talvez a parte mais interessante do trabalho não seja sequer o número final.

É a maneira de pensar.

Em macroeconomia internacional, observar:

$$ X \rightarrow Y $$

raramente basta.

Precisamos perguntar:

por que X mudou?

Se X mudou porque os agentes já esperavam Y, a relação observada pode não representar um efeito causal.

Esse princípio vale para capital estrangeiro, crédito, investimento, consumo e praticamente qualquer variável macroeconômica.

O investidor deveria prestar atenção nisso

Para quem acompanha mercados, a conclusão é simples, mas importante.

Não basta observar se o dinheiro estrangeiro está entrando ou saindo.

É preciso perguntar por quê.

Entrada associada a melhora estrutural de produtividade é uma coisa.

Entrada causada por uma busca temporária por rendimento em um ambiente global de juros baixos é outra.

E uma saída provocada por uma mudança abrupta nas expectativas internacionais pode ter efeitos muito maiores do que o fluxo original sugeriria.

O fluxo financeiro é o dado visível.

As expectativas que estão por trás dele são a variável econômica que realmente importa.

Fontes: Jongrim Ha, Dohan Kim, M. Ayhan Kose e Francis E. Warnock, Expectations-based Capital Inflow Shocks, NBER Working Paper 35716, setembro de 2026.

Uma tecnologia pode tornar nossas decisões melhores hoje e, ao mesmo tempo, tornar nossa sociedade menos capaz de tomar boas decisões amanhã.

Parece contraditório.

Mas é exatamente essa possibilidade que Daron Acemoglu, Dingwen Kong e Asuman Ozdaglar exploram em um working paper do NBER publicado em 2026.

O título é provocativo: “AI, Human Cognition and Knowledge Collapse”.

O argumento não é que a inteligência artificial necessariamente produzirá um colapso do conhecimento. É mais interessante do que isso.

Os autores mostram, em um modelo teórico, que sistemas de IA capazes de oferecer recomendações personalizadas podem reduzir o incentivo das pessoas para adquirir conhecimento por conta própria. Se esse processo for suficientemente intenso, a sociedade pode entrar em uma dinâmica na qual as decisões individuais continuam parecendo boas enquanto o estoque coletivo de conhecimento se deteriora.

É uma espécie de paradoxo do progresso.

Saber menos pode parecer racional

Imagine um médico jovem que precisa tomar uma decisão difícil.

No passado, ele precisava estudar profundamente para desenvolver repertório suficiente para reconhecer padrões, formular hipóteses e decidir entre alternativas.

Agora ele pode consultar um sistema de IA extremamente competente.

A decisão individual pode melhorar.

Isso é ótimo.

Mas existe uma segunda consequência.

Se o sistema fizer isso repetidamente, o médico pode ter menos incentivo para desenvolver determinadas capacidades cognitivas.

No curto prazo:

IA → melhor recomendação → melhor decisão.

No longo prazo, pode surgir:

IA → menor esforço de aprendizagem → menor acumulação de conhecimento → menor capacidade humana independente.

O resultado final não é necessariamente melhor ou pior.

Depende da dinâmica.

Conhecimento individual e conhecimento coletivo

O modelo de Acemoglu, Kong e Ozdaglar parte de uma ideia econômica particularmente interessante.

As pessoas precisam combinar dois tipos de conhecimento.

O primeiro é o conhecimento específico do contexto.

É aquilo que uma pessoa sabe sobre sua situação particular.

O segundo é o conhecimento geral compartilhado pela sociedade.

Uma sociedade funciona porque essas duas coisas se complementam.

Um engenheiro conhece as características específicas do projeto em que trabalha, mas também depende de um estoque coletivo de conhecimento sobre engenharia.

Um médico conhece seu paciente, mas depende do conhecimento acumulado pela medicina.

Um economista conhece determinado mercado, mas utiliza conceitos e evidências construídos por milhares de pesquisadores.

O conhecimento individual não existe isoladamente.

Existe uma externalidade no aprendizado

Aqui aparece um conceito econômico clássico.

Quando uma pessoa aprende, ela não necessariamente gera valor apenas para si.

Ela também pode contribuir para o estoque de conhecimento disponível para outras pessoas.

Isso é uma externalidade positiva.

Um pesquisador que descobre um novo método estatístico não beneficia apenas sua própria carreira.

Outros pesquisadores podem utilizar aquele método.

Um funcionário que aprende a resolver determinado problema pode ensinar sua equipe.

Um professor que desenvolve uma explicação melhor pode influenciar centenas de alunos.

Existe, portanto, um mecanismo coletivo de acumulação.

O problema é que a IA pode alterar os incentivos individuais que alimentam esse processo.

A IA pode substituir justamente o esforço que produz conhecimento

Imagine que uma tarefa exija 100 unidades de esforço humano.

Esse esforço produz duas coisas.

Primeiro, uma solução para o problema imediato.

Segundo, uma pequena quantidade de conhecimento novo que a pessoa incorpora e que pode ser compartilhado posteriormente.

Se uma IA resolve o problema diretamente, o primeiro benefício permanece.

O segundo pode desaparecer.

Essa diferença é crucial.

A tecnologia pode ser excelente em substituir esforço e, justamente por isso, reduzir a quantidade de aprendizado produzido pela sociedade.

É um problema parecido com aquilo que os economistas chamam de externalidade de conhecimento.

