Imagine que você preside o comitê de política monetária de um banco central. Os dados de inflação dos últimos trimestres mostram índices comportados, bem dentro da meta. O mercado de trabalho está aquecido, o consumo não arrefece, mas os modelos tradicionais de previsão insistem que a pressão inflacionária é baixa. Você se prepara para manter os juros inalterados. Dias depois, um varejista anuncia reajuste generalizado de preços e a inflação ao consumidor dispara. O que falhou? Talvez a resposta esteja na própria tecnologia que usamos para medir e interagir com a economia: a inteligência artificial.
Não se trata de alarmismo tecnológico, mas de uma disrupção silenciosa nos mecanismos de formação e coleta de preços. Bancos centrais ao redor do mundo, inclusive o Federal Reserve e o Banco Central Europeu, já reconhecem que o boom da IA pode tornar significativamente mais difícil avaliar a situação real da economia. Como engenheiro de software que já implementou sistemas de precificação dinâmica e modelos de séries temporais para instituições financeiras, posso afirmar: o problema é real, mensurável e exige uma reengenharia dos processos de inteligência econômica.
Três canais de distorção que a IA injeta nos índices de inflação
Para entender o paradoxo, é preciso olhar para três mecanismos simultâneos que a IA acionou na última década e que se intensificaram com os modelos generativos e de recomendação.
1. Coleta de dados algorítmica e o ruído da precificação dinâmica
Grande parte dos índices de inflação hoje depende de web scraping e APIs de varejistas para capturar preços em tempo real. Até aí, tudo bem — é uma evolução natural. O problema surge quando os próprios algoritmos que definem esses preços são treinados para maximizar margem em ciclos curtos, ajustando valores de hora em hora com base em demanda, estoque e preços de concorrentes. Um modelo de reinforcement learning pode, por exemplo, elevar o preço de um produto em 15% durante um pico de busca, derrubá-lo minutos depois e repetir o ciclo. O scraper capta um snapshot — e o índice de inflação ganha uma volatilidade que não reflete a verdadeira tendência de custo, mas sim o comportamento de um agente autônomo.
Em um projeto que liderei para uma grande rede de supermercados, implementamos um sistema de precificação dinâmica que ajustava preços a cada 30 minutos. A equipe de economia da empresa notou que os dados enviados ao IBGE (Instituto Brasileiro de Geografia e Estatística) via nota fiscal eletrônica geravam uma série temporal com picos tão ruidosos que mascaravam qualquer sinal de tendência de demanda. Foi necessário criar um filtro estatístico para suavizar esses dados — mas isso introduz viés. Se todos os varejistas adotarem estratégias similares, o índice oficial de inflação se torna um artefato dos próprios algoritmos.
2. Mudança na cesta de consumo: a substituição acelerada por IA
O segundo canal é mais sutil. Modelos de recomendação de grandes plataformas de e-commerce e marketplaces estão constantemente empurrando o consumidor para produtos substitutos — mais baratos, com marcas próprias, ou de categorias diferentes. Uma IA bem treinada pode reduzir a elasticidade-preço da demanda que os economistas usam para calibrar seus modelos. O consumidor não percebe que está trocando arroz por macarrão porque o sistema sugeriu uma "promoção imperdível". Mas a cesta de consumo do IPCA (Índice de Preços ao Consumidor Amplo) leva tempo para ser rebalanceada. Enquanto isso, a inflação medida com a cesta antiga pode estar superestimada ou subestimada.
Esse efeito de substituição induzido por IA não é capturado pelos modelos econométricos clássicos de demanda quase ideal (AIDS, na sigla em inglês). Empiricamente, quando analisei dados de uma fintech de crédito pessoal, notei que a correlação entre gastos em categorias tradicionais (alimentação, transporte) e renda disponível caía à medida que aumentava o uso de recomendações personalizadas nos aplicativos de compra. A IA estava deformando a relação causal entre renda e consumo — justamente a base da Curva de Phillips, usada por bancos centrais para prever inflação a partir do desemprego.
3. Efeito produtividade e o viés de sobrevivência nos dados
O terceiro canal é o mais estrutural. A IA generativa e a automação de processos estão elevando a produtividade em setores inteiros — mas de forma heterogênea. Empresas que adotam IA cortam custos e repassam parte da redução aos preços, gerando uma pressão desinflacionária localizada. Enquanto isso, concorrentes que não adotam a tecnologia perdem margem e fecham, reduzindo a oferta e criando pressão inflacionária em outros pontos. O índice de preços agregado capta a média, mas os bancos centrais tomam decisões baseadas em núcleos de inflação que tentam filtrar esses ruídos. O problema é que os filtros estatísticos tradicionais (como exclusão de itens voláteis ou médias aparadas) não foram desenhados para lidar com choques de produtividade assimétricos causados por adoção tecnológica não uniforme.
Recentemente, ao trabalhar com um modelo de inflação de núcleo para uma corretora, percebemos que as séries de preços de serviços intensivos em conhecimento — como consultoria, desenvolvimento de software e educação — estavam apresentando deflação persistente, enquanto bens físicos e serviços presenciais mostravam inflação. Um economista clássico interpretaria como sinal de desaquecimento setorial. Mas a deflação em serviços de conhecimento é fruto de automação via IA, não de falta de demanda. O banco central que olhar apenas para o núcleo pode incorrer em erro de política.
