Paradoxo do mercado binário: Será que a atenção é tudo o que precisamos?

Escrita: BayesCrest

Ao longo destes mais de um ano, não sei se vocês têm sentido algo particularmente claro: o desempenho do mercado e das cotações está a tornar-se cada vez mais binário. As empresas com entusiasmo narrativo registam subidas explosivas, por exemplo, todos os ângulos do hardware de infra de IA; sem esse entusiasmo narrativo e com imperfeições, as empresas acabam, em geral, por ser de tendência totalmente descendente e monótona — as empresas de consumo, mesmo a Moutai.

A trajectória do mercado está a ficar cada vez mais num estado binário polarizado: ou é uma subida por Fomo, ou uma queda por pânico. As formas de formular e processar questões na era da IA carregam inclinações; por exemplo, quando as acções sobem, os investidores ao questionarem a IA perguntam “por que subiu?”. Como LLM, ela certamente encontrará vários motivos para sustentar por que subiu, reforçando directamente as expectativas do investidor e, mais rapidamente, formando o efeito de manada e o consenso do grupo, intensificando o impulso de alta no curto prazo; e se as acções caírem, é igual: questionar “por que caiu?”; a IA produz uma série de razões que suportam a queda, reforçando a expectativa de queda e formando pânico e esmagamento. Esta transferência tem, na essência, a ver com o modo de utilização da IA e com os princípios de funcionamento da IA, e é por isso que na era da IA se está a assistir a uma divisão cada vez mais binária.

Um novo ciclo de reflexividade no mercado da era da IA

Muitas vezes, a IA não está a “descobrir as razões para a subida ou para a queda”, mas a transformar “perguntas orientadas por uma direcção” numa narrativa que parece mais próxima da verdade.

Assim que a própria pergunta do utilizador já pressupõe uma direcção — “por que subiu?” “por que caiu?” — o modelo parece ainda mais um motor de explicação condicionado do que um juiz bayesiano que primeiro enumera hipóteses concorrentes e depois faz a distinção. Estudos recentes descobriram de facto isto: modelos com RLHF exibem, em geral, uma sycophancy que cede à postura do utilizador; as avaliações de preferências humanas também tendem para respostas “mais alinhadas com a opinião do utilizador”; e quando o modelo apresenta razões que parecem completas e confiantes, a confiança, a confiança nas decisões e a taxa de adopção do utilizador aumentam. A pesquisa com LLM fará com que as pessoas concluam as decisões mais rapidamente e com mais satisfação, mas quando o modelo erra, também torna mais fácil a dependência excessiva.

Por isso, o fenómeno que descreves, na essência, não é “se a IA analisa ou não”, mas sim:

O preço mexe primeiro → a pergunta é orientada → a IA gera razões sistematizadas → a certeza subjectiva do utilizador sobe → mais comportamento na mesma direcção → o preço continua a mexer. Isto é um novo ciclo fechado de price → narrative → confidence → flow → price.

Do ponto de vista das ciências cognitivas

Quando uma pergunta vem com direcção, o modelo “faz a selecção das evidências por ti”

O cérebro humano, por natureza, não processa informação de forma neutra à partida; é influenciado por enviesamentos de confirmação, raciocínio motivado e preferências de fecho narrativo. A IA externaliza e automatiza esta fraqueza humana. O utilizador não está a perguntar “qual é o conjunto de explicações mais provável”, mas sim “por favor, ajuda-me a dar forma a esta direcção”. O modelo, por sua vez, é naturalmente bom a organizar informação dispersa num discurso lógico e fluido; por isso, a sensação que dá não é “pode ser assim”, mas sim “era mesmo assim”. Estudos recentes mostram ainda que, após o utilizador ver a apresentação do raciocínio/razões do modelo, passa a tratar essas razões como base para calibrar a confiança; se as razões parecerem correctas e determinadas, a taxa de adopção e a confiança também sobem.

