Por que o alerta de Stanford sobre IA importa para os modelos de crédito no Brasil

Julia Fonseca perfil do autor

Um alerta que fala a língua de quem subscreve crédito

Recentemente, mais de 200 economistas e pesquisadores de inteligência artificial assinaram uma carta aberta dizendo que "precisamos agir agora". Entre os signatários estão 16 vencedores do Prêmio Nobel, como Daron Acemoglu e Michael Spence, além de executivos de Anthropic, Google e OpenAI. O texto foi organizado pelo Stanford Digital Economy Lab e divulgado em meados de julho.

A carta afirma que a IA pode provocar uma transformação econômica maior que a Revolução Industrial, só que em prazo muito mais curto, com risco de desemprego em larga escala. Para quem trabalha com tecnologia aplicada a finanças, o ponto relevante não é a manchete: é o que os dados por trás dela significam para os sistemas que calculam score, limite e taxa.

O mecanismo: modelos de crédito assumem que o futuro se parece com o passado

Os modelos de crédito são calibrados observando como pessoas de determinada idade, ocupação e histórico de renda se comportaram ao longo de anos. Esse exercício pressupõe um mecanismo de entrada estável no mercado de trabalho. Em outras palavras, o modelo aprende com o passado e assume que a próxima safra de entrantes vai repetir o mesmo padrão.

A pesquisa por trás do alerta de Stanford é apresentada como a primeira evidência sólida de que esse degrau de entrada está rachando. O estudo chama os jovens de 22 a 25 anos de "canários na mina de carvão" do mercado de trabalho americano — o grupo que sinaliza, antes de qualquer outro, um efeito que ainda não aparece nos números agregados.

O que os dados de folha mostram

Usando dados de folha de pagamento da ADP, Erik Brynjolfsson e os coautores Bharat Chandar e Ruyu Chen descobriram que, desde 2022, jovens de 22 a 25 anos em ocupações mais expostas à IA generativa tiveram queda relativa de até 16% no emprego, enquanto trabalhadores de 35 a 49 anos, nas mesmas funções, cresceram mais de 9%.

O detalhe técnico importa: o ajuste não veio pelo salário, que ficou estável, mas pelo volume de contratação. A empresa não paga menos ao jovem, simplesmente para de contratá-lo. A leitura oferecida no estudo é direta: a IA generativa é excelente em conhecimento codificável, o que se aprende em curso e treinamento formal — exatamente o que um recém-formado tem para oferecer. O que falta à tecnologia é conhecimento tácito, julgamento e contexto, que só se acumula estando dentro do mercado.

O recorte brasileiro

No Brasil, a exposição agregada ainda é menor que a americana. O FGV IBRE estima cerca de 30% da população ocupada exposta à IA generativa, ante algo próximo de 60% nos Estados Unidos, segundo o FMI, porque há proporcionalmente menos empregos de escritório. Mas, dentro desse recorte, há um núcleo de 5,2 milhões de trabalhadores no grau mais alto de exposição, majoritariamente escriturários jovens concentrados em serviços financeiros.

O efeito já aparece como realizado, não apenas potencial. O economista Daniel Duque, do FGV IBRE, encontra que jovens de 18 a 29 anos nas ocupações mais expostas têm hoje cerca de 5% menos chance de estar empregados e renda 7% menor do que teriam sem essa exposição.

Há também um motivo estrutural para observar a velocidade dessa substituição. Segundo o artigo, um funcionário CLT custa de 68% a mais de 100% acima do salário-base em encargos, o que significa que a conta da automação pode fechar por corte de custo mesmo quando o ganho de produtividade for menor do que nos Estados Unidos.

Onde isso toca o desenho dos modelos

Se o degrau de entrada racha — se uma fração relevante de jovens leva mais tempo para entrar no mercado, entra em posições mais precárias ou entra e sai de forma mais instável do que a coorte anterior —, a curva de renda por idade que o modelo aprendeu deixa de descrever o que vai acontecer com quem está entrando agora.

O efeito prático descrito no artigo é concreto: o histórico de emprego formal como proxy de estabilidade perde força. Um modelo que pune poucos meses de carteira assinada como sinal de risco pode negar ou subprecificar justamente a geração que está tentando entrar por um caminho diferente do que o modelo aprendeu a reconhecer. E, como a mudança é recente demais para estar bem capturada nos dados históricos, o erro tende a aparecer primeiro nas safras mais novas e só será percebido quando a inadimplência já tiver subido.

O pano de fundo macroeconômico

Esse debate acontece num ambiente de crédito específico. Em 16 de setembro de 2026, a Selic estava em 14% ao ano. O CDI, em 20 de agosto de 2026, marcava 13,9% ao ano. A taxa de desemprego medida pela PNAD estava em 5,4% na leitura de fevereiro de 2026, o último dado disponível na série consultada.

Do lado de preços, o IPCA acumulado em 12 meses estava em 4,44% na observação de julho de 2026, com variação de 0,07% no mês. Esses indicadores compõem o cenário no qual os modelos de risco operam — e ajudam a explicar por que revisitar pressupostos de entrada no mercado é um exercício de engenharia de dados, não de opinião.

O sentido do sinal

A carta de Stanford pede que as instituições ajam agora porque a janela para se preparar seria mais curta do que a de qualquer transformação econômica anterior. Como resume o próprio artigo, o canário não está anunciando uma catástrofe amanhã; está anunciando que o ar mudou de composição. Para times de tecnologia e risco, a pergunta técnica é como identificar essa mudança nos dados antes que ela apareça, em escala, nos índices de inadimplência.

Este conteúdo é educativo e descreve mecanismos de modelagem de risco e indicadores econômicos; não constitui recomendação de investimento nem análise de ativos.