A decisão racional do indivíduo pode não coincidir com o que maximiza o conhecimento coletivo.

O paradoxo fica mais forte quando a IA é muito boa

Esse é um dos aspectos mais interessantes do modelo.

Uma IA ruim não cria um problema muito grande.

Se suas recomendações são ruins, as pessoas continuam precisando aprender.

Mas, à medida que a IA melhora, o incentivo para aprender pode diminuir.

Existe então um ponto crítico.

Se a recomendação automática se torna suficientemente precisa e o esforço humano é suficientemente substituível, a economia pode caminhar para um estado em que as pessoas dependem cada vez mais da máquina enquanto produzem cada vez menos conhecimento independente.

O sistema pode continuar funcionando por algum tempo.

Até porque a IA ainda está utilizando o estoque de conhecimento acumulado no passado.

Mas esse estoque não é infinito.

É por isso que o problema não é simplesmente “IA boa” ou “IA ruim”

Essa conclusão é mais sofisticada do que boa parte do debate público sobre inteligência artificial.

Normalmente discutimos:

“Quanto mais inteligente a IA, melhor?”

O modelo sugere que a resposta pode ser não necessariamente.

Se a IA melhorar a capacidade das pessoas sem destruir os incentivos para aprender, o resultado pode ser extremamente positivo.

Mas se ela substituir justamente os processos que produzem conhecimento novo, existe uma tensão.

A qualidade da recomendação de hoje pode aumentar.

A capacidade coletiva de produzir conhecimento amanhã pode cair.

Os autores encontram, inclusive, uma relação não monotônica entre precisão da IA e bem-estar.

Ou seja, mais precisão não significa automaticamente mais bem-estar em todos os cenários.

A solução pode estar no desenho das instituições

Isso leva a uma conclusão importante para empresas, universidades e governos.

O objetivo não deveria ser simplesmente maximizar o uso de IA.

Deveria ser maximizar o valor da combinação entre IA + capacidade humana.

Uma empresa que utiliza IA para responder automaticamente a todas as perguntas dos funcionários pode ganhar eficiência no curto prazo.

Mas talvez esteja destruindo a aprendizagem organizacional.

Uma universidade que permite que uma IA produza respostas completas pode economizar tempo.

Mas talvez esteja reduzindo o processo cognitivo que deveria formar o estudante.

Uma organização pública que automatiza completamente decisões administrativas pode reduzir custos.

Mas pode também perder conhecimento institucional acumulado pelos servidores.

A pergunta correta passa a ser:

Quais tarefas devemos automatizar e quais devemos preservar justamente porque executá-las nos ensina alguma coisa?

Essa talvez seja uma das perguntas econômicas mais importantes da era da IA.

O verdadeiro ativo pode ser aquilo que a máquina não deveria substituir

Existe uma diferença entre fazer uma tarefa e aprender a fazer uma tarefa.

A primeira pode ser automatizada.

A segunda tem valor de longo prazo.

Essa distinção é particularmente importante para profissionais em início de carreira.

Se um jovem economista entrega todas as análises para uma IA, pode produzir relatórios melhores hoje.

Mas isso não significa que estará se tornando um economista melhor.

Se, ao contrário, utiliza a IA para testar hipóteses, comparar métodos, encontrar inconsistências e acelerar tarefas mecânicas, pode aprender mais rapidamente.

A diferença está no desenho do processo.

A tecnologia não determina sozinha o resultado.

Os incentivos determinam parte dele.

O futuro do trabalho pode depender dessa distinção

A questão mais profunda não é se a IA substituirá trabalhadores.

É o que acontecerá com as capacidades humanas que deixam de ser exercitadas porque foram substituídas.

Algumas habilidades podem realmente se tornar menos necessárias.

Outras podem se tornar ainda mais valiosas.

E algumas podem desaparecer silenciosamente porque ninguém percebe que eram importantes até que deixem de ser praticadas.

Esse é o risco que o conceito de “knowledge collapse” ajuda a enxergar.

Uma sociedade pode se tornar extraordinariamente boa em obter respostas e, simultaneamente, perder parte da capacidade de formular perguntas.

Essa seria uma das formas mais sutis de fracasso tecnológico.

Fontes: Acemoglu, Kong e Ozdaglar, NBER Working Paper 34910, AI, Human Cognition and Knowledge Collapse.
Acemoglu, Autor e Johnson, NBER Working Paper 34854, Building Pro-Worker Artificial Intelligence.

Há uma revolução acontecendo na economia que pode passar despercebida por quem acompanha apenas os números de PIB, inflação e desemprego.

Ela não está necessariamente nas variáveis que os economistas estudam. Está na maneira como essas variáveis são construídas.

Durante décadas, um dos grandes obstáculos da pesquisa econômica foi transformar fenômenos importantes, mas difíceis de observar, em dados que pudessem ser analisados estatisticamente. Confiança, discurso político, qualidade institucional, conteúdo de jornais, comportamento empresarial, características de contratos e até aspectos subjetivos de decisões humanas eram frequentemente reduzidos a indicadores rudimentares.

A inteligência artificial começa a alterar esse problema.

Um novo working paper de Melissa Dell, de Harvard, e Ashesh Rambachan, do MIT, publicado pelo NBER em setembro de 2026, chama atenção justamente para essa mudança. O trabalho argumenta que a IA está tornando possível transformar grandes volumes de texto, imagens e outras informações não estruturadas em variáveis quantitativas a um custo muito menor.

