---
title: "Por que a IA ainda tropeça na hora de montar carteiras"
author: "Ricardo Pupo Larguesa"
date: "2026-05-25 08:00:00-03"
category: "Mercado & Estratégia"
url: "http://aintuicao.scale.press/portal/aintuicao/post/2026/05/25/por-que-a-ia-ainda-tropeca-na-hora-de-montar-carteiras/md"
---

## Resumo
- Testes com ChatGPT para carteiras de investimento renderam abaixo do CDI e do IHFA em dois períodos.
- Carteiras conservadora, moderada e agressiva não superaram benchmarks simples de referência.
- A IA reorganiza dados históricos de forma coerente, mas não gera vantagem consistente.
- Mudanças de cenário econômico pouco alteraram as sugestões geradas pelo modelo.
- O resultado reforça limites de agentes de IA em tarefas que exigem previsão de risco-retorno.
- Recomendações automatizadas ainda precisam de supervisão humana e métricas claras de avaliação.

---

Em testes publicados na Folha, carteiras sugeridas pelo ChatGPT para datas-base de 31 de dezembro de 2019 renderam, entre 2020 e 2025, 57,8 % na versão conservadora, 43,9 % na moderada e 37,7 % na agressiva. O CDI entregou 69,4 % e o IHFA, 60,4 %. Nenhuma das três superou os índices de referência.

## Repetindo o exercício em cenário mais recente

Quando o mesmo exercício foi feito com base em 31 de dezembro de 2023, as carteiras atualizadas renderam 20,6 % (conservadora), 16,4 % (moderada) e 10,5 % (agressiva) entre 2024 e 2025. O CDI ficou em 26,8 % e o IHFA em 21,9 %. Mais uma vez, nenhuma bateu o benchmark.

## O que os números realmente mostram

O autor nota que as carteiras mudaram pouco apesar da mudança de cenário econômico entre as duas datas-base. A IA consegue reorganizar o passado de forma brilhante, mas não consegue antecipar ou superar índices simples de referência. Em aplicações financeiras, isso costuma significar que o modelo repete padrões já precificados pelo mercado.

## Conexão com o que vemos em projetos reais

Quem já tentou usar agentes de IA para análise financeira sabe que o problema não é só prompt ruim. É a própria natureza estatística do modelo: ele otimiza para texto coerente, não para risco ajustado a retorno futuro. Já escrevi sobre isso em outro texto sobre agentes que falham na análise financeira, e o padrão se repete.

## O que isso muda na prática

Antes de colocar um modelo para sugerir alocação para clientes ou para a própria empresa, vale perguntar: qual métrica de risco-retorno ele realmente otimiza? E quem assume o erro quando a carteira fica abaixo do CDI? Guardrails regulatórios da CVM e LGPD ainda são discussão aberta, mas o teste já mostra que a vantagem técnica prometida não apareceu nos números.