EDIÇÃO #206 | NEWSLETTER SEMANAL DA ANÁLISE MACRO

Vão começar as Eletivas no Doutorado

Fala, Reader, tudo bem por aí?

Pois é, já estamos em setembro e o fim do primeiro ano no Doutorado está próximo.

Econometria fecha um ano de muito aprendizado e também de desafios.

Ter de equilibrar trabalho e estudos, depois dos quarenta, não foi lá fácil.

Estudar aos finais de semana, no lugar de ver aquele filme comendo pipoca com a esposa...

Mas, foi por um bem maior: precisava olhar o que a Academia está fazendo de fronteira, de modo a contribuir ainda mais com os nossos alunos aqui na Análise Macro.

E, bom, estou ansioso demais pelas eletivas que vem aí.

É provável que no próximo trimestre eu consiga fazer três: Dívida Soberana e Câmbio, Decisões baseadas em dados e Política Monetária e Fiscal.

Elas estão diretamente ligadas ao meu interesse básico no Doutorado que é construir modelos fundacionais para projetar variáveis macroeconômicas.

Aliás, muito influenciado pelo que vi esse ano que estou restaurando as áreas e categorias da Análise Macro. A partir de setembro - esse mês comemoramos 11 anos - vamos dividir a área do aluno em seis grandes categorias:

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

Se você tem interesse em alguma delas, basta tocar em uma ou mais para a gente te direcionar conteúdos específicos nos próximos meses sobre esses temas.

Estou preparando muito conteúdo bacana sobre o que estou estudando em relação a cada um deles.

E cada vez mais, você vai enxergar no nosso portfólio um elo umbilical: engenharia, integração de dados, construção de sistemas para uso adequado da Inteligência Artificial.

Essa nova categorização das áreas está fundada no meu uso intensivo de IA nos últimos anos.

Tudo o que aprendi por conta própria e também na pós em IA Generativa e LLM que estou concluindo na PUC-Rio.

Integramos dados de mais de uma dezena de fontes, tendo uma visão completa desde a pesquisa em redes sociais até a conclusão de um curso nosso.

Isso nos possibilitou entender quais as reais necessidades dos nossos alunos e ajudá-los a construir uma nova experiência de ensino.

Nessa Edição do Boletim AM, quero destacar alguns pontos desse nosso aprendizado, fazendo um link com o que temos visto no mundo aí fora...

No final, deixo um presente para você :)

🎯 Empresas grandes têm dificuldades para internalizar IA

A Endeavor Brasil publicou o relatório "Inteligência Artificial nas Scale-Ups Brasileiras: Entre a Experimentação e a Transformação", feito com apoio da Salesforce e da Onfly. Ouviram 133 empreendedores de 125 empresas, fizeram 10 entrevistas em profundidade e mais de 90 mentorias.

O número que salta é este:

Índice de maturidade em IA — Endeavor 2026

Empresas até R$ 30 milhões de faturamento: 6,3

Empresas acima de R$ 300 milhões: 5,3

Índice geral do ecossistema: 6,0

A própria Endeavor nomeia o intervalo em torno de 6,0 como zona de risco de AI-washing: passou da experimentação, não chegou à transformação.

Leia de novo: quem tem mais dinheiro, mais gente, mais infraestrutura, mais time de dados — pontua menos. Um ponto inteiro abaixo das pequenas.

Isso quebra a intuição de todo mundo. Se IA fosse questão de recurso, a curva teria que ser inclinada pra cima. Não é. É inclinada pra baixo.

A explicação da própria Endeavor é seca: as empresas jovens podem redesenhar processo do zero. As antigas, não.

📊 O sintoma: 51% não sabem se deu certo

Se o índice geral é 6,0, o que exatamente está travando? A pesquisa tem um número que responde melhor que qualquer diagnóstico:

51% das empresas não possuem nenhuma métrica de negócio atrelada à IA.

Metade. Investindo, contratando, comprando licença, montando squad — e sem uma métrica sequer que diga se a coisa está gerando resultado no P&L.

Isso não é preguiça de mensurar. É consequência do problema anterior: sem processo redesenhado, não existe onde a métrica pousar. Você mede a ferramenta ("quantos prompts foram rodados"), não mede o negócio ("quanto caiu o tempo de ciclo, quanto subiu a margem, quanto reduziu o CAC").