O ponto mais interessante, porém, não é que a IA consegue “ler documentos”.

É que ela pode mudar aquilo que um economista consegue medir.

O problema invisível por trás de quase toda regressão

Imagine que um pesquisador queira responder a uma pergunta aparentemente simples:

Empresas que adotam uma determinada prática de gestão se tornam mais produtivas?

O problema começa antes da regressão.

Como medir “boa gestão”?

Tradicionalmente, o pesquisador precisa encontrar uma variável observável que funcione como aproximação desse conceito. Pode utilizar respostas de questionários, certificações, indicadores contábeis ou classificações feitas por especialistas.

O conceito econômico é chamado de construct, enquanto a variável utilizada para representá-lo empiricamente é uma medida ou proxy.

Essa distinção é fundamental.

Uma regressão pode ser matematicamente impecável e ainda assim responder à pergunta errada se a variável utilizada não representar adequadamente o fenômeno que o pesquisador pretendia medir.

É aqui que a IA começa a alterar a fronteira da pesquisa.

Um modelo pode analisar milhares ou milhões de documentos e classificar sistematicamente características que antes exigiriam leitura humana.

O pesquisador passa a conseguir construir variáveis em escala.

Mas surge um problema novo.

Se antes o pesquisador sofria com a escassez de medidas, agora pode sofrer com o excesso delas.

O novo problema é escolher o que medir

Dell e Rambachan chamam atenção para uma transformação importante.

A IA pode tornar relativamente barato construir diferentes medidas para o mesmo fenômeno. O gargalo deixa de ser simplesmente encontrar uma proxy escalável e passa a ser determinar qual proxy realmente representa o conceito de interesse.

Imagine, por exemplo, que queremos medir a qualidade de uma empresa.

Um algoritmo pode classificar:

linguagem utilizada nos relatórios;
quantidade de processos trabalhistas;
qualidade percebida da gestão;
investimento em treinamento;
estrutura organizacional;
práticas de governança;
tom das comunicações aos investidores.

Todas essas variáveis podem apresentar correlação com produtividade.

Mas isso não significa que todas estejam medindo “qualidade da gestão”.

A facilidade de gerar uma variável não transforma essa variável em uma boa variável.

Essa é uma diferença que tende a separar pesquisas realmente inovadoras de análises apenas sofisticadas.

A IA não elimina o problema da identificação

Existe uma tentação compreensível no entusiasmo atual com IA.

Se conseguimos transformar praticamente qualquer texto em dados, poderíamos imaginar que a economia finalmente estaria entrando em uma era de mensuração perfeita.

Não está.

A IA resolve alguns problemas de mensuração, mas não elimina os problemas de inferência causal.

Uma variável construída por inteligência artificial ainda pode estar errada.

E, mais importante, mesmo uma variável perfeitamente medida não resolve automaticamente o problema de causalidade.

Considere:

$$ Y_i = \beta X_i + \varepsilon_i $$

O fato de conseguirmos medir \(X\) com muito mais precisão não significa que \(\beta\) seja causal.

Ainda podemos ter:

$$ Cov(X,\varepsilon) \neq 0 $$

Ou seja, o problema de endogeneidade continua existindo.

A IA pode melhorar a mensuração de \(X\).

Ela não transforma automaticamente correlação em causalidade.

A validação passa a ser parte central do trabalho

Esse talvez seja o ponto metodológico mais importante do novo cenário.

Dell e Rambachan defendem que inferências confiáveis utilizando variáveis geradas por IA exigem validação cuidadosamente desenhada.

Suponha que um modelo classifique 10 milhões de documentos.

O pesquisador não precisa necessariamente validar manualmente os 10 milhões.

Pode selecionar uma amostra de documentos e comparar a classificação da IA com uma referência confiável construída por especialistas.

Essa amostra de validação passa a desempenhar papel semelhante ao de um instrumento de controle da qualidade da mensuração.

É uma mudança conceitual importante.

O economista não está simplesmente usando IA para “automatizar a pesquisa”.

Ele está construindo um pipeline de mensuração.

Primeiro define o conceito.

Depois estabelece como observá-lo.

Em seguida valida a medida.

Só então utiliza a variável na análise estatística.

Isso muda o trabalho do economista

A consequência profissional é maior do que parece.

O economista do futuro provavelmente precisará dominar simultaneamente três camadas:

teoria econômica, para saber o que realmente deseja medir;

ciência de dados, para construir medidas em escala;

econometria, para entender as consequências estatísticas e causais dos erros de mensuração.

Essa integração é particularmente importante para pesquisas com microdados.

Imagine estudos de avaliação de políticas públicas utilizando:

discursos parlamentares;
documentos administrativos;
decisões judiciais;
contratos públicos;
relatórios empresariais;
notícias;
imagens de satélite;
registros textuais.

Durante muito tempo, boa parte dessas informações ficou fora das bases econométricas porque era cara demais para transformar em dados estruturados.

A IA reduz esse custo.

Isso pode ampliar radicalmente o conjunto de perguntas empiricamente investigáveis.

Mas existe uma armadilha estatística

Quanto mais fácil se torna produzir variáveis, maior também se torna o espaço de escolhas do pesquisador.

E isso pode criar um problema familiar aos econometristas.

Se existem cem maneiras plausíveis de medir um fenômeno, alguém pode encontrar uma especificação que produza um resultado estatisticamente significativo quase por acidente.

