A inteligência artificial já auxilia bancos a conceder crédito, tribunais a avaliar riscos de reincidência criminal e empresas a prever comportamentos de consumidores. Mas o que acontece quando os indivíduos que utilizam essas ferramentas estão, ao mesmo tempo, interagindo estrategicamente uns com os outros? Um estudo recém-publicado por Ran Spiegler e Stephan Waizmann propõe uma resposta inovadora para essa questão.

No artigo “Cross-Validation Equilibrium”, divulgado em junho de 2026, os pesquisadores desenvolvem um novo conceito teórico para compreender como decisões humanas podem ser influenciadas por sistemas de aprendizado de máquina (machine learning) que aprendem a partir de dados gerados pelos próprios participantes do jogo econômico.

O trabalho, apoiado por financiamento da agência britânica UK Research and Innovation (UKRI), apresenta uma estrutura matemática capaz de descrever situações em que agentes econômicos não formam diretamente suas crenças sobre o comportamento dos outros, mas delegam essa tarefa a algoritmos preditivos.

A premissa central do estudo é simples, mas profunda. Em muitas situações reais, sistemas de IA produzem previsões que influenciam decisões humanas. Essas decisões, por sua vez, alteram o ambiente que servirá de base para futuras previsões.

Segundo os autores, esse ciclo cria uma relação de retroalimentação que os modelos econômicos tradicionais não conseguem capturar adequadamente.

“Estamos interessados nas implicações dessa ligação de mão dupla entre o comportamento dos agentes e os modelos preditivos gerados por machine learning”, explicam os pesquisadores na introdução do artigo.

Para lidar com esse desafio, Spiegler e Waizmann criaram o conceito de Cross-Validation Equilibrium (CVE) — Equilíbrio de Validação Cruzada.

A ideia se inspira diretamente em uma das técnicas mais utilizadas em ciência de dados moderna: a validação cruzada (cross-validation), método usado para selecionar modelos que apresentem melhor desempenho em dados novos e não apenas nos dados utilizados para treinamento.

Na teoria desenvolvida pelos autores, cada jogador possui um “agente de IA” encarregado de prever uma variável relevante para sua decisão — por exemplo, a ação futura de um concorrente.

O algoritmo observa amostras imperfeitas e ruidosas da realidade e escolhe, entre vários modelos possíveis, aquele que minimiza o erro de previsão fora da amostra. Depois disso, o ser humano toma sua decisão com base na previsão produzida pela máquina.

O resultado é um sistema em que crenças, previsões e comportamentos tornam-se interdependentes.

Uma das descobertas mais importantes do estudo é que o equilíbrio clássico de Nash aparece apenas como um caso especial do novo modelo, correspondente à situação ideal em que os dados observados pelos algoritmos não contêm ruído.

Os autores demonstram matematicamente que o equilíbrio CVE existe para qualquer jogo finito.

Mas os resultados mais interessantes surgem quando o modelo é aplicado a situações concretas.

Em um exemplo inspirado na competição entre empresas do tipo Cournot, os pesquisadores mostram que a presença de algoritmos de aprendizado pode aumentar significativamente a volatilidade dos preços e das quantidades produzidas. Em outras palavras, mercados podem se tornar mais instáveis simplesmente porque os agentes estão aprendendo por meio de modelos estatísticos imperfeitos.

Em outro exercício, envolvendo trabalho em equipe e complementaridade estratégica, o estudo encontra algo ainda mais intrigante: múltiplos equilíbrios podem surgir mesmo quando a teoria econômica tradicional prevê uma única solução.

Isso significa que pequenas diferenças na forma como algoritmos interpretam os dados podem conduzir grupos idênticos a resultados radicalmente distintos.

As aplicações apresentadas pelos autores vão além dos mercados.

Uma delas revisita o famoso modelo de júri desenvolvido por Timothy Feddersen e Wolfgang Pesendorfer. Nesse cenário, a utilização de modelos preditivos leva os jurados a apoiar reformas com frequência ainda maior do que aquela observada no equilíbrio eficiente tradicional.

Outra aplicação examina apostas especulativas entre dois agentes. Surpreendentemente, o estudo conclui que um jogador que utiliza apenas o modelo “correto” pode acabar obtendo desempenho inferior ao de um adversário que possui acesso a modelos mais simplificados.

Talvez o resultado mais curioso apareça na seção intitulada “Ilusão de Controle”.

Nesse experimento teórico, os agentes passam a acreditar que determinadas ações influenciam resultados sobre os quais, na realidade, não possuem qualquer controle causal. Como consequência, indivíduos escolhem estratégias dominadas — decisões objetivamente piores — simplesmente porque os algoritmos associaram erroneamente sucesso e comportamento.

Os autores descrevem o fenômeno como uma forma matemática da conhecida “ilusão de controle”, frequentemente estudada pela psicologia comportamental.

A relevância do estudo vai muito além da teoria dos jogos.

Hoje, algoritmos participam de decisões envolvendo crédito, seguros, publicidade digital, investimentos financeiros e sistemas judiciais. Em muitos desses contextos, os dados utilizados para treinamento são moldados pelas próprias recomendações produzidas pelos modelos.

Segundo os autores, compreender essa circularidade tornou-se essencial para prever os efeitos econômicos e sociais da inteligência artificial.

O trabalho também dialoga com uma literatura crescente que investiga como sistemas de aprendizado de máquina interagem com mercados e ambientes estratégicos. Em vez de tratar algoritmos apenas como ferramentas passivas, o estudo mostra que eles podem alterar profundamente a estrutura dos equilíbrios econômicos.

Ao incorporar conceitos centrais da ciência de dados moderna à teoria econômica, Spiegler e Waizmann oferecem um novo mapa para compreender um mundo em que humanos e algoritmos aprendem simultaneamente.

A principal mensagem da pesquisa é clara: quando máquinas aprendem observando decisões humanas, e humanos passam a decidir observando máquinas, surgem dinâmicas coletivas inteiramente novas. Entender essas dinâmicas poderá ser decisivo para regular mercados, desenvolver sistemas de IA mais confiáveis e antecipar os efeitos sociais da automação inteligente nas próximas décadas.