Ganhos:
- Capacidade de estabelecer cenários básicos/otimistas/pessimistas com suposições claras e produzir planilhas transparentes e verificáveis manualmente com inteligência artificial
- Capacidade de aplicar lógica de testes de sensibilidade e estresse (quanto o resultado muda quando você altera uma suposição) e identificar suposições críticas
- Ser capaz de sustentar que o cenário não é uma previsão, mas um exercício condicional de “se-então”, e que a propriedade da suposição e do julgamento final pertence ao economista.
O futuro é incerto e a função do economista não é encobrir esta incerteza com uma previsão precisa, mas torná-la visível em opções ordenadas. A modelagem de cenários é exatamente esta: “Se a taxa de câmbio chegar a esse patamar, se o crescimento acontecer assim, se a taxa de juros ficar assim, qual será o resultado?” Uma projeção orçamentária, uma análise de sustentabilidade da dívida, uma viabilidade de investimento — tudo pensado através de cenários. A inteligência artificial é um acelerador poderoso aqui: ela traduz suposições em planilhas, gerando de três a cinco cenários em minutos. Mas a frase mais crítica é esta: O cenário não é uma previsão; É um exercício condicional de “se-então” baseado em pressupostos explícitos, e a propriedade dos pressupostos cabe ao economista. A inteligência artificial faz os cálculos; Cabe ao ser humano decidir qual suposição é razoável.
Anatomia do roteiro
Partes de um roteiro sólido:
- Cenário básico (base). O conjunto de suposições mais provável é; o caminho “esperado”.
- Cenários otimistas e pessimistas. Trilhas superiores e inferiores razoáveis ao redor da base. Estas devem ser justificadas e não arbitrárias.
- Suposições claras. Os números em que se baseia cada cenário (crescimento, inflação, câmbio, juros) são escritos um a um. A suposição implícita é o cenário insustentável.
- Conta transparente. As fórmulas da entrada à saída devem ser visíveis e verificáveis manualmente. Um cenário de caixa preta não funcionará.
- Conclusão e comentário. O que mostra a diferença entre os cenários? Qual risco é de que magnitude?
Dica: Não apresente cenários otimistas/pessimistas como uma “faixa de previsão”. Estas não são probabilidades, mas consequências condicionais: “Se a taxa de câmbio aumentar 30%, o peso da dívida aumentará”. A frase deve sempre começar com “se” para que o leitor veja a condição.
Análise de sensibilidade: qual pressuposto é decisivo?
O resultado de um cenário depende de dezenas de suposições, mas nem todas têm a mesma importância. A análise de sensibilidade mede o quanto o resultado muda quando você altera uma suposição, ceteris paribus. Se o resultado for muito sensível a uma suposição (pequenas mudanças fazem uma grande diferença no resultado), essa suposição é crítica e merece maior atenção, verificação e comunicação.
Os testes de stress são uma extensão disto: testar como o sistema/orçamento/dívida se comporta sob um choque negativo moderado mas severo (por exemplo, salto repentino nas taxas de juro, colapso no mercado de exportação). O objetivo não é prever o pior, mas prever pontos de ruptura.
Cuidado: Se você disser à IA para “criar um cenário pessimista”, ela poderá fornecer um número arbitrário. O cenário pessimista não é uma “caída do céu”, mas uma suposição justificada: deve ter uma base histórica ou lógica, como “um movimento semelhante ao choque cambial de 2018”. Você justifica a suposição.
Estudo de cenário passo a passo
- Defina a pergunta e o resultado. O que projetamos? (dívida/PIB, saldo orçamentário, fluxo de caixa)
- Defina variáveis de driver. Um pequeno número de factores principais (crescimento, inflação, juros, taxa de câmbio) determina o resultado.
- Faça suposições básicas e justifique-as. A fonte e a lógica de cada número são escritas.
- Produza os roteiros. Mude as suposições para otimista/pessimista com justificativa.
- Configure uma conta transparente. Faça com que a IA imprima as fórmulas como uma tabela/código visível.
- Execute a sensibilidade. Agite cada suposição principal separadamente e meça a resposta.
- Comente e filtre. Qual suposição é crítica? Os resultados são razoáveis? O julgamento final cabe ao economista.
três mini cases
Caso 1 — Sustentabilidade da dívida. Um analista do Tesouro projetou a relação dívida pública/PIB para 5 anos. Ele fez com que a IA criasse três cenários: base (crescimento 4%, taxa de juros X%), otimista, pessimista. A análise de sensibilidade mostrou que o resultado foi mais sensível ao hiato real entre juros e crescimento (r−g): se o crescimento caísse abaixo da taxa de juro, o rácio da dívida subia rapidamente. O analista destacou esta única suposição crítica no relatório; ele concentrou sua energia em validá-lo.
Caso 2 — Correção do cenário arbitrariamente pessimista. Numa instituição, a IA apresentou “cenário pessimista: crescimento -10%” mas não tinha fundamento. O economista objectou: esta foi ainda mais dura do que a crise mais profunda da história do país e foi injustificada. O cenário pessimista foi rebaixado para -3% com base na gravidade média das duas últimas recessões. O cenário agora era defensável.
