Existe um tipo de entusiasmo que me incomoda profundamente. É o entusiasmo de quem descobre que um modelo de machine learning consegue prever o PIB trimestral com 94% de acurácia e conclui, sem hesitação, que finalmente temos uma "ciência econômica de verdade". Como se o problema da economia fosse precisão numérica. Como se a questão toda fosse acertar a previsão.
Não é. Nunca foi.
Eu trabalho com tecnologia. Gosto de modelos, gosto de dados, gosto de automação. Mas quanto mais aprendo sobre como o machine learning está sendo absorvido pela economia mainstream, mais me parece que estamos dando ferramentas sofisticadíssimas para pessoas que fazem as perguntas erradas.
Este texto é sobre onde o ML pode, de fato, ser útil à econometria; e onde ele se torna álibi para uma ciência social que se recusa a ser social.
O que a econometria faz (e o que ela finge que faz)
Econometria é, na definição mais honesta, a aplicação de métodos estatísticos a dados econômicos. Na prática, significa pegar um fenômeno como desemprego, inflação, consumo, desigualdade e tentar modelá-lo matematicamente: identificar variáveis, estimar relações, testar hipóteses.
O problema não é o método. O problema é o que fica de fora.
A econometria convencional opera dentro de um quadro teórico que já decidiu, antes de olhar qualquer dado, o que é relevante e o que não é. Agentes racionais maximizando utilidade. Mercados tendendo ao equilíbrio. Preferências individuais como ponto de partida. O modelo matemático não descobre a realidade; ele confirma as premissas de quem o construiu.
Marx já apontava algo parecido, embora em outro vocabulário. Nas Grundrisse, ele criticava os economistas que tomavam as categorias do capitalismo — mercadoria, valor, trabalho assalariado — como categorias naturais, eternas, em vez de reconhecê-las como produtos históricos de relações sociais específicas. A matematização não resolve esse problema; frequentemente o aprofunda, porque dá a aparência de objetividade científica a premissas que são, no fundo, escolhas ideológicas.
Quando alguém diz "o modelo mostra que o salário mínimo causa desemprego", o que está realmente dizendo é: "dentro de um modelo que assume mercados competitivos, agentes racionais e equilíbrio de oferta e demanda, o resultado matemático aponta nessa direção". O modelo não mostra a realidade. Mostra as consequências lógicas das suas próprias premissas.
Entra o machine learning - potência real, perguntas ruins
O machine learning trouxe algo que a econometria clássica não tinha: a capacidade de encontrar padrões em dados sem especificar a forma funcional de antemão. Um modelo de regressão linear exige que você diga "a relação entre X e Y é linear". Uma random forest ou uma rede neural não exigem isso, i.é, elas descobrem a estrutura nos dados, sejam relações lineares, não-lineares, interações complexas entre variáveis.
Isso é genuinamente poderoso. E é aqui que o ML pode, de fato, prover insumos valiosos à econometria:
Na seleção de variáveis, modelos como LASSO, elastic net ou gradient boosting conseguem identificar, entre centenas de variáveis candidatas, quais são realmente relevantes para prever um fenômeno. Isso é útil quando o pesquisador enfrenta dados de alta dimensionalidade — muitas variáveis possíveis e pouca teoria para guiar a escolha. Em vez de decidir arbitrariamente quais variáveis incluir no modelo (uma prática mais comum e mais arbitrária do que os manuais admitem), o ML pode funcionar como uma etapa exploratória honesta.
Na estimação de efeitos heterogêneos, técnicas como causal forests permitem estimar como o efeito de uma política varia entre subgrupos da população. O salário mínimo pode afetar de forma diferente jovens sem qualificação, mulheres em regiões periféricas, trabalhadores informais do Nordeste. A econometria clássica tende a estimar um efeito médio que esconde essas diferenças. O ML pode desagregá-las.
No tratamento de dados não-estruturados, o ML permite incorporar à análise econômica dados que antes eram inacessíveis: imagens de satélite para estimar pobreza, texto de notícias para medir incerteza econômica, dados de redes sociais para captar expectativas de consumo. Isso amplia materialmente o que a econometria pode enxergar.
Na predição como insumo, modelos preditivos podem gerar variáveis que alimentam análises causais subsequentes. Prever a probabilidade de inadimplência de um indivíduo, por exemplo, para depois estudar como políticas de crédito afetam diferentes faixas de risco. A predição não é o fim — é o meio.
Nada disso é trivial. São contribuições reais. O problema é quando a contribuição para por aí — quando o ML é tratado como a resposta em si, e não como uma ferramenta dentro de uma pergunta maior.
A armadilha: confundir predição com compreensão
Aqui mora o perigo. E é um perigo que a economia mainstream abraça com entusiasmo, porque lhe convém.
Um modelo de ML pode prever com altíssima precisão se uma pessoa vai ficar desempregada nos próximos seis meses. Ele pode identificar os fatores associados como idade, escolaridade, setor, região, histórico. Mas ele não explica por que o desemprego existe como fenômeno estrutural. Não diz nada sobre a relação entre capital e trabalho, sobre o exército industrial de reserva, sobre como o desemprego funciona como mecanismo disciplinador dos salários.
A predição responde "o quê" e, parcialmente, "como". Nunca responde "por quê".
E a economia que se satisfaz com predição é uma economia que desistiu de entender o mundo para se contentar em administrá-lo. É uma economia de gestores, não de pensadores. Uma economia que diz ao governo "essas pessoas vão ficar desempregadas" mas não pergunta por que uma sociedade produtivamente capaz mantém milhões em ociosidade forçada.
