EDIÇÃO #209 | NEWSLETTER SEMANAL DA ANÁLISE MACRO

O agente ficou com o trabalho. Quem ficou com o dinheiro?

Fala, Reader, você viu a manchete do "hedge fund que trocou US$ 5 milhões de folha por 4 agentes de IA"?

Ela rodou a semana inteira. Eu fui atrás da fonte, li a entrevista original na CNBC e descobri que a história é real — mas está sendo contada errada.

E aí, ao arrumar o caso, apareceu uma pergunta bem maior que "a IA vai tirar meu emprego?". Bora lá.

🎯 O que a manchete não conta

Brian Kelly, do fundo Bracket22, disse à CNBC o seguinte, com essas palavras:

Custo antes: "roughly $5 million a year" (folha, escritório, bônus)

Custo agora, com IA: "$30,000 to $40,000 a year, total"

Razão: entre 0,6% e 0,8% do custo anterior

A conta é seca: no caso dele, o custo com pessoal caiu mais de 99%.

Agora, o que a manchete corta:

• Os 7-8 funcionários eram do fundo anterior dele (cripto), não da Bracket22.
• A Bracket22 opera só o capital do próprio Kelly. Não tem cotista. Não é hedge fund no sentido usual — é firma proprietária.
• A decisão final segue humana: "I use my human judgment and human insight to make the final decision."
• O "10x mais produtivo" é estimativa dele. Não é medida.

O caso é real. A leitura de que "a IA demitiu 8 pessoas" é que é exagerada. Ele não demitiu — ele simplesmente não recontratou ao montar uma firma nova.

🔬 O que um experimento de verdade mostra

Enquanto a manchete circulava, saiu um paper que dá o número sério. Jabarian & Henkel, Voice AI in Firms: A Natural Field Experiment on Automated Job Interviews (CESifo WP 12984, 2026).

Desenho: 70 mil candidatos a vagas reais, sorteados entre entrevista por recrutador humano ou por agente de voz de IA. Depois, recrutadores humanos avaliavam e decidiam a contratação.

Resultado: candidatos entrevistados por IA tiveram 12% mais chance de receber oferta, mais início de trabalho e maior retenção — "with no decline in the productivity of hired workers".

O mecanismo tem nome: controlled variance. O agente não substitui o recrutador. Substitui a variância entre recrutadores. Quando a mesma tarefa é executada por muita gente diferente, a inconsistência humana vira ruído no sinal. A IA comprime esse ruído.

Guarde essa ideia. Ela volta na hora do bayesiano.

💰 A pergunta macro: quem fica com o excedente?

Se o custo da tarefa cognitiva repetitiva despenca, como no caso do Kelly, a sobra vai para alguém. Sempre vai. A pergunta é: quem?

Três candidatos:

(1) O dono do capital. No caso Kelly, 100% do ganho fica com ele — porque o capital é dele. Firma proprietária, sem cotista. É o cenário mais limpo de captura total pelo capital.

(2) O trabalhador ou o consumidor. No experimento das entrevistas, os candidatos ganharam — mais ofertas, mais retenção. O excedente vazou para quem estava do outro lado do balcão.

(3) Quem controla a interface. E aqui a briga da semana ficou explícita: na noite de 20/09, a Amazon bloqueou o agente Muse, da Meta, com um pop-up dizendo que "continued access by an unauthorized AI agent violates Amazon's Conditions of Use" (GeekWire). O motivo declarado pela Amazon é segurança — o agente não se identifica ao navegar e aparentaria capturar credenciais. A Meta nega.

Aqui entra uma leitura minha, que vou marcar como leitura e não como motivo declarado da Amazon: publicidade rendeu à Amazon US$ 68,6 bilhões em 2025 (soma dos 4 trimestres, 8-K, Ex-99.1), com +22% ex-câmbio no 4T. É receita que depende de um humano olhar a página. Um agente que compra sem olhar anúncio ameaça esse fluxo.

A briga não é técnica. É pela porta.

⚙️ O que isso significa para você

Para quem trabalha com dados: a tarefa repetida e padronizável é a que sai primeiro. A decisão com julgamento fica. Não é uma métrica nova — é o que o próprio caso Kelly já mostra ("I use my human judgment... to make the final decision") e o que o experimento das entrevistas confirma (a decisão de contratar seguiu com humanos).

Para o macroeconomista: pare de olhar só para taxa de desemprego. Olhe para participação do trabalho na renda e para margens das plataformas. É lá que a redistribuição aparece antes.

📄 Papers da semana

Amarrei os sete ao tema. O paper das entrevistas por voz já apareceu no corpo — repito o link aqui por completude.