Caso 3 — Conta transparente salva. Numa projeção orçamentária, os resultados pareciam estranhos. Como o cálculo era transparente, o analista observou a tabela e encontrou o erro: a inteligência artificial havia aplicado a inflação no lado das receitas, mas esqueceu de aplicá-la no lado das despesas. Num modelo de caixa preta, esse erro permaneceria oculto; fórmulas visíveis o revelaram.
Tabela de design de cenário
artigo
boa prática
má prática
Suposições
Claro, fundamentado, originado
secreto, arbitrário
Faixa de cenário
Com base histórica/lógica
"Alto/baixo" aleatório
conta
Transparente, verificável manualmente
caixa preta
apresentação
"se-então", condicional
com certeza
Sensibilidade
Suposição crítica marcada
Todas as suposições são consideradas iguais
Quatro modelos copiáveis
1) Esqueleto do cenário:
Obtenha essa saída [por exemplo. dívida/PIB] vou projetar 5 anos. Variáveis determinantes: crescimento, inflação, juros, taxa de câmbio. Sugira-me uma tabela de suposições CLEAR para base/otimista/pessimista; Escreva uma justificativa ao lado de cada suposição. Não faça as contas ainda; Deixe-me confirmar as suposições primeiro.
2) Planilha/código transparente:
Calcule a projeção com as premissas que eu aprovo. Mantenha as fórmulas VISÍVEIS (para que fique óbvio como cada linha foi calculada). Pegue um ano como exemplo e mostre o cálculo passo a passo para que eu possa verificá-lo manualmente. Não use uma caixa preta.
3) Análise de sensibilidade:
No cenário base, ajuste cada suposição principal em ±X%, uma por uma (outras constantes) e faça uma tabela de quanto o resultado muda. Marque as 2 suposições que mais afetam o resultado como "críticas". Sugira validação para essas suposições críticas.
4) Teste de estresse:
Dê este choque razoável, mas severo: [por ex. +X ponto aumento repentino na taxa de juros, Y% diminuição nas exportações]. Mostre como o produto muda sob este choque, se excede um limiar crítico (por exemplo, limite insustentável da dívida/PIB). Deixe claro que este é um cenário de estresse condicional e não uma previsão.
Alerta fraco / Alerta forte
Alerta fraco:
Escreva-me um cenário econômico otimista e pessimista.
A inteligência artificial produz cenários de caixa preta injustificados e sem fontes; Você não pode ver ou verificar suposições.
Alerta poderoso:
Projetarei a relação dívida pública/PIB para 2025-2029. Caso base: crescimento 4%, inflação 25%, taxa média de juros X%, saldo primário Y% (adicionei minhas fontes). Jogue suposições com RAZÃO para otimista/pessimista (para pessimista, faça referência à gravidade das duas últimas recessões). Configure o cálculo como uma tabela transparente, exiba um ano a ser verificado manualmente e, em seguida, execute a sensibilidade r-g. Afirme no texto que os cenários são condicionais e não previsões.
Erros comuns
- Escondendo suposições. A suposição invisível é insustentável.
- Arbitrariamente otimista/pessimista. Números extremos injustificados destroem a confiança.
- Apresentando o cenário como uma previsão. A condição de pensamento “se” desaparece.
- Conta caixa preta. O erro está oculto, a verificação torna-se impossível.
- Sensibilidade saltando. Gerenciar mal o risco sem conhecer a suposição crítica.
- A suposição é ceder a propriedade à inteligência artificial. O julgamento pertence ao homem.
Em resumo
A modelagem de cenários é a arte de traduzir a incerteza em conclusões condicionais por meio de suposições claras e justificadas. Os cenários base/otimistas/pessimistas devem ser robustos, os cálculos devem ser transparentes e verificáveis manualmente; A análise de sensibilidade deve revelar a suposição crítica. A inteligência artificial acelera o cálculo e as opções, mas a justificação, a razoabilidade e o julgamento final dos pressupostos cabem ao economista. O cenário não é uma previsão, mas um exercício de “se-então”.
Tarefa de aplicativo
Escolha uma projeção para o seu negócio (orçamento, fluxo de caixa, índice de endividamento). Produza uma tabela de suposições justificadas com o 1º modelo, cálculo transparente com o 2º modelo e análise de sensibilidade com o 3º modelo. Identifique a suposição crítica que mais afeta o resultado e verifique-a a partir da fonte original. Verifique um cenário extremo sugerido pela IA para justificativa e corrija-o se necessário.
lista de verificação
- [ ] Escrevi as premissas de cada cenário de forma clara e justificada.
- [ ] Coloco o otimista/pessimista em uma base histórica ou lógica.
- [] Mantive a conta transparente e verifiquei manualmente pelo menos um período.
- [ ] Identifiquei a suposição crítica por meio de análise de sensibilidade.
- [] Confirmei a suposição crítica da fonte original.
- [] Apresentei os cenários como “se-então” condicional em vez de previsões.
- [] Mantive a propriedade presumida e o julgamento final.