E fica pior: 76% já reduziram contratações ou headcount por causa da IA, e 84% pretendem aumentar investimento — sendo que 37% querem mais que dobrar o aporte. Ou seja: está entrando dinheiro, está saindo gente, e metade não sabe dizer se está funcionando.

É a definição operacional de AI-washing.

⚙️ O problema é de engenharia

Deixa eu voltar a uma história minha, porque ela explica esse número melhor que qualquer gráfico.

Esse ano, além do Doutorado, também trabalhei na coordenação de tecnologia da célula de inovação do Senac Rio, com o objetivo de pensar o portfólio de dados e IA da casa.

Time bom, instituição respeitadíssima, mais de 80 anos de história...

Mas...

Fiquei extremamente desmotivado com a lentidão das coisas.

Em uma Era onde semanas podem representar anos, os processos internos de produção e atualização de novos cursos podiam levar até 500 dias, acredita?

Acho que casa bem com a ideia de que empresas e pessoas estão no fundo ainda aprendendo e se adaptando a esse novo mundo que a IA representa.

Hoje em dia, o problema não é mais escrever prompt bom. Administrar contexto exige que os dados da empresa estejam integrados, versionados, com dono claro e permissão limpa.

E essa é a maior dificuldade da maioria das empresas.

E adivinha qual é o desafio nº 1 apontado pelos empreendedores? "Dados não integrados", 30%. Acima de falta de talento (29%), acima de qualidade do output (25%), acima de privacidade (23%).

Integrar dados não é decisão técnica. É decisão organizacional: envolve derrubar silo, mudar dono, reescrever contrato de API interna, mexer com política de acesso, brigar com quem construiu o sistema atual.

Volto ao Senac.

Meu portfólio de dados não travava por falta de ferramenta.

Travava porque o dado morava em lugares que respondiam a lógicas antigas, e mexer nisso era mexer no processo.

E mexer no processo era mexer na política. E ali eu não tinha mandato.

🔓 O que a literatura confirma

Isso não é achado isolado da Endeavor. A literatura acadêmica está chegando na mesma coisa por outros caminhos.

Babina, He e Jiang publicaram no NBER (w35684) um paper com título que já entrega o jogo: "Canaries in the Gold Mine: Early Productivity Gains from AI Creating Organization Capital". A conclusão é limpa: o ganho de produtividade da IA aparece via formação de capital organizacional. Não vem do modelo. Vem da reorganização em volta do modelo.

E do outro lado, o CESifo WP 12941, "Capable but Not Deployable", mostra que em finanças a restrição para adotar IA é institucional, não de capacidade técnica. A tecnologia está madura. O que não está pronto é a organização.

Traduzindo: o paper diz, com econometria, o que a Endeavor achou com survey no Brasil, e o que eu esbarrei na prática no Senac. É o mesmo fenômeno visto de três ângulos.

💰 A prova pelo dinheiro

Tem um corte no relatório que fecha a tese com chave de ouro. A Endeavor observou que, a partir de 5% da receita anual investida em IA, mais da metade das empresas passa a ter pelo menos uma métrica de negócio atrelada.

Repare a direção da causalidade. Não é "quem já tem métrica investe mais". É o contrário: quando o compromisso orçamentário passa de um certo umbral, a empresa é forçada a redesenhar processo — porque agora tem gente cobrando ROI de um cheque grande.

O dinheiro não compra a maturidade. O dinheiro obriga a maturidade.

É por isso que investimento pequeno em piloto quase nunca vira transformação: ninguém precisa mexer em nada estrutural para justificar 0,5% do budget.

🧭 O mesmo deslocamento, na escala da pessoa

Na quinta, Andrew Ng publicou a carta da issue 369 do The Batch. Ele lista as cinco competências centrais de quem trabalha bem com agentes de codificação:

• Directing the workflow — dirigir o fluxo
• Enabling agent autonomy — calibrar autonomia
• Reviewing the work — revisar a saída
• Customizing the agent and its environment — configurar o ambiente (CLAUDE.md, project constitutions)
• Coding agent foundations — entender o motor por baixo

Olha a lista. Nenhuma delas é "escrever código". Todas são de especificação e verificação.

