Nos últimos dois anos, uma promessa recorrente circulou entre corretoras, fintechs e canais de investimento: modelos de linguagem seriam capazes de ler notícias, balanços e sentimento de mercado mais rápido e com mais frieza do que qualquer analista humano, produzindo sinais de compra e venda superiores aos da gestão passiva. Um estudo acadêmico publicado neste ano por pesquisadores da Universidade de Edimburgo, da Sungkyunkwan University e da UCLA/Oxford derruba boa parte dessa narrativa ao testar a ideia onde ela mais dói: no longo prazo e fora da amostra pequena e favorável em que costuma nascer.
O trabalho, batizado de FINSABER, construiu uma estrutura de backtesting que avaliou estratégias de timing de mercado guiadas por LLMs ao longo de duas décadas e mais de cem ativos — incluindo papéis que foram deslistados no caminho, para evitar o chamado viés de sobrevivência, que infla o desempenho quando só entram na conta as empresas que continuaram existindo. O período cobriu a crise financeira de 2008, o colapso da pandemia em 2020 e os mercados de alta entre essas crises1,2.
O resultado foi desanimador para os entusiastas: o suposto ganho de desempenho das estratégias baseadas em IA praticamente desaparece quando o teste se estende no tempo e se amplia o universo de ativos analisados2. Estudos anteriores, mais otimistas, costumavam se apoiar em poucas ações e janelas curtas — condições que superestimam a eficácia de qualquer estratégia, humana ou algorítmica1.
O mesmo erro dos humanos, só que em silício
O diagnóstico mais interessante da pesquisa não é que a IA erra — é como ela erra. Segundo a análise por regime de mercado, as estratégias de IA se mostraram conservadoras demais nos mercados de alta, deixando ganhos na mesa, e agressivas demais nos mercados de baixa, acumulando perdas pesadas justamente quando deveriam proteger o capital1. É o padrão clássico de medo e ganância que a literatura de finanças comportamentais atribui a investidores humanos havia décadas — só que reproduzido por um sistema sem emoções.
"A vantagem aparente das estratégias baseadas em LLMs praticamente desaparece quando avaliada em períodos mais longos e em um conjunto mais amplo de ações."
Outro achado desmonta um pressuposto comum no mercado: o de que modelos maiores e mais caros necessariamente operam melhor. Os pesquisadores testaram modelos de diferentes tamanhos e não encontraram relação confiável entre escala e desempenho de negociação — o que sugere que simplesmente esperar por modelos ainda maiores não resolve o problema estrutural, porque o ruído nos dados financeiros é proporcionalmente enorme diante do sinal útil que pode ser extraído deles.
O que muda para quem investe no Brasil
Para o investidor brasileiro, o tema deixou de ser hipotético. Segundo o Raio-X do Investidor Brasileiro 2025/2026, pesquisa da Anbima em parceria com o Datafolha com 5.832 entrevistados, 9% dos investidores já usam assistentes de inteligência artificial como fonte de informação sobre produtos financeiros — a primeira vez que o levantamento capturou esse hábito. O uso é mais concentrado entre homens (67%), jovens da Geração Z (49% do grupo) e investidores de classes A e B (58%)3,4.
Quem usa IA para investir no Brasil
De acordo com o Raio-X Anbima/Datafolha, o perfil típico do investidor que recorre a assistentes de IA é jovem, masculino, de renda mais alta e com carteira diversificada — 77% desse grupo aplica em mais de um produto financeiro, e 88% pretendem investir ainda em 20264. É exatamente o público mais exposto ao tipo de promessa de "timing perfeito" que o estudo de Edimburgo/UCLA questiona.
O apetite por essa tecnologia caminha junto com um mercado de capitais que segue crescendo: a mesma pesquisa da Anbima estima um saldo líquido potencial de 8,7 milhões de novos investidores em 2026, com o conhecimento espontâneo sobre produtos financeiros saltando de 28% para 43% da população entre 2021 e 20253. É justamente esse público em expansão, ainda com pouca bagagem para avaliar criticamente uma recomendação automatizada, que mais precisa da mensagem central do estudo: desconfiar de qualquer promessa de que um algoritmo bate o mercado de forma consistente.