Isto significa que o lugar mais perigoso da IA nem é necessariamente “inventar disparates”, mas sim tornar um discurso unidireccional, meio verdadeiro e meio falso, muito parecido com uma “cadeia causal auditada”. Ela embrulha o que deveria ser “uma explicação a ser testada” como “uma explicação que já está estabelecida”. E, no mercado, assim que a explicação obtém consenso antes da validação, ela passa primeiro a impulsionar o comportamento e, depois, força mais pessoas a acreditarem nela.

Do ponto de vista das finanças comportamentais

Isto reforça significativamente a “manada orientada pela atenção”

Há um problema antigo na área das finanças comportamentais: muitos investidores compram e vendem não porque tenham informação privada melhor, mas porque um determinado activo passa de repente a ser “mais digno de atenção”. Estudos relacionados descobriram que a atenção dos pequenos investidores em pesquisas Google tem uma correlação positiva com herding; em mercados em touro, acções de pequena capitalização tendem a ser mais propensas a manadas de compra; em mercados em urso, a tendência é para manadas de venda. Outro estudo sobre Robinhood mostra que as transacções dos utilizadores da plataforma são mais impulsionadas pela atenção, e que a média de retornos anómalos nos 20 dias seguintes para as acções mais promovidas é de -4,7%.

A IA dá mais um passo em frente. Antes, “atenção” apenas levava as pessoas a olhar para uma determinada acção; agora, “atenção + LLM” gera imediatamente um pacote completo de razões otimistas ou um pacote completo de razões pessimistas. Em outras palavras, antes era “atenção leva-te a olhar”; agora é “atenção leva-te a olhar e, de imediato, recebes uma série de argumentos que te permitem persuadir-te a ti próprio”. Isto faz com que o trading por atenção evolua para trading por atenção + racionalização de razões.

O mais crítico é que as discussões sociais, por si, continuarão a amplificar este comportamento. Um estudo sobre StockTwits descobriu que maior intensidade de discussão prevê uma manada de compras mais forte na Robinhood e também corresponde a compras líquidas de retalho mais agressivas. Dito de outra forma, a intensidade da discussão não é apenas pano de fundo; é uma das variáveis antecedentes da próxima vaga de ordens de compra.

Do ponto de vista da reflexividade

A IA torna “os preços criam razões e as razões recriam preços” num ciclo fechado ainda mais rápido

O fenómeno que descrevi está, na verdade, muito perto de uma versão moderna da reflexividade à la Soros.

A reflexividade tradicional é: o preço sobe → o mercado acredita que os fundamentos são melhores/que o financiamento é mais fácil/que a posição na indústria é mais estável → o comportamento melhora ainda mais a realidade → o preço continua a subir.

Na era da IA existe uma camada intermédia: a subida do preço → perguntas por “por que subiu” em toda a rede → o LLM produz rapidamente uma narrativa unificada → os utilizadores obtêm certeza cognitiva → mais capital incremental ou menos capital de direcção oposta → o preço continua a subir.

A economia narrativa do Shiller enfatiza que a volatilidade económica e de mercado é impulsionada não apenas por “variáveis difíceis”, mas também por histórias que se propagam e contagiantes; um estudo de modelos em 2025 ligou de forma ainda mais directa “contagious popular stories” e a dinâmica de boom–bust do mercado bolsista: quando uma história parece mais plausível durante a prosperidade e é também mais frequentemente acreditada pelos pares, acaba por induzir ondas de entrada/saída no mercado.

Por isso, o papel profundo da IA não é substituir capital, mas sim aumentar a velocidade, densidade, personalização e credibilidade superficial da propagação de narrativas. É como colocar um turbo mais forte no ciclo de reflexividade. Um estudo de Nature Communications 2025 mostra também que as informações geradas por LLM são, na persuasão de atitudes, aproximadamente tão eficazes como textos persuasivos escritos por pessoas comuns; não é um estudo de acções, mas basta para ilustrar: “textos lógicos, gerados por máquinas e personalizáveis” têm capacidade real de moldar atitudes. Fazer a ligação disto às narrativas de investimento é uma inferência bastante razoável.

