Ainda é cedo para entregar todas as decisões de compra e venda a um "agente de investimento de IA". Não porque a tecnologia seja insuficiente, mas porque a estrutura do problema não se encaixa.
-
Uma decisão de investimento não é apenas uma função das informações atuais. Ela mistura crenças e expectativas pessoais sobre ações e sobre o futuro (comprar Tesla é uma aposta na crença de que a direção autônoma vai se concretizar, não nas demonstrações financeiras). Um LLM é um motor de inferência baseado em informações atuais, então seu resultado acaba sendo não uma aposta, mas um "resumo das informações atuais embalado em frases de compra/venda". Há um tom de convicção, mas não a crença que fundamentaria essa convicção. Também existe o problema de reprodutibilidade: com os mesmos dados e a mesma pergunta, a resposta muda a cada vez.
-
Isso se parece com a armadilha em que os quants caíram antes. O problema não é o quant em si (bons quants ganham dinheiro), mas o limite de aplicar automaticamente ao futuro regras otimizadas para dados passados e presentes — overfitting e dependência de regime são o problema. Em agentes LLM, as regras ficam escondidas nos pesos, são opacas e nem sequer reproduzíveis, então eles caem na mesma armadilha em condições ainda piores.
-
Por isso, o papel adequado da IA não é decidir, mas fornecer insumos. Coletar e organizar informações, fazer cálculos consistentes e diagnosticar concentrações é trabalho da IA; acreditar no futuro e puxar o gatilho é trabalho humano. Uma parte considerável dos erros de investimento vem não das crenças, mas dos insumos (ilusão de diversificação, confusão entre retorno médio e retorno composto realizado). Quando os insumos estão corretos, as crenças cumprem seu papel.
-
Ao traduzir esse princípio de human-in-the-loop para o design de ferramentas, a direção fica clara. Não deixar os cálculos numéricos a cargo do LLM, mas fixá-los em regras determinísticas para responder a "quando chego a 300 milhões?" não com uma data, e sim com uma distribuição de probabilidades; não deixar a ferramenta preencher por conta própria premissas como retorno futuro e volatilidade, mas fazer a pessoa inseri-las; e concentrar-se em expor com precisão os insumos de julgamento (concentração, exposição efetiva de ETFs etc.). Diagnóstico, não aconselhamento.
2 comentários
Será que, em comparação com os agentes de IA open source, existe algum valor técnico neste serviço que justifique pagar por uma assinatura?
Obrigado pela pergunta tão precisa. Sinceramente, há muitas partes que dá para montar diretamente com agentes open source e, especialmente para consultar dados públicos de ativos listados nos EUA, bastante coisa também pode ser substituída por Claude puro ou Perplexity. Então, não acho que essa "consulta de dados" seja o valor que vendemos.
Se eu fosse definir de forma mais restrita o ponto pelo qual vale pagar e manter, seriam mais ou menos três coisas.
Os números são calculados pelo servidor com regras determinísticas, não pelo LLM. A mesma pergunta gera a mesma resposta, e valores de juros compostos e projeções não ficam variando a cada conversa. É a parte em que bloqueamos, na camada de ferramentas, o problema de reprodutibilidade mencionado no texto.
Cuidamos de coisas que parecem simples, mas dão bastante trabalho na prática. Por exemplo, no look-through de ETF, somamos a exposição efetiva de AAPL sobre o total dos ativos quando ela se sobrepõe entre VOO, QQQ e posição direta; se você olhar ingenuamente só a concentração por ticker, um ETF amplo pode ser interpretado de forma errada como "aposta total". O trabalho é conectar isso corretamente e manter funcionando. Com a projeção FIRE via Monte Carlo, é parecido.
Há dimensões que um LLM puro estruturalmente não consegue ver. O estado real da minha carteira (Claude puro e Perplexity não conseguem ver meus ativos) e a avaliação consistente, em múltiplas moedas, até de ativos que não são listados nos EUA, como depósito de garantia de jeonse, ouro da KRX e participação em empresa não listada. E também lembrar do perfil de risco e dos objetivos para além de uma única conversa.
Resumindo, o valor não está em ser um "agente que toma decisões melhor", mas em permitir que essa camada de insumos seja conectada direto ao Claude/ChatGPT sem precisar configurar nem manter nada. Se você pretende construir e manter isso por conta própria, provavelmente não precisa assinar; como a função de livro-caixa em si é gratuita, o mais correto é testar e decidir se a camada de análise realmente entrega valor.