A CVM já vigia os algoritmos — mas a régua não é fiduciária
Diferentemente dos Estados Unidos, onde a discussão sobre uso de IA em recomendações de investimento ainda tramita na SEC, o Brasil já tem uma norma específica em vigor. A Resolução CVM nº 19 estabelece, em seu artigo 17, que a prestação de serviços de consultoria de valores mobiliários por meio de sistemas automatizados ou algoritmos está sujeita a obrigações específicas — inclusive a exigência de que o código-fonte da ferramenta fique disponível para inspeção da autarquia na sede da empresa, em versão não compilada5. Ou seja: o robô pode operar, mas a responsabilidade continua sendo humana e auditável.
Essa arquitetura regulatória tende a ganhar mais camadas em 2026. A Agenda Regulatória da CVM para o ano prevê consulta pública sobre o tema de "finfluencers" e modernização das regras para analistas, além da revisão do conceito de investidor qualificado e ajustes nas normas de suitability — o processo pelo qual corretoras e assessores devem verificar se um produto é adequado ao perfil de risco do cliente6. Especialistas em direito do mercado de capitais também apontam que, embora a CVM já regule algoritmos de consultoria, ela tem limites institucionais claros quando o produto foge do conceito tradicional de valor mobiliário — um debate que ganhou força com a chegada de plataformas de mercados preditivos ao país7.
Contraponto: nem toda promessa de IA é rigor acadêmico
Considerando que pesquisadores testam LLMs sob condições rigorosas de duas décadas, o marketing de produtos de automação no varejo brasileiro segue outro ritmo. É comum encontrar divulgações de "robôs" de operação que reportam retornos de centenas de pontos percentuais em poucos meses, comparando-se favoravelmente ao Ibovespa, à Selic e até ao bitcoin no mesmo período — números que, sem auditoria independente, sem histórico de longo prazo e sem teste em diferentes regimes de mercado, são exatamente o tipo de evidência de curto prazo que o estudo de Edimburgo/UCLA mostra ser enganosa quando extrapolada.
A CVM já registra fintechs de automação de investimentos como consultoras de valores mobiliários, com custódia terceirizada em corretoras — o que dá alguma camada de proteção estrutural ao investidor, mas não é garantia de que a estratégia algorítmica embutida no produto vá repetir, nos próximos vinte anos, o desempenho anunciado nos últimos meses.
O que a IA faz bem — e o que não faz
O estudo não é um veredito contra o uso de inteligência artificial em finanças de forma geral. Modelos de linguagem continuam úteis para tarefas em que velocidade de leitura e síntese importam mais do que previsão de preços: resumir teleconferências de resultados, vasculhar demonstrações financeiras extensas ou esclarecer dúvidas conceituais simples sobre produtos de investimento. A diferença é entre usar a IA como ferramenta de pesquisa e apoio — papel em que ela tende a ir bem — e delegar a ela a decisão de quando entrar e sair do mercado, papel em que a evidência acadêmica mais recente é de ceticismo.
Há também uma assimetria de responsabilidade que separa o consultor humano do assistente de IA: no Brasil, como nos Estados Unidos, um assessor de investimentos registrado responde perante o regulador e, dependendo do enquadramento, pode ter deveres fiduciários em relação ao cliente. Um modelo de linguagem não tem CPF, não presta contas à CVM como pessoa responsável e não pode ser acionado por má orientação da mesma forma que um profissional credenciado. Se a recomendação vier de um bot, o risco da decisão financeira continua inteiramente com quem investiu.
Para o mercado brasileiro — que combina um Banco Central em ciclo de juros ainda elevados, uma Bolsa historicamente volátil e uma onda real de novos investidores mais jovens experimentando ferramentas de IA pela primeira vez — a moral do estudo é direta: instrumentos de inteligência artificial podem ajudar a entender o mercado, mas ainda não sabem cronometrá-lo melhor do que simplesmente comprar e segurar.
Este artigo tem finalidade jornalística e educativa, não constitui recomendação de investimento. Rentabilidade passada não garante resultados futuros; decisões financeiras devem considerar o perfil de risco individual e, quando cabível, orientação de profissional habilitado junto à CVM.
Este artigo foi inspirado pela reportagem "Is AI Good at Stock-Market Timing? A New Study Casts Doubt", de Andrew Blackman, publicada pelo The Wall Street Journal em 25 de junho de 2026 (wsj.com). A reportagem original serviu de gancho temático; a apuração, os dados regulatórios brasileiros e as fontes adicionais citadas neste texto são de responsabilidade independente de O Tecido.