O Brasil vive um paradoxo econômico: indicadores macroeconômicos mostram crescimento, desemprego em queda e aumento da renda média, mas as pesquisas de opinião revelam um descontentamento persistente da população. A economista Laura Carvalho aponta um fator pouco discutido em análises tradicionais: as redes sociais criam desejos de consumo que avançam mais rápido do que a renda real cresce. Esse fenômeno, impulsionado por motores de recomendação baseados em inteligência artificial, altera profundamente a percepção de bem-estar e a satisfação com o governo, especialmente entre a geração mais escolarizada.
Do ponto de vista técnico, estamos diante de um sistema de amplificação algorítmica de aspirações. As plataformas digitais usam modelos de machine learning para maximizar o tempo de tela e o engajamento, mostrando conteúdos que evocam desejo, status e comparação social. O resultado é uma escalada contínua de expectativas de consumo que supera qualquer ganho salarial. Para engenheiros de software e profissionais de produto, entender esse mecanismo é essencial: não se trata apenas de economia comportamental, mas de arquitetura de sistemas que moldam a realidade subjetiva de milhões de usuários.
A frustração é ainda mais aguda entre jovens com ensino superior que não encontram empregos compatíveis com sua formação. Aqui, a inteligência artificial também desempenha um papel duplo: por um lado, automatiza funções de nível médio, reduzindo vagas tradicionais; por outro, os algoritmos de recrutamento e as plataformas de networking criam expectativas irreais de carreira. O resultado é uma geração que se sente traída pelo próprio investimento educacional, em um mercado onde a tecnologia redefine constantemente o que é "emprego compatível". Este artigo analisa esse cenário sob a ótica da engenharia de software e da IA aplicada, buscando lições práticas para quem constrói produtos digitais e gerencia times de tecnologia.
Contexto técnico ou de negócio
Laura Carvalho, professora da FEA-USP e ex-diretora do IPEA, sugere que a insatisfação dos brasileiros não pode ser explicada apenas por fatores econômicos tradicionais. Ela observa que, mesmo com crescimento do PIB e queda do desemprego, a percepção de bem-estar não acompanha os números. Uma das hipóteses centrais é a mudança nas aspirações de consumo, alimentada por redes sociais que expõem constantemente estilos de vida inalcançáveis. Esse fenômeno tem paralelos com o que a literatura de tecnologia chama de "efeito de comparação social algorítmica": os feeds são projetados para maximizar a diferença entre o que o usuário tem e o que vê, gerando insatisfação crônica.
Para o setor de tecnologia, essa dinâmica representa um dilema ético e de produto. As métricas de sucesso tradicionais — engajamento, tempo de uso, retenção — estão diretamente correlacionadas com a amplificação de desejos. Quanto mais a plataforma entrega conteúdo aspiracional, maior o engajamento, mas também maior a frustração do usuário. Engenheiros que trabalham com sistemas de recomendação precisam considerar não apenas a acurácia preditiva, mas os efeitos colaterais de curto e longo prazo sobre a saúde mental e a percepção econômica dos usuários. É um campo onde a responsabilidade algorítmica encontra a economia comportamental.
Por que isso importa para quem constrói produtos digitais
O fenômeno descrito por Carvalho não é uma abstração sociológica distante. Ele se materializa em dados de usuário: taxas de churn, diminuição de confiança na plataforma, reclamações em canais de suporte e, eventualmente, regulação governamental. Produtos que ignoram o impacto das recomendações algorítmicas sobre as aspirações de consumo podem enfrentar pressão regulatória semelhante à que atingiu as redes sociais em temas como desinformação e vício digital. Para startups e grandes empresas, entender essa correlação é uma questão de sustentabilidade de longo prazo.
Desenvolvimento
A tese central de Laura Carvalho pode ser traduzida em termos de engenharia de sistemas: redes sociais operam como máquinas de amplificação de desejos. Cada like, compartilhamento ou comentário retroalimenta o modelo de recomendação, que aprende a priorizar conteúdos que evocam desejo de consumo. O algoritmo não precisa de uma intenção explícita de frustrar o usuário — ele simplesmente otimiza uma função-objetivo que não inclui o bem-estar subjetivo de longo prazo. É um viés de métrica: a plataforma mede engajamento, não satisfação.
