EDIÇÃO #204 | NEWSLETTER SEMANAL DA ANÁLISE MACRO

O dia de ir à psiquiatra

Fala, Reader, tudo bem por aí?

Na sexta-feira, fui a psiquiatra, Amanda, nome que minha mulher não pode nem ouvir falar.

Vou lá de 4 em 4 meses para tratar uma insônia crônica que já dura mais de 20 anos.

Foi com ela, inclusive, que descobri que tenho apneia severa depois de ter realizado uma (complicada) polissonografia...

No trajeto até chegar à Amanda, contudo, não deixei de trabalhar.

Já parou para ver o quanto nós trabalhamos mais hoje em dia?

Abri o Claude no celular, que está conectado ao meu dropbox via MCP, e continuei trabalhando em um projeto de RAG que estou fazendo para o TCC de uma pós em IA da PUC-Rio.

Também dei uma olhada no Kanban da Análise Macro e quantos cards o Agente ROI entregou naquele dia.

Esse Kanban, aliás, me ajuda demais a criar memória para os meus agentes.

Em alguns deles, deixei registrado no CLAUDE.md que a primeira coisa a fazer é dar uma olhada no Kanban, daí ele se se atualiza pelas tarefas que precisa fazer.

Para mim é ótimo, porque os meus agentes funcionam como mais funcionários trabalhando e aumentando a minha produtividade.

Enquanto eles estão respondendo alunos, e-mails, fazendo tarefas de otimização no site, etc, posso ir à Amanda às 13h de uma sexta-feira.

Era o meu penúltimo compromisso naquele dia. Ainda havia mais uma reunião semanal com a equipe (humana): para justamente ver o Kanban e fechar os feedbacks.

Fiz tudo isso no metro e fiquei pensando em um texto publicado recentemente pelo Andrew NG, um dos desenvolvedores de IA que mais gosto de seguir...

🧭 O que o Ng escreveu

O texto saiu em 21 de agosto — "The AI Engineering Skills Map In Detail: Building and Deploying AI Applications". É o aprofundamento da primeira competência do mapa geral que ele publicou uma semana antes, e que eu comentei aqui na edição #203.

Ele abre a competência em seis pilares: fundamentos de LLM, grounding com dados, sistemas agênticos, desenvolvimento guiado por avaliação, operação em produção e fundamentos de machine learning.

Mas o que importa mesmo é uma frase só:

"The most important trait that distinguishes someone great at building AI systems is whether you can drive a disciplined evals/error analysis loop."

— o que separa quem é excelente em construir sistemas de IA é conseguir conduzir um ciclo disciplinado de avaliação e análise de erro.

Ng é seco em outro ponto: "Building AI systems is a much more iterative process than building traditional software." Software tradicional você planeja e entrega. Sistema de IA você monta, olha o que saiu, decide o próximo passo. E volta.

É isso que eu estava fazendo no metrô. Não era prompt bonito. Era o ciclo.

🌉 A travessia

Eu me formei em economia antes da IA existir do jeito que existe hoje. A caixa de ferramentas que aprendi — ARIMA, VAR, cointegração, painel — é a mesma caixa que a maioria dos leitores desta newsletter carrega.

Só que em algum momento dos últimos anos ficou claro que essa caixa, sozinha, não sustentava mais o trabalho que eu queria fazer. Não porque ela ficou errada. Ela continua certa. É que apareceu uma camada nova em cima — e essa camada não estava no currículo de economia de lugar nenhum.

Então, assim como você, tive que voltar a estudar...

Fiz a travessia dos modelos estatísticos e econométricos clássicos para modelos de machine learning, e depois para modelos de deep learning.

Nessa pós da PUC-Rio, por exemplo, aprendi não apenas o ciclo completa que Andrew fala e Chip Huyen detalha em seu livro seminal AI Engineering, mas principalmente a colocar a mão na massa.

E no meu caso ressignificou completamente o trabalho dentro da Análise Macro, me dando liberdade para voltar a tocar projetos antigos, como o Doutorado em Economia e mais recentemente uma segunda gradução em Engenharia de Software.