A tecnologia que aumenta a capacidade de medição também aumenta a necessidade de disciplina metodológica.

Pré-registro, validação independente, transparência de código, documentação das decisões de classificação e testes de robustez podem se tornar ainda mais importantes.

A IA pode reduzir o custo de produzir dados.

Ela não reduz necessariamente o custo de produzir evidência confiável.

O próximo salto da economia pode ser uma revolução de mensuração

Existe uma ironia interessante nisso tudo.

A discussão pública sobre IA na economia costuma concentrar-se em produtividade, emprego e crescimento.

Mas talvez uma das transformações mais profundas aconteça antes.

Naquilo que conseguimos observar.

Economistas sempre foram limitados pela qualidade das variáveis disponíveis. Quando uma tecnologia permite observar fenômenos antes praticamente inacessíveis, ela pode ampliar a própria fronteira das perguntas que a ciência consegue responder.

Esse é o verdadeiro potencial da IA para a econometria.

Não substituir o economista.

Permitir que ele transforme partes do mundo que antes eram invisíveis em objetos de análise.

E, justamente por isso, exigir mais rigor, não menos.

Fontes: NBER Working Paper 35744, Melissa Dell e Ashesh Rambachan, The Measurement Revolution? Credible Measurement and Inference in the Age of AI.
NBER Methods Lecture 2026, Estimation and Inference with AI-Generated Data.
Ludwig, Mullainathan e Rambachan, Large Language Models: An Applied Econometric Framework.

Há uma discussão cada vez mais difícil de ignorar dentro da indústria de inteligência artificial.

Quão rápido a tecnologia deveria avançar?

Nesta semana, a divergência ganhou um símbolo particularmente claro.

Dario Amodei, CEO da Anthropic, voltou a defender maior cautela no desenvolvimento de IA, incluindo avaliações independentes dos sistemas e maior coordenação internacional de segurança.

Jensen Huang, CEO da Nvidia, defendeu exatamente o contrário: a indústria deveria continuar avançando rapidamente.

Sam Altman, da OpenAI, ficou em uma posição intermediária, defendendo maior rigor em segurança e segurança cibernética, mas criticando a maneira como o debate sobre desaceleração vem sendo formulado.

À primeira vista, parece apenas uma disputa entre executivos.

Economicamente, é algo mais interessante.

Existe um problema de incentivos

Imagine duas empresas desenvolvendo uma tecnologia potencialmente muito lucrativa.

Cada uma sabe que acelerar o desenvolvimento pode gerar enormes ganhos.

Mas cada uma também sabe que determinados riscos podem afetar toda a sociedade.

Isso cria uma estrutura clássica de externalidade.

A empresa captura boa parte do benefício de lançar uma tecnologia bem-sucedida.

Mas parte do custo de um acidente pode ser distribuída para consumidores, empresas, governos e para a sociedade inteira.

O incentivo privado e o interesse social podem, portanto, não coincidir.

É um problema econômico conhecido.

A dificuldade é que, no caso da IA, ainda estamos tentando descobrir o tamanho dessas externalidades.

O debate não é apenas sobre segurança existencial

A discussão pública frequentemente salta diretamente para cenários extremos.

Mas existe uma camada muito mais concreta.

Sistemas de IA estão sendo incorporados a:

software empresarial;
programação;
atendimento;
análise financeira;
pesquisa científica;
educação;
medicina;
operações administrativas;
segurança cibernética.

Um sistema mais autônomo pode aumentar produtividade.

Mas também pode aumentar a escala de um erro.

Um agente que recebe autorização para executar dez etapas de um processo pode produzir muito mais valor do que um chatbot que apenas responde perguntas.

Também pode causar um problema muito maior se interpretar incorretamente uma instrução.

A escala da capacidade e a escala do risco crescem juntas.

A produtividade é real, mas a pergunta é onde ela aparece

Uma das grandes questões econômicas da IA continua sendo a distância entre capacidade tecnológica e produtividade agregada.

Um modelo pode executar determinada tarefa extraordinariamente bem.

Isso não significa automaticamente que uma empresa inteira se torne proporcionalmente mais produtiva.

Existe uma literatura crescente mostrando que os ganhos dependem da reorganização dos processos, investimentos complementares, treinamento e capacidade das organizações de incorporar a tecnologia.

Um trabalho recente do NBER, por exemplo, mostra que a adoção de IA no trabalho já é disseminada, mas ainda relativamente superficial em muitas ocupações. O estudo utiliza uma pesquisa nacionalmente representativa dos Estados Unidos e constrói índices de adoção por tarefas e ocupações.

Isso é importante.

O problema econômico não é simplesmente:

“A IA é capaz de fazer isso?”

É:

“As empresas conseguem reorganizar o trabalho para capturar esse ganho?”

O debate pode ser entendido como um problema de opção

Existe uma ideia financeira interessante para pensar sobre isso.

Quando uma tecnologia é extremamente incerta, esperar algumas informações adicionais pode ter valor.

É semelhante ao valor de uma opção.

Se o custo de esperar for pequeno, pode ser racional testar, avaliar e só depois escalar.

Mas se esperar significar perder uma oportunidade tecnológica irreversível, acelerar também pode fazer sentido.

Por isso não existe uma resposta universal para “acelerar” ou “desacelerar”.