• ​Voice AI in Firms: A Natural Field Experiment on Automated Job Interviews — Jabarian & Henkel (CESifo, 2026). 70 mil candidatos, +12% de oferta, sem queda de produtividade. O paper-chave da edição.
• ​The Role of AI in Online Reviews — Lermana, Rigbi & Dover (CESifo, 2026). 13+ milhões de reviews do Trustpilot; após choques de oferta de LLM, reviews não verificadas ficam mais negativas e vêm em rajadas curtas. Agente barato produz reputação barata — mexe na concorrência entre plataformas.
• ​Are AI Risks Priced in the U.S. Stock Market? Evidence from Financial News Factors — Yanhui Shen (2026). 7.787 matérias do WSJ, 2016–2025; dos quatro fatores de risco de IA, só o de desinformação é precificado (α de 0,49%–0,57% ao mês). O mercado ainda não precifica "substituição de trabalho" como risco sistemático.
• ​AI Innovation and Firm Performance in the Medical Device Industry — Shermatov, Robin & Geuna (2026). Aprovações da FDA como registro datado de inovação; colaboração externa é o motor, com efeito maior em firmas pequenas. Quem captura ganho de IA é quem tem acesso à porta regulatória.
• ​One advisor for the whole world? Cross-country evidence on financial advice from large language models — Bäckman (SAFE, 2026). Mesmo problema de carteira em 21 países; o conselho é quase uniforme, o que muda é o modelo consultado, e os modelos ignoram o balanço da família. Substituir o assessor pelo agente padroniza — mesma controlled variance, mas aqui a variância que some era a que importava.
• ​Access to Live AI Advice and Behavior Under Risk: An Incentivized Experiment — Althaus, Houf & Schwieren (2026). N = 158, escolhas de loteria: assessor de IA ao vivo não mudou a aversão a risco.
• ​Well-Being Salience in Corporate Disclosures and Worker Health — Di Francesco, Hull & Menon (NBER w35760, 2026). NLP em relatórios corporativos dinamarqueses + dados administrativos de saúde (2013–2022): quem muda para firma que enfatiza bem-estar aumenta afastamento por doença, sem mudar uso do sistema de saúde. Texto também é dado.

📊 Modelo da semana: Regra de Taylor

Um choque de produtividade como esse mexe no produto potencial. E, portanto, mexe no hiato do produto — que é a variável que entra na regra que descreve como o banco central move os juros.

A fórmula canônica, de Taylor (1993):

i = r* + π + 0,5 (π − π*) + 0,5 · hiato

A intuição: o BC reage mais que proporcionalmente à inflação (o "princípio de Taylor") e ajusta pela distância do produto em relação ao potencial. Se o potencial subiu — por conta de um ganho estrutural de produtividade que a IA pode estar entregando — o hiato hoje é maior do que parece. Ou seja: a economia está mais folgada, com menos pressão de custo, do que o BC enxerga.

Se o banco central erra o potencial, erra o hiato. Erra o hiato, recomenda juro errado. Simples assim — e é por isso que essa discussão sobre onde o excedente da IA está indo não é só microeconomia trabalhista. Ela vai parar no COPOM e no FOMC.

📘 Livros da semana: estatística bayesiana na prática

Amarração: o paper das entrevistas é, no fundo, sobre qualidade de sinal. Bayesiano é quem atualiza crença com sinal — e sinal com menos ruído produz atualização melhor. Quando o agente comprime a variância entre recrutadores, ele melhora o sinal que chega para a decisão final. É estatística aplicada, mesmo que a firma não saiba que é.

• ​Practical Statistics for Data Scientists, 2nd Edition — Peter Bruce, Andrew Bruce, Peter Gedeck (2020, O'Reilly). O vocabulário estatístico essencial para quem trabalha com dados de verdade, em R e Python.
• ​Bayesian Statistics the Fun Way — Will Kurt (2019, No Starch Press). A porta de entrada acessível ao pensamento bayesiano, antes da matemática pesada.
• ​Practical Statistics for Data Scientists — Peter Bruce, Andrew Bruce (2017, O'Reilly). A primeira edição, referência enxuta para começar.
• ​Bayesian Statistics: An Introduction, 4th Edition — Peter M. Lee (2012, Wiley). O tratamento formal e rigoroso — a fundamentação por trás da aplicação.
• ​Practical Applications of Bayesian Reliability — Yan Liu, Athula I. Abeyratne (2019, Wiley). A ponte para análise de confiabilidade e risco, para quem precisa quantificar incerteza em problema concreto.

🧠 Insight final

A tecnologia define quanto custo some. A instituição define quem embolsa.

A pergunta "a IA vai tirar meu emprego?" é pequena. A pergunta grande é: quem vai ficar com o que o seu trabalho deixou de custar? No caso Kelly, o próprio Kelly. No experimento das entrevistas, os candidatos. Na briga Amazon × Meta, quem controlar a porta entre o agente e o cliente.

A distribuição do excedente não é decidida pelo modelo. É decidida por quem controla a interface, o contrato e a regulação. Essa é a briga que começou — e ela vai durar a próxima década.

📎 Material da semana

📄 Resumo da semana (PDF) — o digest completo das newsletters que embasou esta edição.

🎧 Ouça em podcast — esta edição em áudio.

🎂 11 anos de Análise Macro

Estamos comemorando o aniversário da Análise Macro com uma condição especial no AM Black, nosso plano com acesso a todos os cursos.

A condição de aniversário fica disponível até 30 de setembro de 2026.

👉 Ver todos os detalhes e assinar o AM Black com 60% OFF​

Um abraço,

Vítor Wilher​
Análise Macro

A VERDADE ESTÁ NOS DADOS

Qual tópico você tem maior interesse? Selecione abaixo:

• ​Estatística e Probabilidade​
• ​Análise de Dados na Prática​
• ​Macroeconomia e Conjuntura​
• ​Econometria e Previsão​
• ​IA Aplicada​
• ​Mercado Financeiro​

Saber suas preferências me ajuda a direcionar o melhor conteúdo pra você :)