Por que a IA não previu a onda azul que derrubou a Nasdaq?

Caderno Economia · Mercados e Inteligência Artificial

Na quinta-feira, 5 de novembro de 2026, Wall Street viveu o tipo de pregão que entra para os livros. Segundo cálculos do Financial Times com dados da FactSet, o índice S&P Composite 1500 perdeu cerca de US$ 3,2 trilhões em valor de mercado em um único dia, a maior queda desde a virada do milênio, enquanto o Nasdaq 100 recuou 6,4%. O gatilho declarado foi político: a vitória democrata nas eleições de meio de mandato, que devolveu ao partido o controle das duas casas do Congresso e acendeu nos investidores o temor de que a construção acelerada de data centers para inteligência artificial perca fôlego.

A pergunta que interessa a este caderno, porém, é outra. Se a indústria financeira passou a última década prometendo que algoritmos, modelos estatísticos e agora grandes modelos de linguagem enxergariam o futuro melhor do que os humanos, por que tanta gente foi surpreendida? A IA não previu a onda azul? E, se não previu, falhou justamente diante de um revés para ela mesma?

A resposta curta é desconfortável para os dois lados do debate. O resultado eleitoral, em boa medida, foi previsto. O que ninguém precificou direito foi o que ele significava.

O placar estava no preço; os modelos de linguagem erraram o Senado

Convém separar três tipos de "oráculo" que costumam ser confundidos sob o rótulo genérico de inteligência artificial.

O primeiro são os mercados de previsão, plataformas em que pessoas compram e vendem contratos atrelados a eventos reais. Na véspera da votação, a Polymarket atribuía 74% de chance a uma vitória democrata nas duas casas, segundo levantamento do Boston Globe, e precificava como favoritos candidatos que acabariam eleitos, como James Talarico no Texas e Troy Jackson no Maine. No dia da eleição, a média entre Kalshi e Polymarket dava aos democratas 94% de probabilidade de conquistar a Câmara. Esses mercados não são "IA" no sentido estrito, mas são o tipo de agregador de informação que os entusiastas da previsão algorítmica costumam citar como referência. E acertaram.

O segundo grupo são os grandes modelos de linguagem, os chatbots generalistas que milhões de pessoas passaram a consultar como se fossem analistas. Aqui o desempenho foi pior. Em um experimento público realizado em março, a plataforma Opper colocou 23 modelos para votar no resultado mais provável; a maioria apontou um Congresso dividido, com Câmara democrata e Senado republicano. Em outro debate da mesma plataforma, seis modelos chegaram a um consenso unânime em torno da mesma divisão, argumentando que o mapa do Senado favorecia estruturalmente os republicanos.

O resultado foi outro. A NBC News projeta 54 cadeiras democratas contra 44 republicanas no Senado, com sete viradas, incluindo Texas, Ohio e Maine. Talarico se tornou o primeiro democrata a vencer uma eleição estadual no Texas desde 1994.

A comparação exige honestidade: os modelos opinaram oito meses antes, sem acesso a dados em tempo real, enquanto os mercados de previsão incorporaram informação até a véspera. Mas o padrão do erro é revelador. Os modelos de linguagem se apoiaram em regularidades históricas, a chamada taxa-base, e deram peso pequeno a uma variável nova que estava mudando o comportamento do eleitor. Essa variável era a própria indústria da inteligência artificial.

A variável que a IA tinha dificuldade de enxergar: ela mesma

Durante a campanha, data centers deixaram de ser assunto de planilha corporativa e viraram tema de urna. Eleitores de dez estados votaram em 41 medidas locais sobre data centers, e todas as seis decididas antes de novembro haviam ido contra a expansão, segundo o Axios com base no Ballotpedia. Ohio concentrava 21 dessas consultas, incluindo projetos bilionários da AWS, conforme detalhou a Fortune no próprio dia da eleição.

O motor da insatisfação era concreto: a conta de luz. Instalações que consomem eletricidade em escala industrial pressionaram tarifas residenciais em regiões inteiras, e candidatos dos dois partidos passaram a explorar o tema. No Texas, a governadora eleita Gina Hinojosa defendeu uma moratória imediata para novos data centers, e a Fortune cita estimativa do Wells Fargo segundo a qual 27% dos gigawatts planejados para data centers no país estão no estado.

Aqui está a ironia que dá título a este texto. Um modelo treinado sobre décadas de eleições aprende que o mapa do Senado, a popularidade presidencial e a economia explicam a maior parte do resultado. O que ele dificilmente aprende é que a externalidade da tecnologia que o produziu possa se tornar, de repente, um fator eleitoral relevante. Não se trata de um ponto cego deliberado, mas de um limite estrutural: modelos extrapolam o passado, e a revolta contra data centers era, em escala nacional, um fenômeno sem precedente histórico robusto. Esta é uma hipótese editorial, não uma conclusão demonstrada, mas ela ajuda a explicar por que o erro dos modelos se concentrou justamente onde a política local de energia pesou mais.