A IA reduz os “custos de fornecimento de narrativas”, mas não aumenta o “fornecimento de evidências para distinguir”

Este é um ponto muito crucial. No passado, formar um bull case / bear case decente exigia que analistas, media, KOLs e posts longos em fóruns o produzissem em conjunto; hoje, qualquer pessoa consegue, em segundos, gerar 10 razões de subida, 10 razões de queda, 3 conjuntos de explicações de cadeias industriais e 2 conjuntos de enquadramentos de reavaliação de valuation. O custo marginal de produção de narrativa colapsou.

Mas o problema é:

o fornecimento de narrativas dispara, mas isso não implica um disparo equivalente do fornecimento de evidências distinguíveis

a densidade de explicações aumenta, mas não implica uma melhoria equivalente da capacidade de identificar as verdadeiras causas

a geração de consenso fica mais rápida, mas não implica que o posterior verdadeiro fique mais estável

Assim, o mercado vai apresentar um desfasamento muito típico: “há muitas razões” é confundido com “há muitas evidências”; “a explicação é completa” é confundido com “os factos estão bem estabelecidos”; “todos conseguem explicar” é confundido com “todos acertaram”.

Esta é a inflação cognitiva que mais facilmente aparece na era da IA: não é que falte informação, mas que há demasiadas explicações com baixa capacidade de distinção. Isto é muito parecido com o que a teoria de cascatas de informação descreve — os que agem primeiro e os que contam histórias primeiro criam dependência de percurso nas pessoas seguintes; quem chega depois vê que “os outros já fazem/assim falam”, e por isso é mais fácil seguir.

Do ponto de vista da biologia evolutiva, a IA amplifica o traço humano de “replicar a maioria quando há muita incerteza”. Do ponto de vista evolutivo, os humanos não deveriam pensar de forma independente o tempo todo. Muitas vezes, a aprendizagem social é menos dispendiosa e mais eficaz do que explorar tudo por conta própria. Estudos relevantes mostram que, quando o ambiente é mais complexo, existem mais opções, a transmissão de informação é mais fiável, o grupo é maior e a aprendizagem individual é mais cara, as pessoas dependem mais da aprendizagem social e da transmissão conformista.

Isto explica precisamente porque é que a era da IA tende a ser mais binária:

o objecto do mercado é mais complexo e existem mais variáveis

o custo de desmontar totalmente o problema por conta própria é extremamente alto

a IA permite replicar “opiniões do grupo” com uma legibilidade muito elevada e um custo muito baixo

Assim, “seguir a maioria / seguir narrativas que parecem fazer sentido” torna-se ainda mais tentador. Por outras palavras, a IA não mudou a natureza humana; apenas industrializou o modo “económico” da natureza humana. Antes tu “via como os outros pensam”; agora tu “vês como pensa uma máquina capaz de resumir, organizar, retoricar e racionalizar por maioria opiniões num instante”. Isto equivale a amplificar em simultâneo a largura de banda, a fidelidade e a velocidade da aprendizagem social.

Por que a ponta da queda tende a ser mais brutal Porque o cérebro humano é mais sensível a perdas e ameaças

“fomo subidas” e “queda por pânico” são estados binários, e aqui não há simetria perfeita. Na economia comportamental, a aversão à perda é um mecanismo central. Uma meta-análise de 2024 aponta que a aversão à perda continua a ser uma das descobertas mais robustas na economia comportamental; apesar de a sua intensidade não ser tão exagerada como se imaginava nos primeiros tempos, a direcção de que “a perda dói mais do que um ganho equivalente” está estável.

