EDIÇÃO #211 | NEWSLETTER SEMANAL DA ANÁLISE MACRO

Como eu uso IA no dia a dia

Fala, Reader, como está sendo o seu outubro?

Por aqui, tirei o final de semana passado - que foi feriado - de descanso.

A esposa foi para um compromisso da religião dela e eu aproveitei para colocar as coisas em dia na vida pessoal.

Praia, caminhada e boas reflexões...

Quando foi a última vez que você conseguiu parar para ficar sozinho?

Com tanta coisa acontecendo na minha vida - doutorado, graduação, trabalho, casamento, etc, etc, - ta(va) difícil tirar um tempo para mim.

Mas recomendo a todos.

Hoje, porém, queria falar com você sobre como a IA tem me ajudado justamente a ser mais produtivo no trabalho e, não por outro motivo, estar conseguindo dar conta de tanta responsa.

Meu dia a dia mudou radicalmente no último ano.

Vou te falar por quê.

🧰 Um dia no meu ecossistema

Basicamente, meu dia começa abrindo o VS Code, uma IDE que se você ainda não usa, deveria começar a usar hoje mesmo.

É dali que eu enxergo tudo: os projetos pessoais, os profissionais, o que a Análise Macro tem para entregar na semana.

O primeiro projeto que eu abro todo dia se chama agenda. Ele integra minhas caixas de e-mail e minha agenda do Google numa tela só. Por ali eu vejo o que tem para resolver e como vai ser a minha semana.

Depois do agenda, o dia vira uma dança entre três agentes de codificação: Codex, Claude Code e Gemini/Antigravity. Todos dentro do VS Code. Alterno conforme a tarefa.

E aqui vai o primeiro ponto que eu quero deixar claro: o agente, em si, importa pouco. O que importa é a tarefa — e saber qual ferramenta serve melhor para ela.

Um exemplo concreto: quando quero subir uma campanha de tráfego pago na Meta, uso bastante o Claude Design, com os modelos da Análise Macro já desenhados.

Mas posso estar no Codex, no meio de outra tarefa, e pedir para ele verificar os modelos de campanha, auditar o que está rodando e subir novos criativos com novas copys.

Slides e código eu produzo o tempo todo.

Delego bastante ao Codex e ao Claude a produção desses artefatos.

Reviso, ajusto, mando de volta.

A sensação — e eu quero chamar de sensação, não de medida — é que estou trabalhando em mais frentes, com o mesmo tempo de antes, e conseguindo ser produtivo em quase todas elas.

🎯 O meu palpite: senioridade × ecossistema

E aqui vai o palpite — e eu quero marcar como palpite, não como resultado de estudo.

Olhando para meus alunos e para colegas, quanto mais sênior na profissão, mais a pessoa consegue aumentar a produtividade com IA.

Desde que saiba construir um ecossistema em torno do próprio trabalho.

Por que o sênior ganha mais? Porque ele tem contexto e julgamento.

E essas são justamente as duas coisas que o modelo não tem.

Andrew Ng escreveu algo na edição 375 do The Batch, de 16 de outubro, que amarra isso com precisão.

Ele separa tarefas verificáveis — onde há resposta certa que pode ser checada automaticamente, como código e matemática — de tarefas de julgamento, onde não há uma resposta única, mas há melhores e piores: lidar com a reclamação de um cliente, definir a estratégia de um negócio, decidir qual copy sobe na campanha.

O aprendizado por reforço avança rápido justamente onde dá para checar automaticamente. Nas tarefas de julgamento, não. E Ng é taxativo: "I expect people to continue to have a context advantage over LLMs on many tasks for a long time."

Esse é o coração da tese. O sênior é quem tem o contexto. O ecossistema — e-mail, agenda, pastas, arquivos, acessos conectados ao agente — é a forma de entregar ao agente o contexto que ele não tem sozinho. O agente executa o verificável (código, slide, subir criativo). O sênior decide o que é julgamento (qual campanha, qual copy, qual tese).

O júnior que só "pede para a IA fazer" ganha menos. Falta contexto para dar e julgamento para conferir.

Até uma coisa pequena, como escolher a ferramenta certa, é julgamento. O próprio The Batch mostra que, no Claude Sonnet 5.5, o custo por tarefa varia mais de 18 vezes entre níveis de raciocínio — no nível máximo, chega a custar mais por tarefa do que o Opus 5.5 no máximo. Decidir qual nível usar em qual tarefa é saber o que a tarefa exige. Outro ponto onde o sênior leva vantagem.

🏢 Por que as empresas travam os agentes

Enquanto isso, nas empresas, a história é outra. Os relatos que circularam nesta semana falam de pilotos que funcionam e mesmo assim ficam parados. Projetos de agentes avançam até certo ponto e param. Custo, risco e — principalmente — falta de rastreabilidade.