"Sobe no boato, cai no fato", ao contrário e em três atos

Poucos ditados são tão repetidos nas mesas de operação quanto "compra no boato, vende no fato". A ideia é simples: os preços antecipam o evento esperado e, quando ele se confirma, quem comprou cedo realiza o lucro. A semana da eleição americana mostrou a versão invertida do provérbio, seguida de um terceiro movimento que nenhum dos dois cobre.

Primeiro ato: cai no boato

Antes da votação, o mercado já sangrava. Em outubro, o Nasdaq registrou sua pior queda mensal desde março de 2025, enquanto o Dow Jones subiu quase 2%, segundo a agência Anadolu. Parte desse movimento vinha de juros e de dúvidas sobre valuations, mas a cautela eleitoral estava explícita: em meados de outubro, a Reuters já registrava gestores, como os da Jefferies, dispostos a reduzir posições em semicondutores antes da eleição.

Segundo ato: sobe no fato

Na quarta-feira, com o resultado confirmado e o presidente Donald Trump sinalizando que aceitaria o desfecho, as bolsas subiram. A CNBC atribuiu a alta ao fim da ambiguidade política, e o S&P 500 teve seu melhor pregão em três meses, segundo a Associated Press. O fato, por si só, removia incerteza. Mas o alívio não era uniforme: construtoras de data centers e fabricantes de equipamentos de energia já caíam até 20% ou mais naquele mesmo dia, conforme o Motley Fool. O sinal estava ali, restrito a uma parte do mercado.

Terceiro ato: cai na consequência

Na quinta, o sinal se generalizou. A Nvidia caiu 9,3% e apagou os ganhos do ano, a AMD recuou 17,3% e a CoreWeave, 9,8%, de acordo com a Associated Press. O efeito atravessou o Pacífico: o índice Kospi, da Coreia do Sul, tombou 5,3%. No ranking do FT, a Nvidia liderou com folga as maiores perdas de valor de mercado do dia, à frente de Tesla, Microsoft e Broadcom.

"Dura e rápida, à medida que as interrogações fundamentais ressurgem." Assim Vincent Mortier, diretor de investimentos da Amundi, descreveu a reprecificação das ações de tecnologia.

— FT, 2026

O que mudou entre quarta e quinta não foi o placar, que já era conhecido. Mudou a leitura sobre ele. O investidor passou da pergunta "quem ganhou?" para a pergunta "o que os vencedores farão com os data centers?", e esta segunda não tinha preço em nenhum mercado de previsão.

O limite das máquinas de previsão

A semana oferece uma lição que vai além do episódio. Sistemas de previsão, humanos ou algorítmicos, são bons em estimar eventos binários bem definidos: quem vence uma eleição, se um banco central sobe juros. São bem menos confiáveis para estimar efeitos de segunda ordem, aqueles que dependem de como pessoas e instituições reagirão a um evento. Um contrato na Polymarket pode dizer com precisão a chance de vitória de uma candidata no Texas; não existe contrato líquido que diga quantos gigawatts deixarão de ser construídos se ela cumprir a promessa de moratória.

Há ainda um problema de reflexividade, conceito popularizado pelo investidor George Soros: as expectativas dos agentes alteram a própria realidade que tentam prever. Quanto mais o boom da IA inflou preços e consumo de energia, mais combustível forneceu à reação política que agora ameaça o boom. Um modelo que trate a expansão dos data centers como dado exógeno, e não como causa do humor do eleitor, tende a errar exatamente na direção em que errou.

O que isso significa para o Brasil

A reação americana chega em um momento em que o Brasil apostou alto na mesma infraestrutura. Em 15 de setembro, foi sancionada a Lei 15.504/2026, que criou o Redata, com R$ 5,2 bilhões em incentivos fiscais previstos para este ano. Entidades do setor sustentavam, no manifesto pela aprovação do regime, que instalar um data center aqui custava 26% mais do que nos Estados Unidos.

Se a expansão americana desacelerar por restrições locais, o Brasil, com matriz elétrica majoritariamente renovável e um regime tributário novo, pode ganhar atratividade relativa. A oportunidade, contudo, vem com o mesmo risco que derrubou Wall Street. O diretor-geral do ONS já alertou que data centers podem chegar a consumir 30% da energia do país. A contrapartida de consumo de água e energia prevista no Redata será o ponto de atrito, e o episódio americano mostra que a conta de luz do eleitor é capaz de mover mercados trilionários.

Para o investidor brasileiro com exposição a fundos globais de tecnologia, a lição é mais imediata: o risco político da IA deixou de ser hipótese de relatório e passou a ter preço. E o preço, como se viu, é cobrado depois do placar, não antes.

Perguntas frequentes

Ewerton Lopes — Curador Editorial

Fonte Principal: Artigo Original no FT

Este artigo foi elaborado pela redação do O Tecido a partir de reportagem do Financial Times, usada como base analítica, e de fontes complementares indicadas ao longo do texto. Não se trata de tradução nem de reprodução do original.