EDIÇÃO #208 | NEWSLETTER SEMANAL DA ANÁLISE MACRO

Por que querem parar a IA?

Estão querendo parar o desenvolvimento da IA, você viu, Reader?

Fiquei pensando nisso e no que temos conversado por aqui, em outros boletins.

E eu tenho uma hipótese que gostaria de compartilhar com você.

Primeiro, deixa eu te mostrar uma conta que apareceu esta semana no 8-K da Oracle, referente ao trimestre encerrado em 31 de agosto de 2026.

Receita do trimestre: US$ 19,3 bilhões. Capex do mesmo trimestre: US$ 28,5 bilhões.

Leia de novo.

A empresa gastou em investimento, num único trimestre, quase 50% a mais do que faturou nesse mesmo trimestre.

E o buraco foi tapado com US$ 20 bilhões em emissão de ações.

Isso não é um escândalo e nem algo muito diferente de outras empresas similares.

É a mecânica do boom de IA em estado puro.

E é, também, o exemplo perfeito para revisitar um modelo que todo economista aprendeu na graduação e que, curiosamente, quase ninguém está mencionando nesta discussão: o Modelo de Solow.

Bora lá ver isso em detalhe?

🎯 A conta da Oracle

Vamos direto ao que o filing na SEC diz, sem adjetivo:

Receita total (Q1 FY27): US$ 19,3 bi (+30% a/a)

RPO (Remaining Performance Obligations): US$ 664 bi (+US$ 209 bi a/a)

Free cash flow do trimestre: −US$ 5 bi

Capital expenditures do trimestre: US$ 28,5 bi

Emissão de ações (programa ATM): US$ 20 bi

O RPO — que é basicamente o backlog de contratos assinados — é o número que mais anima o mercado. US$ 664 bilhões dizem que a demanda futura está contratada.

Mas a linha do capex conta uma outra história. Para entregar esse backlog, a empresa precisa comprar GPU, construir data center, energizar servidor. E precisa fazer isso antes de faturar. Muito antes.

Resultado: capex maior que receita, caixa negativo, e emissão de ações para financiar a diferença. Acumulação de capital, na veia.

📐 O que Solow diria

O Modelo de Solow, dos anos 1950, é a bússola de crescimento de longo prazo mais durável que a macroeconomia já produziu.

Ele parte de uma função de produção com três ingredientes: capital, trabalho e produtividade.

A intuição central é uma só: capital tem rendimentos decrescentes.

Cada nova máquina adicionada a um trabalhador produz menos que a anterior.

Você dá o primeiro computador a um analista, a produtividade dele explode.

Dá o segundo, ele ganha uma margem.

Dá o quinto, ele ganha praticamente nada.

E, a certa altura, a depreciação do estoque de capital iguala o investimento novo — a economia para de crescer.

Chegou no estado estacionário.

A implicação é dura, e é a que interessa aqui: acumular capital, sozinho, não sustenta o crescimento da renda por trabalhador.

O que sustenta é a produtividade — o famoso "resíduo de Solow", que no modelo original entra "de fora", como se caísse do céu.

Agora aplique isso ao capex de IA.

GPU é capital. Data center é capital. Servidor é capital.

A pergunta que Solow forçaria você a fazer não é "quanto se está gastando", é: onde está a produtividade que justifica que isso não seja apenas mais capital rendendo decrescentemente?

🔬 Onde a produtividade realmente aparece

É aqui que a evidência acadêmica de 2026 fica interessante. Porque ela finalmente começa a responder.

O paper mais importante da semana, na minha leitura, é o Canaries in the Gold Mine, de Tania Babina, Alex X. He e Renhao Jiang (NBER WP 35684, agosto de 2026). O achado, com as palavras dos autores:

"AI investments are associated with productivity growth in recent years, but not over the previous decade. We trace the productivity gains to the accumulation of organization capital that AI helps create: durable firm-specific knowledge acquired through learning-by-doing that enables more efficient production."

Traduzindo: o ganho de produtividade da IA existe. Mas ele não vem do hardware. Vem do capital organizacional — o conhecimento específico da firma, acumulado por learning-by-doing, sobre como reorganizar processos em volta da nova tecnologia.

E o detalhe decisivo está naquele "but not over the previous decade". A mesma tecnologia, sem a reorganização, não produzia ganho.

Essa é a resposta direta ao velho Paradoxo de Solow — o de que "você vê a era do computador em toda parte, menos nas estatísticas de produtividade" — Robert Solow, 1987.

Dois papers dos Feds regionais reforçam o quadro:

• ​What Work Does Generative AI Do? — Bick, Blandin, Deming e Schumacher, Fed de St. Louis. Achado: adoção "widespread but shallow". IA está em muitas ocupações, mas com menos da metade dos trabalhadores de cada uma usando de fato. Adoção larga e rasa = capital instalado sem reorganização. Casa direto com o Babina.
• ​AI-Augmented Capital-Skill Complementarity — Luduvice e Pinheiro, Fed de Cleveland. Modelam IA como capital em CES aninhada e acham complementaridade com mão de obra qualificada, mas com peso ainda pequeno na produção. É o contraponto quantitativo ao entusiasmo do capex.