A pergunta que trava tudo foi colocada da forma mais clara possível por Christopher Waller, do Fed, no discurso Payments in the Age of AI Agents, na Sibos 2026 em Miami, no fim de setembro:

"Who is on the hook if an agent makes the wrong purchase?"

Waller distingue dois modelos. No agent-assisted, o agente pesquisa, compara, sugere — mas o comprador "remains in control. They make the decisions, and they handle the payment". No agent-delegated, o comprador delega ao agente a autoridade para comprar e pagar em seu nome, com restrições e guardrails.

O obstáculo para escalar, sobretudo o modelo delegado, é confiança. A autenticação deixa de ser "provar que o comprador é autorizado" e vira provar "that an agent has the authority to pay on the buyer's behalf". Em compras entre empresas, com valores maiores, cresce a exposição financeira a erros do agente e ações não autorizadas.

É isso que faz a empresa travar. Não é a tecnologia que não funciona. É que ninguém decidiu quem responde se der errado.

No meu ecossistema a resposta é simples: quem responde sou eu. Governança não é burocracia nem enfeite. É decidir quem fica com o erro.

🔧 Bastidores: como este boletim é feito

Já que o tema é esse, vou abrir a cozinha. Você está lendo um produto do meu ecossistema.

Todo domingo às 7h, um processo automático lê as newsletters que eu assino e monta um resumo da semana, com uma seleção de papers. Isso é matéria-prima, não é fato. Nada do resumo vira número neste boletim sem eu conferir na fonte original.

Quem escolhe o tema e a tese sou eu. Esta edição, por exemplo, nasceu de eu olhar as taxas de abertura dos últimos broadcasts e ver que as edições pessoais abrem mais.

Um agente monta o rascunho e sobe para a plataforma de e-mail — sempre como rascunho. O envio é manual. Sou eu que reviso e aperto o botão. Nenhum agente envia para a base.

O mesmo agente também publica o PDF do resumo e o podcast da semana (o "Material da semana" lá embaixo). A divulgação no Instagram é automática, mas o Reel chega no meu WhatsApp antes. Se eu não gostar, veto. É "agente assistido" no vocabulário do Waller.

E, sim, o agente erra. Alguns casos ficaram registrados no histórico do projeto:

• Na #194, tirei duas informações que o gerador inventou.
• Na #195, uma taxa anual inventada voltou a aparecer — e saiu de novo.
• Na #201, uma busca trouxe dois números que simplesmente não existiam no estudo do FGV IBRE que ele dizia estar citando. Morreram na checagem.

Gerar o rascunho de uma edição custa menos de R$ 5. Mas o botão de enviar é meu. Porque se o agente errar e sair, quem responde não é ele.

É a tese em miniatura: o agente faz o verificável (montar, publicar, conferir se o link abre), eu faço o julgamento (tema, tese, qual número entra) — e respondo pelo que sai.

📄 Papers da semana

Amarrados ao tema: o que cada um diz sobre quem ganha e quem responde num mundo de agentes.

• ​Payments in the Age of AI Agents — Christopher J. Waller (Fed Board), Sibos 2026. Já apareceu no corpo: agentes que pagam em nome de alguém exigem resolver autenticação, responsabilidade e fraude antes de escalar.
• ​The Recent Evolution of AI-Related Labor Demand — Kevin Rinz (Fed de Cleveland). Menções a IA em anúncios de vaga nos EUA cresceram muito desde o início de 2024, concentradas nas ocupações mais expostas a LLMs: +1 desvio-padrão de exposição está associado a +3,1 p.p. na taxa de anúncios que mencionam IA. Nas mais expostas, salários anunciados subiram, contratações e desligamentos subiram. É associação, não efeito causal — mas o mercado está pagando por quem sabe trabalhar com IA.
• ​AI on the Factory Floor: Evidence from Manufacturing Job Postings — Maria D. Tito (Federal Reserve Board). Usa anúncios de vaga da indústria para medir como a IA muda as habilidades que as empresas pedem.
• ​Do Markets Dream of Artificial Intelligence? Macroeconomic Effects and International Spillovers of AI News Shocks — Maria Sole Pagliari (De Nederlandsche Bank, WP 871). Identifica "choques de notícia" de IA no mercado de ações. Nos EUA, o ajuste vem pelo investimento: pedidos de bens de capital sobem cedo e de forma persistente; preços ao produtor sobem antes dos preços ao consumidor. Na zona do euro, ações sobem, o euro se deprecia e custos de importação e energia chegam à inflação antes da atividade real. No agregado, a expectativa chega antes da produtividade. No indivíduo, a produtividade vem de quem constrói o ecossistema.
• ​Circular relationships among AI firms — Frost, Kansal, Rishabh, Shreeti & Zhang (BIS Bulletin 137). Entre 2021 e 2025, 28,7% dos investimentos de empresas de IA (por valor) tiveram como alvo outra empresa de IA, e 55,2% do investimento recebido por empresas de IA veio de outras empresas de IA. Dos negócios IA→IA, 46,4% (por valor) também envolviam relação comercial de fornecimento entre investidor e investida. O ecossistema também existe do lado de quem vende a IA — e lá ele é circular e opaco.
• ​Liability and Pricing of Dual-Use AI — Joshua S. Gans (NBER w35828). Quanta responsabilidade o provedor de IA deve ter quando o serviço serve tanto para atacar quanto para defender? A responsabilidade pode melhorar o bem-estar mesmo aumentando o dano; mais concorrência pode reduzir a responsabilidade ótima. A mesma pergunta do Waller — quem responde — agora do lado do fornecedor.
• ​Explaining Realized Returns: Roll's R2 40 Years Later — Kelly, Su & Zhang (NBER w35885). Variáveis macro, de fluxo de caixa e de expectativas explicam menos de 10% dos retornos mensais de ações dos EUA fora da amostra. Usando IA generativa para extrair as razões citadas nos resumos de mercado do Wall Street Journal, chegam a 30–40% dos retornos diários e mensais fora da amostra. IA a serviço do julgamento do pesquisador: ela lê o jornal, o modelo econômico continua sendo do economista.