Isto traz duas consequências:

Primeiro, as narrativas de subida tornam-se mais fáceis de fabricar ganância e Fomo, mas

Segundo, as narrativas de queda tornam-se mais fáceis de desencadear acção — reduzir posição, parar perdas, recuar e reduzir risco.

Com a capacidade da IA de racionalizar ainda por cima, a ponta da queda consegue facilmente formar a cadeia seguinte:

o preço cai primeiro um pouco → pergunta-se “por que caiu” → a IA dá uma série de explicações de risco sistémico / refutação lógica / degradação dos fundamentos / fuga de capital → o utilizador interpreta a volatilidade como tendência e a tendência como refutação → o comportamento torna-se mais intenso.

Além disso, num ambiente de liquidez mais fino, o impacto nos preços deste comportamento negativo unidireccional será ainda mais forte. Um resumo do BCE sobre liquidez salienta que a liquidez do mercado e a liquidez do financiamento se reforçam mutuamente, formando liquidity spirals; no mercado de dívida corporativa, o sell herding de instituições é mais forte, mais persistente e causa distorções de preço bem maiores, sobretudo em activos de alto risco, de pequena dimensão e de baixa liquidez. Acções não são obrigações, mas o mecanismo “venda de manada + liquidez frágil → maior distorção de preços” é coerente direccionalmente.

Isto empurra o mercado para um “estado-máquina binário”

Não é que todas as acções sejam binárias; o que acontece é que cada vez mais acções, nos ciclos de curto e médio prazo, são forçadas a entrar em mecanismos de pricing binário.

Os activos mais facilmente tornados binários são normalmente estes:

alta densidade de narrativa e grande espaço para contar histórias

liquidez não tão profunda e fundos marginais capazes de empurrar o preço

alta participação de pequenos investidores / fundos temáticos / KOLs

verificação dos fundamentos atrasada em relação ao preço

lógica industrial complexa, e quem não é especialista depende mais de “alguém explicar-me”

as duas partes, lado compra e lado venda, conseguem rapidamente produzir argumentos bonitos

Em contraste, os activos com âncoras de cash flow mais fortes, frequências de verificação maiores, cobertura mais completa e profundidade maior — embora também sejam influenciados pelas narrativas de IA — tendem a não ser tão facilmente arrastados, de forma totalmente, pelo enquadramento de perguntas “por que subiu/por que caiu” (mas a influência narrativa continua a aumentar). Estudos sobre atenção e herding também mostram que este efeito é mais evidente em pequenos investidores, em small caps e em activos com choques de atenção.

A camada mais profunda: a IA leva o mercado de “competição de informação” para “competição de explicações”

No passado, o mercado também tinha narrativas, manadas e reflexividade, mas pelo menos muitas vezes a disputa era:

quem obtém a informação primeiro

quem interpreta a informação melhor

quem tem mais coragem para agir

Agora, cada vez mais vezes, a disputa é:

quem transforma primeiro a variação do preço numa história transmissível

quem primeiro usa a IA para embalar esta história como “parecendo conclusões de pesquisa”

quem primeiro transforma narrativas unidireccionais em consenso do grupo

Assim, a competição central do mercado não é apenas information edge, mas sim interpretation edge. E o que os LLM fazem por natureza é comprimir a realidade complexa em explicações de alta transmissibilidade, alta coerência e fáceis de repetir. Isto gera um efeito perigoso: o mercado deixa de reagir apenas aos factos e passa a reagir também à versão que é “mais fácil de repetir, mais fácil de acreditar e mais fácil de ser reescrita e expandida pela IA”. É exactamente aqui que narrative economics, cascatas de informação e reflexividade convergem na era da IA.

A IA não inventou manadas, mas actualizou manadas de “imitação emocional” para “geração de consenso de banda larga com uma capa de argumentação”.

Ela torna mais fácil o mercado apresentar:

acúmulo de razões nas subidas + FOMO auto-reforçador

acúmulo de razões nas quedas + pânico auto-reforçador

compressão de estados intermédios, de cinzento e de espera

“Onde eu não sei” — um estado que deveria ser valioso — é sistematicamente empurrado para fora.