A questão econômica correta é:

qual é o custo marginal de acelerar e qual é o valor marginal de aprender antes de acelerar ainda mais?

O argumento de Amodei

Amodei defende, entre outras medidas, avaliações independentes dos sistemas e maior coordenação internacional em segurança.

Sua analogia é simples.

Se uma montadora descobre uma falha grave nos freios, as demais montadoras não deveriam simplesmente comemorar porque o problema ocorreu com um concorrente. Elas deveriam verificar os próprios veículos.

Aplicado à IA, o argumento é que uma falha grave em uma empresa deveria produzir aprendizado para todo o setor.

Isso transforma segurança em uma espécie de bem coletivo.

Uma empresa pode investir pouco em segurança porque outras empresas também investem.

O resultado pode ser um nível de investimento inferior ao socialmente desejável.

O argumento de Huang

Jensen Huang enxerga o problema de outra maneira.

Para ele, desacelerar o desenvolvimento pode significar abrir espaço para concorrentes e reduzir os benefícios econômicos que a tecnologia pode produzir.

Sua visão parte de uma premissa competitiva:

se um país ou empresa desacelera enquanto outros continuam avançando, pode perder posição tecnológica.

Aqui aparece outro problema econômico clássico.

Coordenação internacional é difícil quando os participantes têm incentivos para desviar da cooperação.

Mesmo que todos concordem que determinado ritmo seria mais seguro, cada participante pode desejar ser o primeiro a alcançar a próxima geração de tecnologia.

É uma estrutura que lembra um jogo estratégico.

O dilema é parecido com uma corrida

Imagine duas empresas.

Se ambas aceleram, os riscos aumentam.

Se ambas desaceleram, o risco diminui.

Mas, individualmente, cada empresa pode pensar:

“Se eu desacelerar e meu concorrente continuar, perderei mercado.”

O equilíbrio privado pode então produzir uma velocidade maior do que aquela que seria socialmente desejável.

Esse raciocínio ajuda a entender por que simplesmente pedir “responsabilidade” às empresas pode ser insuficiente.

Instituições importam.

O próximo estágio será menos sobre modelos e mais sobre sistemas

Existe ainda uma mudança tecnológica importante.

A discussão está saindo dos modelos que simplesmente respondem perguntas e avançando para agentes capazes de executar sequências de ações.

Essa mudança aumenta a importância de:

permissões;
auditoria;
rastreabilidade;
limites de autonomia;
avaliação independente;
segurança cibernética;
supervisão humana.

A questão deixa de ser apenas “o modelo respondeu corretamente?”

Passa a ser:

“O sistema executou corretamente todo o processo?”

Essa diferença será decisiva para empresas.

O que isso significa para quem trabalha com IA

Para uma empresa, a discussão deveria ser menos ideológica.

Nem “automatize tudo”.

Nem “não confie em IA”.

A pergunta mais útil é:

onde o ganho de produtividade supera o risco operacional?

Uma tarefa reversível, de baixo impacto e facilmente auditável pode receber alto grau de automação.

Uma decisão irreversível, regulada ou financeiramente sensível exige uma arquitetura muito diferente.

Isso é gestão de risco.

E é provavelmente uma das competências mais importantes da próxima fase da adoção de IA.

A verdadeira disputa pode ser sobre quem aprende mais rápido

Existe uma última ironia.

A corrida de IA não é apenas uma corrida para construir modelos melhores.

É também uma corrida para descobrir como usar esses modelos sem destruir os mecanismos humanos de controle, aprendizagem e responsabilização.

A empresa que conseguir fazer isso pode ter uma vantagem econômica maior do que aquela que simplesmente lançar o modelo mais poderoso.

Porque tecnologia não é apenas capacidade.

É capacidade incorporada a instituições.

E instituições ruins conseguem transformar uma tecnologia extraordinária em uma fonte extraordinária de desperdício.

Fontes: The Guardian, cobertura das declarações de Dario Amodei, Jensen Huang e Sam Altman em 15 de setembro de 2026.
NBER Working Paper 35677, Bick, Blandin, Deming e Schumacher, What Work Does Generative AI Do?
NBER Working Paper 34712, Joshua Gans, Artificial Jagged Intelligence: When AI Benchmarks Misstate Deployment Value.