Esse mecanismo tem consequências diretas para a formação de preços e expectativas. Quando um jovem profissional vê repetidamente anúncios de cursos, carros, viagens e roupas de luxo, seu ponto de referência de sucesso se desloca. A renda real pode crescer 5%, mas o feed mostra que a vida desejada exige 20% mais. A diferença gera frustração, que por sua vez alimenta o engajamento — o usuário passa mais tempo buscando formas de alcançar aquele padrão. É um ciclo vicioso do qual a plataforma depende para seus KPIs.
Algoritmos de recomendação e a escalada de aspirações
Do ponto de vista técnico, estamos falando de modelos de deep learning para sistemas de recomendação baseados em filtragem colaborativa e conteúdo. Esses modelos são treinados em enormes conjuntos de dados de interação usuário-item. A função de perda típica minimiza o erro entre a predição de clique e o clique real. Nenhuma métrica de "bem-estar percebido" ou "comparação social" entra na equação. Para corrigir isso, seria necessário incorporar sinais de longo prazo — como cancelamento de conta, redução de uso após exposição a certo conteúdo ou feedback explícito de insatisfação —, mas essas variáveis são raramente priorizadas porque atrapalham o engajamento imediato.
Empresas como Instagram e TikTok já enfrentaram críticas por amplificar ansiedade e depressão entre jovens. A resposta parcial foi introduzir controles de bem-estar digital, como ocultar número de curtidas ou limitar recomendações de conteúdo sensível. Porém, essas soluções são superficiais se o motor central de recomendação continuar otimizado para engajamento puro. Um engenheiro de machine learning que se preocupa com impacto social precisa repensar a função de recompensa — talvez incluir uma penalidade para conteúdos que geram altas taxas de abandono ou reclamações pós-exposição.
Inteligência artificial e a frustração do profissional escolarizado
Outro ponto levantado por Carvalho é a dificuldade que jovens com ensino superior enfrentam para encontrar empregos compatíveis com sua formação. Aqui, a IA também participa de duas maneiras. Primeiro, sistemas de automação baseados em IA eliminam postos de trabalho de nível médio — tarefas administrativas, análise de dados básica, atendimento ao cliente — que antes serviam como porta de entrada para recém-formados. Segundo, as plataformas de recrutamento usam algoritmos de matching que filtram candidatos com base em palavras-chave e histórico, gerando expectativas irreais de carreira.
O resultado é uma discrepância entre a formação acadêmica e as vagas disponíveis. O LinkedIn, por exemplo, recomenda cargos que exigem habilidades que o profissional não possui, ao mesmo tempo que sugere cursos pagos para preencher essa lacuna. A plataforma lucra com a insatisfação: quanto mais o usuário se sente inadequado, mais consome serviços de desenvolvimento profissional. É um modelo de negócio que se beneficia da ansiedade gerada pela própria comparação algorítmica. Para quem trabalha com produto, isso levanta questões de design ético: até que ponto a recomendação deve priorizar o bem-estar do usuário contra a receita de terceiros?
- Impacto na arquitetura de produto: Sistemas de recomendação devem incluir loops de feedback que capturem sinais de insatisfação, como taxa de denúncia de anúncios, tempo gasto em conteúdo negativo ou aumento de churn. Incorporar essas variáveis na função de perda pode reduzir a escalada de desejos.
- Consequências para carreira em tecnologia: Profissionais de engenharia de software precisam entender que suas escolhas algorítmicas têm efeitos econômicos reais. Um sistema de matching de vagas mal calibrado pode gerar frustração em massa e, eventualmente, regulação do setor.
- Oportunidade para novos modelos de negócio: Startups que criarem plataformas com métricas centradas no bem-estar do usuário — em vez de engajamento puro — podem conquistar um nicho de mercado cada vez mais relevante, especialmente entre a geração escolarizada que já percebe os efeitos negativos dos algoritmos tradicionais.
Decisões técnicas ou editoriais
Ao optar por conectar a análise econômica de Laura Carvalho com inteligência artificial aplicada, este artigo adota uma perspectiva que não é explicitamente defendida pela autora. Carvalho foca em aspirações de consumo e educação, mas não detalha o papel dos algoritmos. A decisão editorial foi extrapolar seu diagnóstico para o domínio da engenharia de software, porque o público do blog Satochi se beneficia dessa tradução técnica. É uma interpretação fundamentada, mas que deve ser lida como uma contribuição própria, não como reprodução do argumento original.
Do ponto de vista técnico, evitaram-se invenções de métricas ou algoritmos específicos. Não há referência a modelos proprietários de plataformas reais, pois esses dados não são públicos. Em vez disso, usou-se lógica de sistemas de recomendação padrão, descrita na literatura de machine learning. A decisão foi manter o nível de abstração que permita a engenheiros de software aplicar as reflexões a seus próprios contextos, sem cair em especulações sobre o funcionamento interno de empresas específicas.
