IA e responsabilidade fiscal: o que muda no Brasil

Planejamento de longo prazo parece papo de governo — até o dia em que juros, inflação e crédito apertam o caixa de todo mundo. Quando a ministra do Planejamento e Orçamento, Simone Tebet, fala em um plano nacional para 25 anos, com metas como dobrar o PIB per capita e universalizar o ensino médio, ela está tocando num ponto que o mercado entende muito bem: previsibilidade reduz risco. E risco caro vira spread, vira taxa alta, vira investimento travado.

A diferença é que, em 21/12/2025, existe uma ferramenta que não estava disponível (ou madura) na maioria das tentativas anteriores de “planejar o Brasil”: inteligência artificial aplicada a decisões econômicas. No setor financeiro e nas fintechs brasileiras, IA já é rotina em detecção de fraudes, avaliação de crédito, gestão de riscos e personalização de serviços. A provocação aqui é simples: se IA ajuda bancos a serem mais eficientes e precisos, por que não usar o mesmo tipo de inteligência para melhorar planejamento, alocação de recursos e disciplina fiscal?

O episódio inaugural do Warren Política, com Felipe Salto entrevistando Simone Tebet, trouxe uma mensagem forte: desenvolvimento depende de planejamento e confiança. Eu vou além: desenvolvimento, em 2026 e adiante, depende de planejamento com dados, modelos e governança — e IA pode ser a peça que faltava, desde que usada com critérios.

Planejamento de 25 anos: sem dados bons, vira só intenção

Um plano nacional de longo prazo funciona quando vira rotina de gestão — não quando vira PDF. A fala de Tebet sobre construir um plano participativo (universidades, estados, ministérios e sociedade civil) é o caminho correto porque melhora legitimidade. Mas legitimidade sem execução vira frustração.

A resposta direta: IA ajuda a transformar planejamento em sistema operacional, com metas monitoradas em tempo real e correções rápidas.

Onde a IA entra de forma prática (e sem fantasia)

Na prática, IA pode apoiar um plano de 25 anos em três frentes bem objetivas:

1. Previsão e cenários macroeconômicos: modelos combinando séries temporais, indicadores setoriais, dados de comércio, energia e mercado de trabalho para projetar arrecadação e demanda por políticas públicas.
2. Monitoramento de metas e alertas: painéis com indicadores e detecção automática de desvios (por exemplo, queda persistente de produtividade em regiões específicas) para acionar intervenções.
3. Simulações de políticas: avaliação de “efeito provável” de mudanças tributárias, subsídios ou programas sociais usando simulação e modelos causais (com transparência sobre premissas).

O ponto sensível: planejar com IA exige dados padronizados e governança. Sem isso, o algoritmo só acelera erros antigos.

O que o setor financeiro já aprendeu (e o governo pode copiar)

Bancos e fintechs aprenderam do jeito difícil que modelo bom depende de processo bom:

• Qualidade de dados (cadastros consistentes, tratamento de outliers, auditoria);
• Gestão de modelos (model risk management): validação, testes de estabilidade, monitoramento de viés;
• Explicabilidade: decisões precisam ser justificáveis para regulador e cliente;
• Controles e trilhas de auditoria.

Esse “jeito financeiro” de operar IA é exatamente o tipo de disciplina que um planejamento público de longo prazo vai precisar para não virar promessa de curto prazo.

Responsabilidade fiscal: IA como ferramenta de eficiência, não como desculpa

Tebet foi direta: “não existe justiça social sem responsabilidade fiscal”. Concorde-se ou não com o governo do momento, a lógica é consistente: dívida fora de controle tende a elevar prêmio de risco, pressionar juros e corroer o espaço para investimento.

A resposta direta: IA pode ajudar a ser mais fiscalmente responsável sem cortar no escuro.

Revisão de gastos com foco em desperdício (não em manchete)

Revisão de gastos costuma morrer por dois motivos: falta de granularidade e disputa política. IA não resolve política, mas resolve granularidade.

Aplicações objetivas:

• Detecção de anomalias em despesas públicas: identificar padrões atípicos de compras, contratos ou reembolsos que fogem do histórico e do perfil de órgãos semelhantes.
• Previsão de sobrecustos em obras e projetos: modelos que sinalizam risco de atraso e estouro de orçamento com base em histórico, licitações, aditivos e capacidade de execução.
• Otimização de processos com automação inteligente: reduzir retrabalho em concessão de benefícios, triagem de documentos e atendimento.

Se isso parece distante, pense no paralelo: fintechs usam IA para reduzir fraude em pagamentos e chargebacks. A lógica estatística é parecida — só muda o contexto.

Arrecadação, justiça tributária e a conversa incômoda sobre “quem paga”

A ministra mencionou tributação mais justa, inclusive para setores com contribuição relativa menor. Aqui IA tem duas contribuições relevantes:

1. Combate a evasão e inconsistências com cruzamento inteligente de dados (sempre com base legal e controles de privacidade).
2. Simulação de impacto distributivo: antes de aprovar mudanças, avaliar quem ganha e quem perde, por faixa de renda e região.

Isso melhora o debate porque troca achismo por evidência. E evidência reduz ruído — o que ajuda a diminuir risco percebido no mercado.

Meta de inflação e credibilidade: IA não substitui âncora, mas melhora leitura

Tebet reforçou que não há plano de alterar a meta de inflação. Do ponto de vista de risco, isso é sinalização de âncora. IA pode contribuir em algo menos glamouroso e mais útil: nowcasting (estimativa do “agora”) de inflação e atividade com dados de alta frequência.