Milton Friedman, não por acaso, defendia exatamente isso. Em seu ensaio de 1953 sobre metodologia econômica, ele argumentou que uma teoria não precisa ter premissas realistas, basta que gere previsões corretas. É o instrumentalismo levado ao extremo: não importa se o mapa está errado, desde que você chegue ao destino.
O machine learning é o filho perfeito dessa filosofia. Ele literalmente não se importa com o porquê. Ele otimiza a função de perda e entrega o resultado. E, no processo, dá à economia mainstream exatamente o que ela sempre quis: uma justificativa técnica para não se fazer perguntas incômodas.
Modelos fechados, sociedades fechadas
Tem uma outra dimensão que raramente aparece nessa conversa: quem controla os modelos?
Os melhores modelos de ML aplicados à economia estão, cada vez mais, dentro de bancos centrais, consultorias financeiras, hedge funds e big techs. São modelos proprietários, treinados em dados proprietários, gerando insights que beneficiam quem pode pagar.
Quando o JPMorgan usa redes neurais para prever movimentos de mercado, essa informação não é publicada — é monetizada. Quando a Palantir constrói modelos preditivos de "risco social" para governos, os critérios e os dados ficam opacos. Quando o FMI usa ML para "avaliar" economias de países periféricos, os países avaliados não têm acesso ao funcionamento interno dos modelos que determinam as condições dos seus empréstimos.
Isso reproduz no plano tecnológico a mesma assimetria que Marx identificava no plano produtivo: quem controla os meios de produção (neste caso, os meios de conhecimento) controla os termos do jogo. O modelo fechado de economia não é só uma metáfora epistemológica; é, cada vez mais, um modelo computacional literalmente fechado, rodando em servidores que você não acessa, com dados que você não vê, gerando conclusões que afetam sua vida.
A defesa de modelos abertos — código aberto, dados públicos, metodologias replicáveis — não é, portanto, uma questão técnica. É uma questão de democracia epistêmica. Quem pode produzir conhecimento sobre a economia? Quem pode questionar as premissas? Quem pode verificar os resultados?
O que uma econometria crítica faria com ML
Se a econometria se levasse a sério como ciência social (e não apenas como matemática aplicada a dados econômicos) o machine learning teria um papel diferente. Não seria o protagonista; seria o auxiliar de pesquisa.
Seria usado para explorar dados antes de teorizar, não para substituir a teoria. Para identificar padrões inesperados que a teoria existente não prevê — e então perguntar por que esses padrões existem. Para revelar as heterogeneidades que os modelos médios escondem. Para dar voz quantitativa a fenômenos que a economia mainstream ignora: trabalho doméstico não remunerado, economia informal, circuitos de solidariedade comunitária, formas de produção que não passam pelo mercado.
Uma econometria crítica usaria ML para testar as premissas, não para confirmá-las. Se um modelo de ML prevê bem o consumo sem incluir a variável "expectativas racionais", talvez as expectativas racionais não sejam tão centrais quanto o manual diz. Se um modelo treinado em dados reais mostra que os mercados de trabalho não se comportam como o modelo de oferta e demanda prevê, talvez o modelo de oferta e demanda esteja errado.
Isso é o oposto de como o ML está sendo usado hoje. Hoje ele é usado para otimizar previsões dentro do paradigma existente. Uma econometria crítica o usaria para desafiar o paradigma.
Os dados não falam por si
Existe uma frase que circula nos meios de data science como se fosse uma verdade evangélica: "deixe os dados falarem". É uma frase perigosa.
Dados não falam. Dados são produzidos. Alguém decide o que medir, como medir, quem incluir, quem excluir. O PIB, por exemplo, é uma construção, ele mede produção de mercado e exclui trabalho reprodutivo, destruição ambiental, economia de subsistência. Quando você treina um modelo de ML no PIB, não está trabalhando com "a realidade econômica"; está trabalhando com uma representação parcial, ideologicamente carregada, da realidade.
O mesmo vale para dados de emprego (que ignoram a informalidade), dados de renda (que subestimam os muito ricos), dados de consumo (que não captam formas não-mercantis de provisão). O ML amplifica o que está nos dados — incluindo suas lacunas e seus vieses.
Uma postura crítica exige, portanto, interrogar os dados antes de modelá-los. Perguntar: o que esses dados não captam? Quem está ausente? Que relações de poder produziram essa base? Sem essas perguntas, o ML mais sofisticado do mundo vai apenas confirmar, com alta precisão e bonitos gráficos, a visão de mundo de quem coletou os dados.
Nem ludismo nem deslumbramento
Não estou dizendo que o ML é inútil para a economia. Estou dizendo que ele é perigoso quando desacoplado de uma teoria social que dê sentido aos seus resultados.
O martelo é uma ferramenta extraordinária. Mas se você só tem um martelo, tudo vira prego. O ML na economia mainstream funciona assim: uma ferramenta poderosa a serviço de uma imaginação estreita. Prevê melhor, otimiza melhor, quantifica melhor — mas continua preso às mesmas perguntas, às mesmas premissas, aos mesmos interesses.
A alternativa não é rejeitar a ferramenta. É ampliar a imaginação.
Usar ML com dados abertos, metodologias transparentes, perguntas que vêm de baixo, das comunidades afetadas, dos trabalhadores precarizados, dos países periféricos. Usar a capacidade preditiva não para administrar a miséria, mas para entender suas causas. Usar a potência computacional não para otimizar portfólios financeiros, mas para modelar alternativas ao sistema que os produz.
Marx escreveu que "a humanidade só se coloca problemas que pode resolver". Temos hoje capacidade computacional e acesso a dados numa escala sem precedentes. O problema nunca foi a ferramenta. O problema é que tipo de sociedade decide o que perguntar, e o que prefere não saber.
Se você trabalha com dados, ML ou economia e quer pensar criticamente sobre o que está construindo — a conversa está aberta.