Ng ainda dá um puxão de orelha no hype de agente autônomo:

"It is sometimes useful to get agents to run autonomously for hours and burn millions or tens of millions of tokens. But currently the practical utility of very long-horizon tasks — especially relative to their cost — has been amplified beyond reality."

— Andrew Ng, The Batch #369

É exatamente o mesmo deslocamento que a Endeavor mediu na empresa, mas visto na escala da pessoa. Na firma, o gargalo saiu da execução e foi para o desenho do processo. No indivíduo, o gargalo saiu de escrever código e foi para especificar e verificar.

Mesma coisa. Duas escalas.

Numa nota pessoal — e sem virar seção — comecei há pouco uma segunda graduação, agora em engenharia de software. Fui atrás da camada que eu sabia que me faltava. Não vou fingir que tenho resposta pronta. Estou fazendo a travessia como qualquer um de vocês.

📄 Papers da semana

• ​Canaries in the Gold Mine — Babina, He e Jiang (NBER w35684). O ganho de produtividade da IA passa pela formação de capital organizacional.
• ​Capable but Not Deployable — CESifo WP 12941. A restrição para adotar IA em finanças é institucional, não técnica.
• ​What Work Does Generative AI Do? — Bick, Blandin, Deming e Schumacher (NBER w35677). Mapeia que tarefas GenAI está de fato executando.
• ​Is the AI Boom Volatility-Biased Technological Change? — Fed de Kansas City. Se o ciclo de IA está enviesado para maior volatilidade.
• ​AI Paradox: Promise vs. Reality — Bank of Canada. Confronta expectativa de produtividade com evidência atual.
• ​Integrating Non-traditional Data and AI into Central Banking — Bank of Canada. Como bancos centrais podem usar NLP e ML.
• ​Has AI Widened Employment Gaps? — CRM WP 26179. Rastreia emprego de jovens por exposição ocupacional à IA na Noruega.
• ​AI and Exchange Rate Predictability — arXiv 2608.00761. Testa se IA melhora previsibilidade cambial.

📊 Modelo da semana — Curva de Phillips

Amarrando com a tese: a Curva de Phillips relaciona capacidade ociosa e inflação. Só que capacidade instalada que a organização não consegue reorganizar não é capacidade efetivamente instalada.

Por isso IA sem redesenho de processo não aparece como choque de oferta positivo, e não aparece como desinflação. O modelo está lá, o token barateou, mas a produtividade agregada não desce porque a camada que precisaria absorver o ganho — a organizacional — não se move na velocidade do preço do token.

📘 Livros da semana

A fronteira é arquitetura de aplicação, não chatbot. Casa direto com a ideia de que o gargalo virou contexto.

• ​Hands-On Large Language Models — Jay Alammar e Maarten Grootendorst (O'Reilly, 2024)
• ​Designing Large Language Model Applications — Suhas Pai (O'Reilly, 2025)
• ​Architecting Generative AI Applications — Leonid Kuligin (Packt, 2026)
• ​Large Language Models in Finance — Miquel Noguer i Alonso (Packt, 2026)
• ​Generative AI-Driven Application Development with Java — Satej Kumar Sahu (Apress, 2026)

🧠 Insight final

Fecha um arco que veio se desenhando aqui há três semanas. Na #202, defendi que o diferencial era engenharia. Na #205, mostrei com o deepseek-harness que o que decide não é o modelo, é o andaime. Esta edição fecha o triângulo: o harness da empresa é o processo. E, ao contrário do token, ele não barateia sozinho.

É por isso que a produtividade agregada teima em não aparecer nos dados macro. O gargalo está numa camada — a organizacional — que não escala com o preço do modelo. Ela escala com decisão política interna, com redesenho de fluxo, com quem tem mandato para dizer "esse processo dos 500 dias acabou hoje".

Fica a pergunta pra semana, Reader: na sua empresa, quem tem esse mandato? E se ninguém tem, qual é o ponto de investir mais em modelo?

📎 Material da semana

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

🔍 Aprofundamento (PDF) — dossiê vertical sobre o tema da semana.

🎧 Ouça em podcast — esta edição em áudio.

🎂 11 anos de Análise Macro

O melhor momento para ser AM Black é agora:

👉 Ver todos os detalhes do AM Black​

Um abraço,
​Vítor Wilher — Análise Macro

A verdade está nos dados.