Para o setor financeiro, leituras melhores de inflação e atividade significam:

• precificação mais eficiente de crédito;
• gestão de duration e risco de mercado;
• melhor calibração de apetite a risco em carteiras.

A IA, nesse caso, não faz política monetária. Ela reduz atraso informacional.

Do macro ao micro: como IA conecta crescimento, crédito e desigualdade

O plano citado por Tebet fala de produtividade, educação, sustentabilidade e segurança. Isso tem tradução direta para bancos e fintechs: melhor ambiente macro reduz inadimplência e amplia inclusão financeira.

A resposta direta: IA aplicada a crédito e serviços financeiros pode acelerar inclusão com menos risco — desde que seja bem governada.

Avaliação de crédito mais justa (e mais dura com o risco real)

Modelos de IA conseguem incorporar sinais além do score tradicional: comportamento transacional, estabilidade de renda, recorrência de pagamentos, perfil de consumo e outros indicadores permitidos.

Quando bem feita, essa abordagem:

• reduz falsos negativos (gente boa que era negada);
• reduz falsos positivos (gente de alto risco que recebia crédito caro e problemático);
• permite pricing mais coerente com risco.

Mas tem uma linha vermelha: não dá pra aceitar “caixa-preta” que discrimina. Aqui entram testes de viés, explicabilidade e revisão humana — práticas que fintechs maduras já incorporaram.

Educação e planejamento financeiro: personalização que funciona

Universalizar o ensino médio é meta de Estado, mas educação financeira é uma batalha diária. IA pode melhorar isso na ponta:

• recomendação personalizada de orçamento e metas;
• alertas preditivos de aperto de caixa (“se continuar assim, seu saldo não fecha o mês”);
• renegociação proativa, antes do atraso virar inadimplência.

No fim, é o mesmo princípio do planejamento público: prever e agir cedo custa menos.

Polarização, confiança e risco: por que governança de IA virou tema político

Tebet falou em reduzir extremos e fortalecer a democracia. No mercado, isso se traduz em uma palavra: confiança. E confiança depende de regras claras.

A resposta direta: sem governança, IA vira mais um fator de instabilidade — tanto no setor público quanto no financeiro.

Três perguntas que precisam de resposta antes do “vamos usar IA”

1. Quem é responsável quando o modelo erra? (accountability)
2. Como o modelo é auditado e atualizado? (gestão de ciclo de vida)
3. Quais dados entram e quais ficam de fora? (privacidade e adequação)

Se você trabalha em banco/fintech, isso lembra comitê de modelo, validação independente e trilhas de auditoria. No setor público, a necessidade é idêntica — só que a escala é maior e o impacto social é mais visível.

Um mito perigoso: “IA elimina decisões políticas”

Não elimina. IA organiza evidências e sugere caminhos. Priorizar gasto em educação vs. infraestrutura continua sendo decisão política. O ganho é outro: reduzir decisões tomadas no escuro, com baixa mensuração de impacto.

Segurança pública e crime organizado: IA ajuda, mas o risco operacional é real

No fim da conversa, Tebet citou segurança pública e combate ao crime organizado com inteligência e integração. Para o sistema financeiro, esse tema é imediato: crime organizado está ligado a fraude, lavagem, ataques cibernéticos e coerção.

A resposta direta: IA melhora detecção e resposta, mas exige maturidade de cibersegurança.

Aplicações comuns no setor financeiro que tendem a se intensificar:

• detecção de fraude em tempo real (padrões de transação e dispositivo);
• monitoramento de lavagem de dinheiro com redes e relacionamentos (graph analytics);
• defesa contra ataques com detecção de comportamento anômalo em infraestrutura.

O cuidado: modelos também podem ser atacados (data poisoning, engenharia social, fraude adversarial). Segurança de IA virou parte da segurança do negócio.

Checklist: como começar IA para planejamento e risco (sem gastar mal)

Se eu tivesse que transformar esse debate em plano de ação para uma instituição financeira (ou uma fintech em crescimento), eu começaria assim:

1. Defina 1-2 casos de uso com ROI claro (fraude, crédito, cobrança, AML). Nada de 12 frentes ao mesmo tempo.
2. Arrume o dado antes do modelo: dicionário de dados, qualidade, consentimento, retenção.
3. Crie governança de modelos: dono do modelo, validação independente, métricas e limites.
4. Meça impacto com números de negócio: redução de perdas, aprovação incremental, custo por análise, tempo de decisão.
5. Implemente explicabilidade desde o início, principalmente em crédito.

É o mesmo espírito do que Tebet defende no macro: planejamento, responsabilidade e previsibilidade — só que aplicado ao dia a dia de produto e risco.

O que fica para 2026: planejamento com IA ou volatilidade com improviso

A entrevista de Simone Tebet coloca o planejamento de longo prazo no centro da conversa econômica. Isso é raro no Brasil e, sinceramente, necessário. Mas o país já viu planos bons morrerem por falta de execução, dados e coordenação.

A minha aposta é clara: IA vai separar organizações (públicas e privadas) que executam com disciplina daquelas que reagem com atraso. No setor financeiro e nas fintechs, isso aparece em risco, crédito e fraude. No governo, aparece em orçamento, políticas públicas e capacidade de entregar resultado.

Se a sua empresa está construindo produtos de crédito, pagamentos ou investimentos, a pergunta prática é: você está usando IA só para ganhar eficiência no curto prazo — ou também para sustentar decisões coerentes com um Brasil que tenta voltar a planejar o futuro?