Também se optou por não abordar diretamente a dimensão política do governo Lula, já que o foco do blog é tecnologia e não análise partidária. O fenômeno da insatisfação é tratado como um caso de estudo de externalidades algorítmicas, independentemente de governo. Essa escolha mantém o artigo útil para profissionais de tecnologia em qualquer contexto político, evitando polarização desnecessária e mantendo a relevância técnica.
Riscos, limitações e perguntas em aberto
Este artigo parte da premissa de que as redes sociais são um fator causal importante na insatisfação dos brasileiros. No entanto, Laura Carvalho mesmo reconhece que existem múltiplas causas — desempenho econômico real, desigualdade estrutural, expectativas históricas. Atribuir excessivo peso aos algoritmos pode simplificar demais um fenômeno complexo. A análise técnica aqui apresentada deve ser considerada uma hipótese complementar, não uma explicação única.
Outra limitação é a ausência de dados quantitativos que comprovem a correlação entre exposição a conteúdo aspiracional e queda na satisfação medida por pesquisas. Embora estudos acadêmicos mostrem relação entre uso de redes sociais e ansiedade, a transposição para o macroeconômico brasileiro ainda carece de evidências consolidadas. [INSERIR EXEMPLO ANONIMIZADO] de um estudo de 2023 sobre Instagram e percepção de renda seria necessário para fortalecer o argumento, mas não está disponível no material original.
Por fim, há o risco de que engenheiros interpretem este texto como um chamado a modificar funções de perda de sistemas de recomendação sem considerar os trade-offs de negócio. Reduzir a amplificação de desejos pode diminuir engajamento e receita, criando tensão entre ética e resultados. Não há resposta pronta — cada equipe de produto precisa pesar esses fatores com dados próprios. O debate sobre como incluir bem-estar nas métricas de sucesso é uma das perguntas em aberto mais urgentes para a IA aplicada hoje.
Aprendizados práticos
O primeiro aprendizado é a importância de medir o que não está no dashboard. Se seu produto usa recomendação algorítmica, monitore indicadores indiretos de insatisfação: aumento de reclamações sobre comparação social, relatos de ansiedade pós-uso, ou cancelamentos depois de campanhas aspiracionais. Eles podem sinalizar que o algoritmo está criando frustração, mesmo que o engajamento continue alto.
Segundo, para profissionais de tecnologia que trabalham com plataformas de recrutamento ou desenvolvimento de carreira, entender o ciclo de amplificação de desejos é crucial. Seu sistema de matching pode estar gerando expectativas irreais que levam à desistência ou à compra de cursos não necessários. Considere adicionar um filtro de "realismo": mostrar ao usuário não apenas cargos desejados, mas também trajetórias realistas baseadas em dados de mercado.
Terceiro, a frustração da geração escolarizada aponta para uma oportunidade de inovação em produto. Startups que criarem plataformas de educação continuada com foco em empregabilidade real, em vez de promessas de ascensão rápida, podem conquistar a confiança desse público. O segredo é alinhar as recomendações com dados de mercado verificados, e não com o conteúdo mais aspiracional possível. Engenheiros de software podem liderar essa mudança ao projetar sistemas que priorizam o bem-estar do usuário sobre o engajamento de curto prazo.
Conclusão
A análise de Laura Carvalho sobre a insatisfação dos brasileiros oferece um prisma valioso para quem constrói tecnologia. As redes sociais, alimentadas por algoritmos de IA, não apenas refletem desejos de consumo — elas os amplificam de forma sistemática, criando um gap entre aspiração e realidade que frustra especialmente os mais escolarizados. Para engenheiros e gerentes de produto, reconhecer esse mecanismo é o primeiro passo para projetar sistemas mais responsáveis e sustentáveis.
O futuro do trabalho e a percepção de bem-estar dependem de decisões técnicas que tomamos hoje. Incluir variáveis de satisfação de longo prazo nas funções de perda dos modelos de recomendação, adotar métricas de saúde digital e repensar o design de plataformas de carreira são ações concretas que podem mitigar a insatisfação gerada por algoritmos. O debate está apenas começando, e os profissionais de tecnologia têm a responsabilidade — e a oportunidade — de liderar essa transformação. [INSERIR DIAGRAMA DE ARQUITETURA] que ilustre o ciclo de amplificação de desejos seria um complemento útil para futuras discussões.