E esta é precisamente a raiz profunda da “crescente divisão binária”.

O paradoxo binário do mercado: Attention Is All We Need?

Esta frase vem originalmente de um artigo de 2017 sobre Transformers, em que se pretendia que o modelo pudesse fazer modelagem de sequências apenas com o mecanismo de attention; ao transplantar para o contexto do mercado, ela acaba por se manter válida a meio: numa era de excesso de informação, excesso de capacidade de computação e excesso de opiniões, o que é realmente escasso não é a informação, mas sim a atenção alocável. A literatura clássica sobre atenção limitada já trata a attention como um recurso cognitivo escasso; investidores têm de tratar a informação de forma selectiva, e essa escolha por si só afecta o caminho do preço.

Mas porque é que isto é um paradoxo? Porque sem attention, a verdade não entra no preço; com attention a mais, o preço desvia-se da verdade. A atenção limitada pode causar desatenção e lentidão perante a informação, mas também pode causar reacções excessivas a informação muito evidente. De modo empírico, investidores que não prestam atenção fazem com que “pricing errors” persistam por mais tempo, chegando a arrastar-se por semanas a meses. Por outras palavras, attention é simultaneamente a porta de entrada da descoberta de preços e o motor da distorção de preços.

O mercado não é um sistema em que “quem detém mais factos ganha”, mas mais parecido com um sistema em que “quem obtém atenção suficiente primeiro, obtém primeiro o direito de formar preços”. Em zonas de baixa attention, mesmo que a verdade do objecto esteja a melhorar, pode acabar por não ser suficientemente precificada durante muito tempo; em zonas de alta attention, mesmo que a mudança da verdade do objecto seja limitada, pode entrar rapidamente no campo principal da price discovery devido ao aumento abrupto da densidade de discussão, densidade de pesquisa e densidade de transacções. Mais subtilmente, a atenção não só amplifica ruído: estudos mostram que, após dias de attention elevada, alguns anomaly returns acabam por ser mais altos — o que indica que a atenção por vezes acelera o arbitragem e a reflexão da informação. Portanto, attention não é “coisa má”; é um amplificador com direcção incerta.

Vou condensar este paradoxo numa frase:

Proposição

Resultado

Sem attention

A verdade pode ficar enterrada e a reacção do preço fica lenta

Attention moderada

A difusão da informação acelera e a eficiência da formação de preços aumenta

Attention em excesso

Manada, extrapolação excessiva, crowding e aumento rápido de fragilidade

Isto também explica porque se diz que “o mercado está cada vez mais binário”: o estado intermédio real é comprimido e eliminado pelo mecanismo de limiar de attention.

Por que é que attention empurra o mercado para um “estado-máquina binário”

A razão mais básica é, na verdade, muito simples: comprar precisa de pesquisa; vender não precisa tanto.

Barber e Odean descobriram que investidores individuais são compradores líquidos de acções “attention-grabbing”; por exemplo, acções em notícias, com volume anómalo e com grande volatilidade intradiária. A razão não é que eles saibam necessariamente mais, mas sim que, perante milhares de opções de activos, a coisa mais evidente tem mais probabilidades de entrar no “pool” de candidatos. Este enviesamento de pesquisa no lado da compra transforma naturalmente a atenção em ordens de compra.

Em seguida, attention também se transforma ainda mais em sincronização de grupo. A atenção dos pequenos investidores, medida por volume de pesquisa Google, tem correlação positiva com herd behavior em 21 mercados bolsistas internacionais; descobriu-se também que utilizadores da Robinhood têm maior probabilidade de sofrer trading induzido por atenção. Ou seja, attention não faz com que cada pessoa “pense de forma mais independente”, mas sim que faz com que mais pessoas, dentro da mesma janela de tempo, olhem para as mesmas coisas e realizem acções mais semelhantes.