Existe uma ideia muito difundida no debate econômico:
“se a inflação está alta, basta aumentar os juros.”
Na teoria, é simples.
Na prática, existe uma condição importante:
o governo precisa possuir uma política fiscal compatível com a política monetária.
Quando isso deixa de acontecer, surge um fenômeno conhecido como dominância fiscal.
É um dos conceitos mais importantes — e mais mal utilizados — da macroeconomia.
Primeiro: dívida alta não é automaticamente dominância fiscal
Um país pode possuir dívida pública elevada e ainda assim ter uma política monetária plenamente funcional.
Dominância fiscal é algo mais específico.
O problema aparece quando a trajetória fiscal influencia de tal maneira os juros, o prêmio de risco e as expectativas que a política monetária perde parte da capacidade de estabilizar a inflação.
Imagine uma dívida crescente
O governo possui dívida.
Precisa pagar juros.
Se a taxa de juros sobe, o custo de carregamento aumenta.
Se a dívida é elevada, esse efeito pode ser grande.
Agora imagine que o Banco Central precise aumentar juros para combater inflação.
A dívida pública fica mais cara.
Surge um dilema
O Banco Central pensa:
“preciso aumentar juros para reduzir a inflação.”
O mercado pensa:
“juros maiores pioram a trajetória fiscal.”
O prêmio de risco sobe.
A moeda pode se depreciar.
As expectativas de inflação aumentam.
O efeito desinflacionário dos juros fica menor.
É esse mecanismo que torna a dominância fiscal perigosa
A política monetária continua podendo aumentar a Selic.
Mas parte do efeito esperado pode ser neutralizado por uma piora nas expectativas fiscais.
Em casos extremos, a autoridade monetária pode enfrentar uma situação em que aumentar juros hoje produz efeitos fiscais que dificultam a estabilização amanhã.
O câmbio é uma peça importante
Imagine que investidores passem a acreditar que a dívida pública é insustentável.
Podem exigir prêmio maior para financiar o governo.
Ou reduzir exposição a ativos domésticos.
A moeda se desvaloriza.
Produtos importados ficam mais caros.
A inflação aumenta.
O Banco Central precisa reagir.
E isso pode gerar um círculo difícil
Uma representação simplificada seria:
deterioração fiscal
→ prêmio de risco ↑
→ câmbio ↓
→ inflação ↑
→ juros ↑
→ custo da dívida ↑
→ preocupação fiscal ↑.
Esse circuito pode se reforçar.
Mas isso não significa que juros altos sempre pioram as contas públicas
É necessário cuidado.
Se juros maiores reduzirem inflação e estabilizarem expectativas, podem fortalecer a economia no médio prazo.
Além disso, a relação depende de:
prazo da dívida,
indexação,
crescimento nominal do PIB,
composição entre juros fixos e variáveis,
credibilidade fiscal.
Não existe uma regra mecânica.
O crescimento também importa
A dívida pública é normalmente analisada em relação ao PIB.
Se o PIB cresce rapidamente, a mesma dívida pode se tornar relativamente menos pesada.
Se a economia estagna, o denominador cresce pouco.
A relação dívida/PIB pode aumentar mesmo sem uma explosão nominal da dívida.
Por isso existe a chamada dinâmica da dívida
Uma forma simplificada de pensar é:
dívida cresce quando o juro efetivo supera o crescimento nominal e o governo não gera superávit primário suficiente.
Não é uma equação completa, mas mostra a lógica.
E aqui aparece a política fiscal
O resultado primário é a diferença entre receitas e despesas do governo antes do pagamento dos juros.
Se existe déficit primário persistente, o governo precisa financiar essa diferença.
A dívida tende a crescer.
Se o mercado não acredita na estabilização futura, o custo de financiamento pode aumentar.
A credibilidade importa tanto quanto o número
Duas economias podem possuir dívida de tamanho semelhante.
Uma pode pagar juros menores.
Outra, juros maiores.
Por quê?
Porque investidores avaliam:
instituições,
histórico,
regras,
crescimento,
estrutura da dívida,
capacidade política de ajustar gastos e receitas.
É por isso que dominância fiscal não é simplesmente “gastar muito”
Esse uso político do conceito é inadequado.
Dominância fiscal é uma hipótese macroeconômica sobre a interação entre:
política fiscal
e
política monetária.
É possível ter déficit sem dominância fiscal.
E é possível ter problemas de dominância mesmo antes de a dívida atingir um número específico.
O Brasil oferece um laboratório interessante
A Selic está em 14%.
Ao mesmo tempo, a inflação de 12 meses caiu para 4,22% em agosto. Reuters
O mercado espera novo corte para 13,75%.
Mas a trajetória futura dependerá também da percepção sobre:
inflação,
atividade,
câmbio,
petróleo,
contas públicas.
O choque do petróleo torna a questão ainda mais interessante
Se o petróleo permanecer elevado, a inflação pode aumentar.
Se o governo decidir ampliar subsídios para combustíveis, a política fiscal pode ficar mais expansionista.
Se o Banco Central responder mantendo juros elevados, o custo financeiro da dívida pode aumentar.
Temos então uma interação entre:
choque externo + política fiscal + política monetária.
Isso não significa que o Brasil esteja em dominância fiscal
Essa conclusão seria exagerada.
O conceito deve ser usado com rigor.
O ponto é que a interação entre fiscal e monetária precisa ser observada porque pode alterar a eficácia dos juros.
A conclusão
Dominância fiscal não é uma palavra sofisticada para “governo gastou demais”.
É uma hipótese específica:
a situação fiscal se torna tão relevante para expectativas, juros e câmbio que começa a limitar a capacidade da política monetária de estabilizar preços.
A grande questão é institucional.
Política fiscal e política monetária não precisam fazer a mesma coisa.
Mas precisam ser compatíveis.
Um Banco Central pode elevar juros para combater inflação.
Mas, se a política fiscal simultaneamente deteriora as expectativas, parte do esforço monetário pode ser anulada.
É por isso que inflação não pode ser analisada apenas olhando para a Selic.
O preço do dinheiro depende também da confiança na trajetória das contas públicas.