Junte as três peças: o capex é gigante, a adoção é larga mas rasa, o peso na produção é pequeno, e a produtividade aparece só onde há reorganização da firma.

Não é uma tese de bolha. É uma tese de composição.

⚙️ O que isso significa para você

Quando eu fiz a Edição #206, sobre o gargalo organizacional das scale-ups, e a #202, sobre o preço do token cair 80% sem a produtividade agregada aparecer, eu estava tateando esta mesma tese sem ter o vocabulário de Solow na mão. Agora tem.

A pergunta certa nunca foi "qual modelo assinar".

Também não é "quanto de capex alocar em GPU".

A pergunta é: quais processos da minha firma foram redesenhados em volta da IA?

GPU é capital. Rende decrescente. Processo redesenhado é capital organizacional. É o que muda o estado estacionário.

E capital organizacional tem uma propriedade que o financeiro adora esquecer: ele não se compra.

Ele se constrói, devagar, com learning-by-doing, com pessoa qualificada dentro, com tolerância a erro nas primeiras iterações. Não tem ATM equity program que resolva.

📄 Papers da semana

• ​Canaries in the Gold Mine: Early Productivity Gains from Artificial Intelligence Creating Organization Capital — o coração desta edição. A produtividade da IA existe e vem do capital organizacional.
• ​AI-Augmented Capital-Skill Complementarity — Fed de Cleveland. IA como capital complementar à qualificação, com peso ainda modesto.
• ​What Work Does Generative AI Do? — Fed de St. Louis. Adoção "widespread but shallow" — larga e rasa.
• ​Artificial Intelligence in Equity and Crypto Markets — balde de água fria sobre alfa de IA em gestão.
• ​Competitive Market Behavior of LLMs — coordenação tácita entre agentes de IA em mercados.
• ​Jurisdictional Capital and AI Regulation: Evidence from the EU AI Act — FMI mede efeito do AI Act sobre alocação de capital em IA.
• ​Relative Development and the Intelligence Divide — FMI sobre capital humano, difusão tecnológica e convergência.
• ​The Measurement Revolution? Credible Measurement and Inference in the Age of AI — Melissa Dell e Ashesh Rambachan sobre IA na medição e inferência empírica.

📊 Modelo da semana — Solow

O que é. Representação do crescimento de longo prazo a partir de capital, trabalho e produtividade. A poupança faz o capital crescer, mas o processo esbarra em limites naturais.

A intuição. Rendimentos decrescentes do capital. Cada máquina nova adicionada rende menos que a anterior. Acumular capital sozinho não sustenta o crescimento — a economia converge para um estado estacionário. O único motor de crescimento sustentado da renda por trabalhador é o progresso tecnológico, a produtividade, que no modelo original vem "de fora".

Onde usar. Bússola para separar surto de crescimento durável (produtividade) de surto passageiro (acumulação bruta). Aplicado ao capex de IA, joga a pergunta certa na mesa: onde está o "resíduo de Solow" que justifica esse volume de investimento?

📘 Livros da semana

Curadoria O'Reilly Learning. Tema: Python para análise de dados econômicos — porque o economista de hoje passa mais tempo tratando dado do que interpretando teoria.

• ​Python for Data Analysis, 3rd Edition — Wes McKinney (2022). A referência atual de pandas e NumPy, escrita pelo próprio criador da biblioteca.
• ​Python for Data Analysis, 2nd Edition — Wes McKinney (2017). Sólida nos fundamentos, superada pela 3ª nas versões recentes.
• ​Python for Data Analysis — Wes McKinney (2012). Valor mais histórico, para entender a concepção da ferramenta.
• ​Financial Data Analysis Using Python — Dmytro Zherlitsyn (2024). Aplicação direta a séries de preços, retornos e mercado.
• ​Python Data Analysis — Fourth Edition — Navlani e Wijaya (2026). Panorama atualizado do ecossistema, além do pandas isolado.

🧠 Insight final

Solow mostrou, há setenta anos, que capital acumulado tem limite e que o crescimento sustentado da renda por trabalhador vem da produtividade — o termo que, no modelo original, entrava "de fora". A grande aposta do capex de IA em 2026 é que a IA seja esse fator.

A evidência de Babina, He e Jiang sugere que ela pode ser. Mas com uma cláusula que quase ninguém está lendo com o cuidado que merece: a IA só vira produtividade quando vira capital organizacional. E capital organizacional não sai do 8-K. Sai da firma que se deu ao trabalho de se reorganizar.

US$ 28,5 bilhões num trimestre compram muita GPU. Não compram capital organizacional em lugar nenhum do mundo.

📎 Material da semana

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

🎧 Ouça em podcast — esta edição em áudio.

Você vai mesmo perder a condição incrível do AM Black esse mês? Toda a plataforma, mais 12 meses com tudo o que produzirmos. Quando eu lançar produtos novos, você vai me agradecer por ter assinado.

Um abraço,
​Vítor Wilher​
Análise Macro

A verdade está nos dados.