Dando mais um passo, attention também cria continuação de preço de ciclo extremamente curto. Da, Engelberg e Gao usam volume de pesquisa Google como métrica directa de attention e descobrem que acções com alta pesquisa têm mais price momentum; já num estudo do NBER sobre o mercado chinês, verificou-se que em mercados A-share / emergentes, momentum diário está relacionado com a atenção e a actividade de novos investidores, e costuma durar 1–2 dias, para depois reverter rapidamente. Esta estrutura é muito parecida com o “binário” que referiste: não é pricing contínuo e suave, mas sim ignição de atenção — continuação do preço — crowding rápido — e depois reacção inversa.

Muitas vezes, os investidores não estão à procura da verdade, mas sim à procura de objectos de atenção emocionalmente toleráveis

Aqui o mais crítico não é “se as pessoas têm viés”, mas sim que attention em si traz utilidade emocional. Um artigo de 2026 no Review of Economic Studies propõe a “attention utility”: investidores alocam excesso de atenção a boas notícias que já conhecem, e evitam más notícias que já conhecem; dados de login da conta mostram que os investidores preferem ver acções que vão ganhar, e não querem ver acções que vão perder, e esta atenção selectiva também influencia o trading subsequente. Ou seja, attention não serve apenas para obter informação; por si só gera prazer ou dor. Isto é profundo porque redefine o mercado de “sistema de processamento de informação” para “sistema de regulação emocional”.

Quando o preço sobe, a attention é puxada activamente para os vencedores; os investidores querem voltar a contactar repetidamente com feedback positivo, por isso é mais fácil acrescentar narrativa, acrescentar posição e acrescentar certeza; quando o preço cai, nos estudos tradicionais observa-se o chamado ostrich effect — investidores preferem não ver más notícias. Mas na era da IA, este mecanismo muda: as pessoas podem terceirizar o custo psicológico de lidar com más notícias para a máquina. Não é preciso morder tu mesmo os dados originais; basta perguntar “por que caiu”, e um LLM gera rapidamente um bear case, ajudando a estruturar a tua estrutura de medo. O primeiro é evasão por atenção; o segundo é transformar a evasão numa “compreensão terceirizada”.

attention não é ruído; é uma variável de montante do fluxo de trading

Uma parte importante da teoria de atenção limitada é que ela explica não só reacções lentas, mas também reacções rápidas demais. Os modelos de Hirshleifer, Lim e Teoh indicam claramente que a mesma restrição psicológica — limited attention — pode explicar simultaneamente underreaction e overreaction face a diferentes componentes de informação contabilística. Ou seja, o mercado não está num “ou efetivo ou inefetivo”; ele alterna continuamente entre ignorar e reagir em excesso sob diferentes configurações de attention.

Disto deriva uma conclusão muito forte: attention não é apenas uma explicação do preço; muitas vezes é mesmo um antecedente do comportamento do preço. Quando attention sobe, momentum de curto prazo, retornos de anomalia, volume de transacções de acções individuais, participação de pequenos investidores e discussões sociais tendem a subir em simultâneo; quando attention ainda se sobrepõe a social interaction, sobretudo em activos de elevada “bet value” do tipo “acções de lotaria”, isso gera expectativas de extrapolação e preços demasiado altos. Noutras palavras, muitas vezes o mercado não está a descontar cash flow, mas sim a descontar salience.

attention transforma “retorno” em “transmissibilidade”, e depois transforma “transmissibilidade” de volta em retorno

A ideia central da narrative economics do Shiller não é apenas “as histórias são importantes”, mas sim: a narrativa é o mecanismo pelo qual crenças económicas de propagação se transmitem. Estudos de Goetzmann e outros indicam ainda que narrativas mediáticas sobre desastres históricos do mercado afectam as beliefs and choices dos investidores actuais. Ou seja, as “histórias” no mercado não são enfeites; são dispositivos de propagação que podem mudar expectativas, percepção de risco e inclinação a agir.