A Selic está em 14% ao ano.
É uma taxa muito alta em termos nominais.
Mas existe uma pergunta melhor:
quanto desse juro representa custo real depois de considerar a inflação?
Essa é a função do conceito de juros reais.
Juros nominais e juros reais são diferentes
O juro nominal é a taxa anunciada.
O juro real tenta medir quanto aumenta efetivamente o poder de compra de quem recebe juros — ou quanto custa em termos reais para quem toma dinheiro emprestado.
De forma aproximada:
juro real ≈ juro nominal − inflação
Mas o cálculo exato utiliza composição:
juro real = (1 + juro nominal) / (1 + inflação) − 1
Vamos usar um exemplo
Imagine:
Selic = 14%
inflação = 5%.
O juro real aproximado seria:
14% − 5% = 9%.
Pelo cálculo exato:
(1,14 / 1,05) − 1 ≈ 8,57%.
Ainda é um juro real muito elevado.
Por que isso importa?
Porque o Banco Central não está interessado apenas no número nominal.
A política monetária precisa considerar o quanto os juros estão restritivos em relação à inflação esperada.
O juro real é uma medida de aperto monetário
Imagine duas economias.
País A:
Selic = 14%
inflação = 12%.
Juro real ≈ 2%.
País B:
Selic = 10%
inflação = 2%.
Juro real ≈ 8%.
Qual possui política monetária mais restritiva?
Provavelmente o País B.
Embora sua taxa nominal seja menor.
É por isso que olhar apenas para a Selic pode enganar
A mesma taxa nominal pode representar graus muito diferentes de aperto dependendo da inflação.
Se a inflação esperada aumenta, o juro real cai.
Se a inflação esperada cai, o juro real aumenta.
Isso ajuda a entender por que expectativas são tão importantes
O Banco Central trabalha com expectativas futuras.
Se agentes acreditam que a inflação será 5%, uma Selic de 14% gera determinado juro real.
Se acreditam que será 3%, a mesma Selic produz juro real maior.
A política monetária fica mais restritiva sem que o Copom altere a Selic.
O Banco Central acompanha esse conceito
O próprio Relatório de Política Monetária do Banco Central utiliza a trajetória da Selic real ex-ante, calculada a partir da Selic futura descontada pelas expectativas de inflação. Banco Central do Brasil
Isso é importante porque mostra que juro real não é apenas uma construção acadêmica.
É uma variável relevante para a política monetária.
Por que “ex-ante”?
Porque estamos olhando para a inflação esperada.
Ainda não sabemos exatamente qual será a inflação futura.
Portanto, utilizamos uma expectativa.
Isso é diferente do juro real ex-post, calculado depois que a inflação efetivamente ocorreu.
O juro real ex-post olha para o passado
Imagine que:
Selic = 14%
inflação efetiva = 5%.
Podemos calcular o retorno real depois do período.
Mas para decidir política monetária hoje, o Banco Central precisa olhar para o futuro.
Por isso, expectativas são essenciais.
Existe ainda o juro real neutro
É outro conceito importante.
O juro real neutro é aproximadamente a taxa que não estimula nem contrai a economia no longo prazo, dadas determinadas condições estruturais.
Não é diretamente observável.
Precisa ser estimado.
Se o juro real estiver acima do neutro…
A política tende a ser contracionista.
Em outras palavras:
o crédito fica mais caro,
o consumo tende a desacelerar,
o investimento pode cair,
a demanda agregada perde força.
Se estiver abaixo…
A política tende a ser mais estimulativa.
O dinheiro fica relativamente barato em termos reais.
A demanda pode crescer.
Mas o mecanismo não é instantâneo
Existe defasagem.
Uma alta da Selic hoje não reduz imediatamente todos os preços.
Primeiro ela afeta:
mercado financeiro,
crédito,
expectativas,
câmbio,
decisões de consumo e investimento.
Depois, esses efeitos chegam à economia real.
Isso explica por que o Banco Central não deve perseguir cada dado mensal
Se o Copom reagisse agressivamente a cada oscilação do IPCA, poderia gerar instabilidade.
A política monetária precisa olhar para a tendência.
O cenário atual é especialmente delicado
O Banco Central projetou em seu Relatório de Política Monetária de junho uma trajetória de Selic ainda elevada, chegando a 13,75% no fim de 2026, enquanto as expectativas de inflação haviam se deteriorado. Banco Central do Brasil
Desde então, o choque internacional do petróleo adicionou uma nova variável.
Petróleo pode elevar a inflação e reduzir o juro real
Pense na seguinte sequência:
petróleo sobe
→ inflação esperada sobe
→ juro real cai
→ política monetária fica menos restritiva.
Para manter o mesmo grau de aperto, o Banco Central poderia precisar manter a Selic mais alta por mais tempo.
Esse é um dos motivos pelos quais choques de oferta complicam a política monetária
Um choque de petróleo pode:
reduzir crescimento
e
aumentar inflação.
Ou seja, produz dois efeitos indesejáveis simultaneamente.
O Banco Central não consegue resolver diretamente a oferta de petróleo.
Pode apenas controlar a parte da inflação que ameaça se tornar persistente.
A conclusão
A pergunta:
“a Selic está em 14%?”
é importante.
Mas a pergunta mais econômica é:
“quanto é o juro real e como ele se compara ao juro neutro?”
É essa diferença que ajuda a entender o grau de aperto monetário.
E existe uma consequência prática:
se a inflação esperada cair, uma mesma Selic se torna mais restritiva.
Se a inflação esperada subir, a mesma Selic se torna menos restritiva.
Por isso, política monetária não é apenas decidir um número.
É administrar a relação entre:
juros nominais, inflação esperada, juros reais, expectativas e atividade econômica.

