A série de gráficos do OurWorld mostra a evolução da democracia no mundo, do final do século XVIII até hoje.
03 setembro 2026
Truque contábil que está inflando a bolha da IA
No terceiro trimestre de 2025, a Alphabet reportou ganhos de mais de US$ 10 bilhões com ações. A Amazon reportou um lucro antes de impostos de US$ 9,5 bilhões no mesmo período. A Microsoft divulgou um lucro líquido de quase US$ 6 bilhões ao longo de nove meses.
A questão é que nenhum desse dinheiro veio da venda de produtos ou da conquista de novos clientes. Veio de margens de lucro em investimentos em startups de IA. Especificamente, participações na Anthropic e na OpenAI.
(...) Para entender por que essas avaliações têm esse aspecto, é preciso compreender o conceito de "round-tripping".
Imagine que você tem duas empresas fictícias: uma grande empresa de tecnologia já estabelecida e uma startup de IA bem financiada.
A empresa de tecnologia quer entrar no mercado de IA, mas não investe dinheiro na startup. Em vez disso, contribui com US$ 1 bilhão em créditos de computação em nuvem (essencialmente uma promessa de fornecer tempo de servidor).
Em troca, recebe uma participação acionária que implicitamente avalia a startup com um ágio considerável.
À medida que a startup consome esses créditos de computação, a empresa de tecnologia registra esse consumo como receita. Isso representa US$ 1 bilhão em receita de nuvem, mesmo sem nenhuma transação financeira em dinheiro.
É uma transação de escambo disfarçada de venda.
Em seguida, uma nova rodada de financiamento chega com uma avaliação ainda maior. De acordo com a ASC 321, as empresas públicas que detêm participações em empresas privadas devem atualizar o valor desses investimentos sempre que houver uma mudança de preço observável, como uma nova rodada de financiamento.
Essa margem de lucro é contabilizada diretamente na demonstração de resultados como um ganho.
Nenhum cliente novo. Nenhum produto vendido. Apenas riqueza no papel registrada como lucro.
Seu principal produto é o modelo de linguagem em larga escala. Sim, o desenvolvimento inicial desses modelos é caro. Mas os custos têm caído rapidamente. O DeepSeek provou que uma equipe bem equipada pode produzir um modelo competitivo por uma fração do que a OpenAI gastou. Alternativas de código aberto estão se proliferando.
O próprio LLM está se tornando uma commodity. É mais como um serviço público do que um negócio sustentável.
Compare isso com os verdadeiros vencedores do último boom tecnológico. O Facebook prendeu todo mundo em uma única plataforma porque seus amigos e familiares estavam lá.
O Google tornou-se o mecanismo de busca padrão, e os anunciantes seguiram a atenção dos usuários.
O Microsoft Office está tão integrado aos fluxos de trabalho empresariais que a mudança acarreta anos de atritos institucionais para as empresas.
O que a OpenAI tem que impede um concorrente de praticar preços mais baixos? Não tenho certeza se a resposta é algo duradouro.
A postagem é de junho, mas ainda atual. É um podcast. Imagem: Wikipedia Bubble
Mercado de Capitais mundiais
A seguir os valores:
A Evolução dos Impérios
02 setembro 2026
Mobilidade para baixa renda
Utilizamos mais de 900 milhões de registros vinculados de empregadores e empregados, abrangendo toda a força de trabalho formal do Brasil, para examinar quando as cidades proporcionam mobilidade ascendente para os inicialmente pobres. Constatamos que a mobilidade ascendente para trabalhadores de baixa renda é mais forte em locais de trabalho que combinam indivíduos de baixa renda com trabalhadores de alta renda. Essa associação é particularmente acentuada nas cidades do sul do Brasil, onde indústrias mais complexas incluem trabalhadores com uma gama mais ampla de habilidades. A associação é mais fraca nas cidades do norte, onde o emprego formal é dominado pelo setor público.
Via aqui
Cowen afirma ser um dos "melhores e mais importantes artigos de economia que vi nos últimos anos.". A figura é da Wikipedia e mostra que mobilidade não é comum no Brasil.