O dilema dos modelos de machine learning nos bancos centrais
Irônica e tragicamente, os próprios bancos centrais estão cada vez mais usando modelos de aprendizado de máquina para prever inflação e orientar decisões de juros. O Federal Reserve de Atlanta, o Banco da Inglaterra e o Banco Central do Brasil já publicaram estudos sobre previsão de inflação com redes neurais e gradient boosting. Esses modelos são treinados, em grande parte, com os mesmos dados que a IA distorce. Estamos diante de um problema de circularidade recursiva: a IA que usamos para prever é influenciada pela IA que gera os dados.
Há um risco técnico grave de overfitting de regime. Modelos treinados em séries históricas recentes (pós-2015) incorporam implicitamente os padrões de precificação algorítmica e substituição induzida. Se esses padrões mudarem — como já está mudando com a adoção de agentes autônomos de compra e venda — o modelo perde completamente a validade. Em 2023, um estudo do BIS (Bank for International Settlements) mostrou que modelos de ML para inflação tinham performance superior em amostra, mas pior fora dela durante janelas de choque (como a pandemia). Agora, com a IA gerando choques contínuos e não estacionários, o problema se agrava.
Interpretabilidade e comunicação: o calcanhar de Aquiles dos BCs
Outro ponto que frequentemente negligenciamos em engenharia de software é que bancos centrais não tomam decisões técnicas isoladas — eles precisam comunicar ao mercado e à sociedade por que decidiram subir ou descer os juros. Modelos de caixa-preta (redes neurais profundas, ensembles complexos) simplesmente não oferecem explicações que os diretores de política monetária possam usar em coletivas de imprensa. Se um modelo de IA aponta inflação baixa, mas o comitê desconfia que o dado está distorcido, a saída é ignorar o modelo — e voltar a métodos tradicionais. Ou pior: usar o modelo como justificativa enviesada, escolhendo a interpretação que convém.
Já participei de discussões sobre governança de modelos em instituições financeiras e a recomendação para contextos críticos como política monetária é clara: modelos de ML devem ser apenas um dos insumos, nunca o fator decisório. O problema é que a complexidade dos dados atuais torna cada vez mais difícil para economistas humanos "sentirem" a inflação real sem o auxílio de máquinas.
Implicações práticas para engenheiros, econofísicos e product managers
Se você trabalha com sistemas que geram ou consomem dados econômicos, algumas ações concretas podem mitigar esses riscos:
- Audite a origem dos preços com que treina seus modelos. Dados de web scraping devem ser descontaminados de padrões de precificação dinâmica, aplicando filtros de suavização exponencial ou médias móveis que removam ruídos de microciclos de preço.
- Incorpore variáveis de adoção de IA nos seus modelos de previsão. Isso pode ser feito incluindo um regressor que meça a penetração de automação no setor (número de robôs, gastos com cloud ML, patentes de IA) para controlar o efeito produtividade.
- Prefira modelos interpretáveis (Lasso, árvores rasas, regressão com regularização) em vez de redes profundas para cenários macroeconômicos. Se a precisão cair um pouco, mas a explicabilidade subir muito, o trade-off é aceitável para tomada de decisão pública.
- Simule cenários contrafactuais em que a IA não existisse. Isso dá uma noção do viés introduzido. Por exemplo, retreine seu modelo de inflação com dados anteriores a 2015 e compare as previsões atuais — a diferença é, em parte, atribuível à disrupção algorítmica.
Para product managers que constroem sistemas de precificação ou marketplaces, a lição é: métricas de inflação setorial que você usa para tomar decisões de negócio (como reajuste de planos, precificação de serviços) podem estar viciadas pela sua própria IA. Crie um painel separado que mostre a inflação "orgânica", calculada com preços de referência fixa, sem interferência de algoritmos de repricing. Isso evita que você tome decisões baseado em efeitos espúrios.
Riscos de ignorar o problema: a repetição de 1970
Há um paralelo histórico incômodo. Na década de 1970, os bancos centrais confiaram por muito tempo na Curva de Phillips original, que mostrava uma relação estável entre desemprego e inflação. Quando choques de oferta de petróleo e mudanças nas expectativas quebraram essa relação, a política monetária errou feio — e tivemos estagflação. Hoje, corremos o risco de repetir o erro, mas com um adversário diferente: a IA que deforma os dados de oferta e demanda de forma não óbvia.
Os bancos centrais mais avançados já estão montando equipes multidisciplinares que mesclam economistas, cientistas de dados e engenheiros de machine learning para literalmente "depurar" os indicadores. O Banco Central Europeu, por exemplo, criou um grupo de trabalho sobre Big Data e IA para monitorar vieses em índices de preços. Ainda é cedo para saber se essas iniciativas serão suficientes, mas o fato é que a janela de adaptação é curta — e a inércia regulatória dos bancos centrais é longa.
Minha visão: precisamos de uma "infraestrutura de validação" para dados econômicos
Como engenheiro de software, acredito que a solução passa por construir, de forma colaborativa entre bancos centrais, institutos de estatística e big techs, um ecossistema de dados abertos e auditáveis, onde cada preço coletado tenha metadados de como foi gerado. Se um item foi precificado por algoritmo dinâmico, esse fato precisa ser anotado. Só assim poderemos separar o sinal do ruído. É uma mudança gigante de governança de dados, que exige padrões como schema on read, lineage tracking e modelos de consentimento para dados de transação.
No fim, a IA não é uma ameaça existencial para a política monetária — é um desafio de engenharia de sistemas e de transparência. Ignorá-lo, porém, custará caro em decisões erradas de juros e, consequentemente, em bem-estar econômico. Cabe a nós, profissionais de tecnologia, oferecer as ferramentas para que economistas possam enxergar a economia real através da névoa dos algoritmos.