Coisas que não fazia por falta de braço, hoje, são feitas em algumas horas com agentes dedicados.

Quer um exemplo?

Essa semana, um dos meus agentes varreu os mais de 2.000 posts da Análise Macro, recategorizando todos, eliminando links quebrados e criando novo CTA para o Boletim AM.

Um trabalho que era caro e exigia uma curadoria humana significativa há alguns anos.

Terminadas as tarefas, todos eles vão lá no Kanban e movem o card não para Done, mas para Feedback: é a minha oportunidade de entrar e verificar se a tarefa foi feita de forma correta.

O que o Ng descreve como competência do engenheiro de IA — conduzir um loop disciplinado de avaliação — é, no fundo, uma coisa que economista bom já faz há décadas. Você estima, olha o resíduo, decide o próximo passo. Trocou o nome. Trocou a ferramenta. O músculo é o mesmo.

O grande obstáculo, a meu ver, é começar. Por isso, a Análise Macro existe: para te ajudar a fazer essa travessia... :)

📄 Papers da semana

Três desta semana que conversam direto com essa travessia.

• ​A SPOT in the dark: using AI to assess financial stability risks (BCE) — banco central usando LLM na função de supervisão. Ou seja: o próprio regulador está atravessando.
• ​AI Trading: Evaluating LLMs for Technical Market Analysis (arXiv) — testa GPT, Claude e Gemini em análise técnica de mercado. Interessante menos pelo resultado e mais pelo desenho do experimento.
• ​The AI investment race (BIS) — dimensiona o capex global em IA e o que ele significa para produtividade. Insumo obrigatório para quem tenta ler ciclo americano hoje.

📊 Modelo da semana — ARIMA

Esta semana eu queria voltar a um modelo velho de propósito: o ARIMA.

Todo economista aprende ARIMA cedo. Box-Jenkins, ordem (p,d,q), ACF, PACF, teste de raiz unitária. É o primeiro modelo de previsão sério que a maioria de nós encontra na vida.

E ele continua sendo o ponto de partida honesto de qualquer previsão univariada. Não porque é o mais sofisticado — não é. Mas porque ele te obriga a olhar para a série antes de sair rodando coisa em cima dela. Estacionariedade, sazonalidade, quebras. É higiene.

Trago ele aqui porque ele é a metáfora exata desta edição. Ninguém jogou ARIMA fora. Ele ganhou uma camada nova em cima — hoje eu rodo ARIMA num pipeline em que o modelo escolhe a ordem, um LLM redige o comentário do resultado, um agente publica o card no Kanban. Mas a peça no meio é a mesma que estava no caderno da faculdade.

É o oposto de "esqueça o que você sabia".

📘 Livros da semana

Dois, os que amarram com a tese do Ng:

• AI Engineering — Chip Huyen (O'Reilly, 2024, 534 pp.). Já falei dele na #202. Os capítulos 3 e 4, sobre avaliação, somam ~95 páginas. Prompt engineering ganha ~40. É a tese do Ng em forma de livro: o eixo do ofício é avaliar, não prompt-ar. Link O'Reilly (exige login).
• AI Agents: The Definitive Guide — Nicole Koenigstein (O'Reilly, early release, 354 pp.). Cobre o terceiro pilar do Ng — sistemas agênticos. Livro novo, ainda em early release. Link O'Reilly.

🧠 Insight final

A travessia não é sobre trocar a caixa de ferramentas. É sobre acrescentar uma camada em cima da que você já tem — e aceitar que o músculo que você treinou como economista, contador, administrador, analista (estimar, olhar o resíduo, decidir o próximo passo) é exatamente o músculo que o Ng chama de disciplined evals/error analysis loop.

Não é começar do zero. É reconhecer que uma parte grande do caminho você já andou — só não sabia que o nome dele tinha mudado.

Caso queira contar conosco para fazer essa travessia, olhe seus próximos e-mails...

📎 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.