Fonte primária: Banco Central do Brasil, Relatório de Política Monetária de junho de 2026, incluindo a metodologia de Selic real ex-ante e trajetória projetada. Banco Central do Brasil.

Imagine que um produto custava R$ 100.
Um ano depois, custa R$ 110.
O preço subiu.
Mas agora imagine que, no ano anterior, ele tivesse subido de R$ 80 para R$ 100.
A inflação atual pode estar desacelerando mesmo que o preço continue aumentando.
É exatamente isso que o efeito-base ajuda a entender.
O que é efeito-base?
É o impacto que um resultado passado exerce sobre uma taxa de crescimento atual porque a comparação é feita contra esse valor anterior.
No caso da inflação acumulada em 12 meses, isso acontece porque sempre comparamos:
preços atuais
com
preços de 12 meses atrás.
A janela está sempre se movendo
Quando chega um novo mês, temos uma nova janela de 12 meses.
Um mês entra.
Outro sai.
Isso significa que a inflação acumulada pode cair mesmo sem haver queda generalizada de preços.
Vamos usar um exemplo
Suponha:
agosto de 2025 = +1%
agosto de 2026 = +0,2%.
O mês de +1% deixa a janela.
O mês de +0,2% entra.
A inflação acumulada cai.
Mas os preços em agosto de 2026 ainda aumentaram.
Não existe contradição.
Inflação menor não é deflação
Essa distinção é fundamental.
Se um preço sobe:
10%
e depois:
5%,
houve desinflação.
O preço continua subindo.
Apenas subiu mais lentamente.
Se o preço cai:
-2%,
temos deflação naquele período.
São fenômenos diferentes.
Por que o efeito-base confunde tanto?
Porque manchetes frequentemente dizem:
“inflação caiu”.
O leitor pode interpretar:
“os preços caíram”.
Mas o que caiu pode ter sido apenas a taxa de crescimento dos preços.
O nível de preços pode continuar elevado.
Isso aparece muito em séries de 12 meses
Imagine:
Janeiro = 1%
Fevereiro = 1%
Março = 1%
…
Um determinado mês com inflação muito alta sai da janela.
Mesmo que os meses atuais permaneçam positivos, a inflação acumulada pode cair.
O efeito-base não é uma “maquiagem estatística”
É importante deixar isso claro.
Não existe manipulação.
É simplesmente a matemática de uma taxa de variação.
Qualquer índice calculado sobre uma janela móvel possui esse comportamento.
O problema está na interpretação
O efeito-base pode produzir uma melhora temporária.
Mas também pode produzir uma piora temporária.
Se um mês muito baixo sair da janela e for substituído por um mês mais alto, a inflação de 12 meses sobe.
Mesmo que a dinâmica corrente não tenha mudado muito.
Por isso economistas olham várias medidas
Além do IPCA cheio, analistas observam:
núcleos,
médias móveis,
inflação de serviços,
bens industriais,
preços administrados.
A intenção é identificar a tendência.
Imagine o caso da energia elétrica
Se uma política específica reduz fortemente a conta de luz em agosto, o IPCA cai.
No ano seguinte, quando esse efeito deixar a base, a comparação pode produzir o movimento inverso.
A energia pode não ter ficado mais cara naquele momento.
O que mudou foi a comparação estatística.
O efeito-base também aparece no PIB
Não é exclusivo da inflação.
Quando uma economia cresce muito pouco em um período de comparação, o crescimento posterior pode parecer excepcionalmente forte.
Se a base foi muito baixa, a taxa percentual pode impressionar.
Isso não significa necessariamente que o nível absoluto da atividade seja elevado.
O mesmo vale para lucros empresariais
Uma empresa que teve prejuízo de R$ 100 milhões e depois prejuízo de R$ 20 milhões melhorou muito.
Mas calcular uma taxa percentual tradicional de crescimento gera números pouco intuitivos.
A base importa.
E aparece em indicadores de emprego
Se o emprego caiu fortemente em um determinado mês por uma razão extraordinária, a comparação do ano seguinte pode mostrar crescimento elevado.
O analista precisa perguntar:
crescimento em relação a quê?
É por isso que bons dados exigem contexto
Nenhum número econômico deveria ser interpretado isoladamente.
Precisamos saber:
qual é a base,
qual é o período,
qual é a frequência,
qual é a composição,
qual foi o choque anterior.
O efeito-base é especialmente importante em períodos de grandes choques
Pandemia.
Crises energéticas.
Secas.
Choques cambiais.
Alterações tributárias.
Mudanças regulatórias.
Todos podem criar valores extraordinários em determinados meses.
Depois, a comparação pode produzir movimentos aparentemente surpreendentes.
A conclusão
O efeito-base é uma das ferramentas mais simples e mais importantes para interpretar estatísticas econômicas.
Ele nos obriga a fazer uma pergunta que deveria acompanhar qualquer manchete:
“em comparação com o quê?”
Quando a inflação em 12 meses cai, isso pode significar:
preços subindo mais lentamente,
preços caindo,
ou simplesmente um mês de inflação elevada deixando a janela de comparação.
São situações muito diferentes.
Por isso, antes de concluir que a inflação “melhorou”, precisamos olhar para a composição e para a base.
Uma boa análise econômica não olha apenas para o número que chegou. Também olha para o número que saiu.

Referência: metodologia do IPCA e séries oficiais do IBGE; interpretação baseada no conceito estatístico de variação interanual e janela móvel de 12 meses.