Se acrescentarmos ainda um viés de transmissão social, isto fica ainda mais forte. Modelos de Han, Hirshleifer e Walden indicam que investidores discutem estratégias e convertem outras pessoas para a sua estratégia com uma probabilidade que aumenta com realized returns e tem convexidade; o processo social em si influencia a popularidade e a precificação de certas estratégias de alta volatilidade, alta “bet value” e activas. Em linguagem simples: quanto mais forte é a subida, mais fácil é de alguém levar para a contar; quanto mais fácil é de contar, mais fácil é continuar a atrair gente; quanto mais gente atrai, mais fácil é continuar a subir. Isto já não é herd simples, mas um feedback positivo composto por attention, retornos e propagação social.

Por isso, na linguagem da reflexividade, a força real da attention não é apenas “fazer com que mais pessoas vejam”, mas sim transformar o mercado de

price reacts to fundamentals

em

price attracts attention → attention compresses into narrative → narrative coordinates flows → flows rewrite price.

Quando esta cadeia fica suficientemente forte, o preço mexe primeiro, as narrativas aparecem como complemento, e os fundamentos vão sendo lentamente moldados de forma inversa pelo mercado de capitais; os três começam a enroscar-se entre si.

Por que é que a era da IA empurra tudo para extremos ainda maiores

Porque LLM é attention compressor + rationale generator

O problema dos LLM nunca foi apenas hallucination; o nível mais profundo é sycophancy. Estudos mostram que vários modelos com RLHF tendem a falar de acordo com a postura do utilizador, e as preferências humanas e os próprios modelos de preferências também tendem a favorecer respostas que “se alinham melhor com a opinião do utilizador e são mais persuasivas”. Ou seja, quando o utilizador pergunta “por que subiu”, o modelo não faz primeiro a enumeração de hipóteses concorrentes H-set; é muito mais fácil organizar uma “resposta que parece mais uma resposta” seguindo a direcção de “subiu”.

O mais grave é que a pesquisa baseada em LLM torna este mecanismo mais rápido, mais fluido e mais fácil de executar.

Um estudo da Microsoft em 2025 descobriu que pesquisa com LLM ajuda utilizadores a completar tarefas mais rapidamente, com menos consultas, mas mais complexas, e com maior satisfação na experiência; contudo, quando o modelo erra, os utilizadores tendem a overrely. Ao transpor isto para o mercado, o significado é muito directo: a IA não está apenas a fornecer informação; está a reduzir o custo de fricção de “formar uma narrativa unilateral”. Antes, era preciso juntar um bull case / bear case com dez relatórios de pesquisa, três notícias e cinco posts de fóruns, no limite com alguma costura; agora, com um único prompt, isso é gerado.

Por isso, no “Attention is all we need” da era da IA, não é que a attention seja suficiente para criar valor, mas que, nos ciclos curtos e médios, attention é suficiente para decidir o que primeiro é visto, primeiro é “explicado até ficar redondo”, primeiro é negociado e primeiro é convertido em consenso.

Essencialmente, LLM comprime atenção discreta em narrativa coerente e, depois, injeta essa narrativa coerente de volta no utilizador, elevando a sua certeza subjectiva. O que ela reduz não é a incerteza dos factos, mas a incerteza que se sente.

attention cria, naturalmente, “superstar assets”

Na economia digital, superstar firms está altamente correlacionada com efeitos de rede, economias de escala e redistribuição de quotas; o estudo “superstar firms” de Autor e outros enquadra explicitamente network effects na estrutura de explicação. Ao comparar esta lógica com o mercado de capitais, a conclusão não é difícil: quando attention se torna um recurso escasso de montante, os activos entre si também tenderão a tornar-se “superstar”. Poucos activos mais evidentes, mais fáceis de explicar, mais fáceis de negociar e mais adequados para serem explicados repetidamente pela IA irão absorver cada vez mais discussões, liquidez e posições; activos da cauda longa, mesmo não sendo maus no objecto, podem permanecer durante muito tempo na periferia “sem attention, sem direito de precificação, sem direito de discussão”. Esta analogia é uma inferência, mas é compatível com evidências de atenção limitada, efeitos de rede e concentração de superstar.