📊 Modelo da semana: DSGE

O DSGE — Equilíbrio Geral Dinâmico Estocástico — é a economia pensada como sistema. Famílias, firmas, banco central e governo decidindo ao mesmo tempo, cada um olhando para frente, sob incerteza.

A intuição. O comportamento agregado da economia emerge de decisões microeconômicas coerentes: famílias escolhendo quanto consumir e poupar, firmas fixando preços e contratando, todas formando expectativas sobre o futuro. Nenhuma equação vale sozinha. O que vale é a interação.

Onde usa. Economista de banco central ou de research usa o DSGE para simular cenários contrafactuais — o que acontece com inflação e produto se a Selic subir — e para avaliar como diferentes regras de política monetária respondem a choques.

Pequena ponte com o tema de hoje: com IA é parecido. A ferramenta isolada vale pouco. O que muda o resultado é o sistema inteiro — ecossistema, contexto, governança.

📘 Livros da semana: inferência causal

Ponte honesta: o que eu contei hoje é dado observacional. "Sinto que produzo mais" e "o sênior ganha mais com IA" são correlações que eu observo olhando ao redor. Quem quiser provar precisa de identificação — a conversa da #210 continua aqui.

Toda tabela de regressão carrega uma tentação: ler o coeficiente como se fosse um efeito, quando talvez seja só o reflexo de uma variável que ninguém observou. Dominar inferência causal deixou de ser especialização e virou pré-requisito.

• ​Causal Inference in Python — Matheus Facure (2023, O'Reilly). Ponte prática entre teoria econométrica e código: diferenças-em-diferenças, variáveis instrumentais e desenhos quase-experimentais aplicados.
• ​Causal AI — Robert Ness (2025, Manning). Como modelos causais conversam com machine learning e IA, levando o raciocínio estrutural para além da previsão bruta.
• ​Causal Inference and Discovery in Python — Aleksander Molak (2023, Packt). Vai além da estimação e entra na descoberta causal — inferir a própria estrutura do grafo a partir dos dados.
• ​Causal Inference for Data Science — Aleix Ruiz de Villa (2025, Manning). Introdução acessível para o cientista de dados que domina predição e precisa aprender a pensar em intervenção e contrafactual.
• ​Causal Inference in R — Subhajit Das (2024, Packt). Mesma agenda causal para quem trabalha no ecossistema R.

🧠 Insight final

A IA não multiplica qualquer um. Ela multiplica contexto e julgamento. E só quando você conecta o seu trabalho a ela — e-mail, agenda, pastas, arquivos, acessos — com responsabilidade sobre o que sai.

O júnior que só pede para o modelo fazer entrega um texto que ninguém revisou. O sênior que não conecta nada ao agente perde o ganho de escala. Quem combina as duas coisas — ecossistema para dar contexto, julgamento para decidir e responder pelo erro — é quem está surfando essa onda de verdade.

Agora eu te devolvo a pergunta: como é o seu ecossistema hoje? Qual foi a primeira ferramenta que você conectou à IA — ou o que te impede de conectar? Me responde esse e-mail. Quero conhecer o seu.

📎 Material da semana

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

🎧 Ouça em podcast — esta edição em áudio.

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 :)