Simpatia e Prosperidade
Em A Teoria dos Sentimentos Morais , Adam Smith explica que desejamos estabelecer uma “simpatia mútua de sentimentos”. Queremos que as pessoas concordem com nossos pontos de vista e queremos concordar com os pontos de vista delas. Smith expandiu essa ideia — de que estamos constantemente buscando maneiras de cooperar uns com os outros — em A Teoria dos Sentimentos Morais, antes de desenvolver sua teoria mais abrangente de uma sociedade comercial em Uma Investigação sobre a Natureza e as Causas da Riqueza das Nações . As implicações foram surpreendentes: uma complexa divisão do trabalho e do conhecimento, e o tipo de prosperidade que vemos hoje.
É isso que toda oferta e demanda em um mercado representa: um pedido de cooperação baseado na simpatia mútua com outra pessoa. Pode ser rejeitado por alguém que não compartilha dos mesmos sentimentos, mas toda oportunidade de troca é uma oportunidade preciosa de trabalhar em conjunto para benefício mútuo.
Nem todos precisam concordar, é claro, e muitos podem discordar. A beleza de uma sociedade comercial é que isso realmente não importa. Os únicos que precisam concordar de fato são os parceiros comerciais. Embora obviamente existam exceções para casos de força e fraude, é evidente que uma troca mutuamente acordada e negociada voluntariamente representa um esforço para estabelecer afinidade de sentimentos e uma visão compartilhada de um mundo melhor.
(...) Como economistas, em vez de descartar as ações das pessoas com um " bem, isso é estúpido ", devemos perguntar: "que problema isso resolve? Que objetivo isso alcança?". Mesmo que não concordemos com a versão delas de um mundo melhor, devemos questionar nossa inclinação a intervir. Da próxima vez que estiver no supermercado, considere esta perspectiva: cada produto nas prateleiras representa um esforço para fomentar a simpatia mútua e uma visão compartilhada de um mundo melhor. Pode não estar alinhado com a sua visão, mas importa para alguém — e isso é significativo.
Fonte: Econlib
Prazo, procrastinação e problemas de uma famosa pesquisa
O Data Colada analisou os dados brutos da pesquisa de Ariely e Wertenbroch (2002). Voltando no tempo, os pesquisadores passaram três trabalhos curtos para alunos de educação executiva do MIT. Alguns grupos tiveram prazos uniformes, com entrega a cada quatro semana. Outro grupo, o próprio aluno definia seu prazo e tinha que cumprir o cronograma. Existia penalidade para atrasos. Ou seja, é uma pesquisa sobre procrastinação, que envolve motivação e comportamentos das pessoas.
Eis o trecho do texto do Data Colada: 
No manuscrito original, os autores relataram que a seção com prazos uniformemente espaçados teve um desempenho melhor do que a seção com prazos definidos individualmente. Como isso pode ocorrer por vários motivos, um membro da equipe de revisão pediu aos autores que demonstrassem que os prazos foram o fator determinante. Uma maneira de fazer isso é mostrar que os alunos que definiram prazos uniformemente espaçados tiveram um desempenho tão bom quanto aqueles que receberam prazos uniformemente espaçados.
Mas quando essa análise foi realizada, não funcionou. Para que funcionasse, algumas das notas finais tiveram que ser alteradas. A pessoa responsável pelas alterações queria alcançar dois objetivos simultaneamente: (1) gerar o resultado desejado e (2) preservar as médias das condições, de modo que essas médias não diferissem entre as duas versões do manuscrito. E foi isso que fizeram. Alteraram os dados, preservando as médias. Ora, isso não é uma tarefa fácil, e talvez uma das 13 alterações tenha sido feita na direção errada, simplesmente para que as médias ficassem corretas. Os autores agora tinham evidências que comprovavam que as diferenças de desempenho se deviam aos diferentes prazos de entrega, e não a outro fator.
O resultado? A publicação de um artigo que teve influência ampla (e contínua) nas ciências comportamentais.
Assinar:
Postagens (Atom)
Postagens