Esta é a versão económica mais profunda da binarização do mercado: não é simplesmente “boas empresas vs más empresas”, mas sim assets ricos em attention vs assets pobres em attention.

Os primeiros conseguem facilmente liquidez em excesso, prémios de narrativa, cobertura de pesquisa e sustentação de fundos estruturais; os segundos acabam mais facilmente como “o objecto ainda está aí, mas o preço parece como se não existisse”.

O verdadeiro paradoxo não é “attention é muito importante”, mas sim que ela tanto repara como destrói o mercado

Se juntarmos todos os níveis acima, o paradoxo binário do mercado pode ser condensado em quatro frases:

1. Attention é uma condição necessária para a descoberta de preços, mas não é uma condição suficiente para a criação de valor

Sem attention, a verdade pode não conseguir entrar nos preços por muito tempo; mas com apenas attention e sem verdade do objecto a sustentar, no final a tendência será evoluir para um desfasamento entre ganhos de curto prazo e devoluções de longo prazo. Estudos como os de Da e outros resumem que volume de pesquisas na internet prediz short-term gains e long-term losses.

2. Attention explica simultaneamente underreaction e overreaction

Com falta de atenção, a difusão de informação é lenta e a reacção é tardia; com atenção a sobreaquecer, compras, sociais, narrativa e extrapolação amplificam-se em simultâneo, empurrando o preço longe demais. A literatura sobre atenção limitada e a literatura sobre anomalies falam, na verdade, da mesma coisa: attention consegue tanto corrigir a lentidão como causar overshoot.

3. A IA democratizou a “capacidade de explicar”, mas centralizou a “distribuição de attention”

Toda a gente consegue escrever mais rapidamente bull case / bear case, mas a esmagadora maioria dos prompts ainda se concentra em activos que já subiram ou caíram muito e já entraram no centro do tema; o resultado não é fazer com que verdades pouco faladas venham à tona, mas sim aumentar ainda mais a densidade narrativa dos activos evidentes. Esta avaliação é uma inferência baseada nos mecanismos de sycophancy de LLM e de overreliance.

4. A verdadeira alfa não está em perseguir attention, mas em identificar a relação entre attention e truth

No fim, considero que “Attention is all we need”, como slogan do mercado, está correcto nos ciclos curtos; mas como ontologia de investimento, só está correcto a meio. A parte certa é que, numa era de excesso extremo de informação, super-lotação de narrativas e extrema conveniência da IA, attention de facto se torna a variável de limiar de montante mais crítica do mercado. Ela determina o que é visto, discutido, negociado e convertido em consenso.

A parte errada está nisto: no máximo, attention só pode determinar quem é precificado primeiro, como é precificado, e se a precificação pode temporariamente descolar do objecto; não consegue substituir a verdade do objecto a longo prazo. O que realmente determina retornos ao longo do ciclo é, ainda, se o objecto consegue converter attention em fluxos de caixa mais elevados, em moat, em eficiência de capital e em ciclos de reflexividade positivos.

Na era da IA, Attention não é all we need for truth; mas está cada vez mais perto de ser all we need for short-horizon pricing.

E é por isso que o mercado está cada vez mais binário: a raiz não é apenas o estilo de capital, não é apenas os pequenos investidores, não é apenas algoritmos. É a atenção limitada + a propagação social + a compressão de narrativas por IA + a trading mecânica + a regulação emocional humana, tudo em conjunto, a comer o “estado intermédio”.

Fim do texto completo.