A Fronteira Algorítmica da Autoridade Monetária: IA, Nowcasting e Política Monetária no Brasil e no Mundo

1. Introdução

A incorporação de algoritmos de inteligência artificial (IA) à política monetária representa uma das transformações mais relevantes da macroeconomia contemporânea. Diante de elevada volatilidade, incerteza geopolítica e aceleração tecnológica, os bancos centrais recorrem ao Machine Learning (ML) para aprimorar a capacidade preditiva e a comunicação com os mercados.

A política monetária exige, sobretudo, a antecipação de choques. Modelos como o DSGE (Dynamic Stochastic General Equilibrium — modelo de equilíbrio geral estocástico dinâmico) oferecem elegância teórica, mas enfrentam limitações em ambientes de alta dimensionalidade e não-linearidade. O ML surge como abordagem complementar de alta robustez preditiva.

No Relatório de Política Monetária de dezembro de 2025, o BCB consolidou o uso de algoritmos como XGBoost (eXtreme Gradient Boosting — método de ensemble baseado em gradient boosting que constrói sequencialmente árvores de decisão corrigindo erros anteriores) e Lasso Adaptativo (Adaptive Lasso — técnica de regularização L1 com pesos diferenciados que promove seleção automática de variáveis). Esses métodos demonstraram superioridade preditiva frente ao Boletim Focus em diversos horizontes (BANCO CENTRAL DO BRASIL, 2025a).

Em abril de 2026, o Boletim Focus projetou IPCA em 4,80% — sexta alta consecutiva —, enquanto a Selic foi reduzida para 14,75% a.a., ainda em patamar restritivo frente à meta de 3% (±1,5 p.p.) do CMN (BANCO CENTRAL DO BRASIL, 2026a). Este artigo contribui para o debate ao articular, de forma integrada, evidências empíricas do BCB com experiências internacionais comparadas e com a aplicação prática de IA explicável em contextos privados de inteligência econômica.

Dessa forma, o texto artigo busca analisar como a incorporação de técnicas de aprendizado de máquina e inteligência artificial explicável vem transformando a atuação dos bancos centrais, especialmente no caso brasileiro.

2. Fundamentos da Política Monetária Algorítmica

A política monetária moderna apoia-se na Nova Economia Keynesiana e no regime de metas de inflação. A primeira enfatiza que a gestão de expectativas é determinante central da dinâmica inflacionária — agentes racionais ajustam preços antecipando decisões do banco central (WOODFORD, 2005). A segunda exige credibilidade e transparência como condições para ancorar essas expectativas em torno da meta estabelecida.

Em contextos de elevada não-linearidade, modelos tradicionais como DSGE apresentam limitações estruturais. O ML surge como abordagem complementar capaz de processar grandes volumes de dados heterogêneos sem impor estrutura teórica prévia (ARAUJO; GAGLIANONE, 2023).

Técnicas como XGBoost e Lasso Adaptativo permitem hierarquizar preditores inflacionários com precisão. O avanço decisivo, porém, vem do método SHAP (SHapley Additive exPlanations — baseado na teoria dos jogos cooperativos de Shapley, decompõe a previsão em contribuições individuais de cada variável), que transforma modelos opacos em instrumentos de governança transparente, compatíveis com a accountability democrática do BCB (LUNDBERG; LEE, 2017).

3. Aspectos Metodológicos

O texto aqui expõe o início de uma análise qualitativa-exploratória com abordagem documental e comparativa. Foram analisados documentos primários do BCB — Relatório de Política Monetária de dezembro de 2025 e Boletim Focus de 20 de abril de 2026 — e relatórios institucionais do Fed, BCE e Banco de Portugal. Utilizou-se análise de conteúdo, comparação institucional (BCB, Fed, BCE) e construção de cenários por sensibilidade de variáveis macroeconômicas-chave (IPCA, Selic, câmbio e PIB).

O estudo de caso da XYZ LogicFlow foi desenvolvido por integração conceitual entre modelos logísticos e estruturas de nowcasting, com aplicação de Monte Carlo e SHAP à cadeia de suprimentos. A análise não utiliza dados primários proprietários, preservando a replicabilidade acadêmica do trabalho.

4. Investigação Comparativa Global: BCB, Fed e BCE

A adoção de técnicas de IA por bancos centrais não é fenômeno isolado. BCB, Fed e BCE utilizam abordagens distintas, moldadas por seus mandatos institucionais e base de dados disponíveis. A Tabela 1 sintetiza as principais diferenças, com base em documentos oficiais de cada instituição.

Instituição	Foco Tecnológico	Algoritmos / Ferramentas	Resultado / Impacto	Referência
BCB (Brasil)	Previsão de Inflação (IPCA)	XGBoost, Random Forest, Lasso Adaptativo, Elastic Net, Ridge	Previsões competitivas ao Focus em horizontes de 6–24 meses; adotado no RPM/2025.	BCB (2025a)
Fed (EUA)	NLP e Análise de Sentimento das Atas do FOMC	FinBERT, LLMs, Análise de Sentimento (hawkish/dovish)	Melhora na previsibilidade das decisões e comunicação com mercados.	Kanelis et al. (2025)
BCE (UE)	SupTech, risco sistêmico e cibersegurança	ML para risco operacional; SREP 2024; AI Act	CET1 em 15,8% (jun/2024); prioridades prudenciais 2025–2027 centradas em resiliência digital.	BCE (2024a; 2024b)
Banco de Portugal	SupTech e RegTech — supervisão bancária	Classificação automática de reclamações; validação de contratos via IA	Eficiência operacional da supervisão; alinhado ao AI Act da UE.	Rosalino (2024)

Tabela 1 – Uso de IA em Bancos Centrais. Fonte: Elaboração própria com base em BCB (2025a), Kanelis et al. (2025), BCE (2024a; 2024b) e Rosalino (2024).

5. Nowcasting, XAI e SHAP

O nowcasting é a estimação do estado presente (ou imediato futuro) de variáveis macroeconômicas antes da divulgação dos dados oficiais. No BCB, a metodologia do RPM de dezembro de 2025 emprega uma base de dados ampla, com tratamento de dados faltantes pelo algoritmo EM (Expectation-Maximization — técnica iterativa para estimar parâmetros em presença de dados incompletos). O modelo de melhor desempenho para o horizonte de 1 mês é a Breakeven Inflation (BEI — diferencial entre títulos nominais e indexados à inflação, que reflete expectativas de mercado), enquanto abordagens não-lineares dominam horizontes mais longos (BANCO CENTRAL DO BRASIL, 2025a).

A complexidade dos algoritmos de ML impõe o black-box problem: a dificuldade de explicar, em termos acessíveis, como o modelo chegou a determinada previsão — com implicações diretas para a legitimidade institucional do BCB, cujas decisões sobre a Selic afetam crédito, emprego e renda de toda a população.

A resposta a esse desafio é o método SHAP (SHapley Additive exPlanations), desenvolvido por Lundberg e Lee (2017) com base na teoria dos jogos cooperativos. O SHAP atribui a cada variável uma pontuação que representa sua contribuição marginal para a previsão: valores positivos indicam pressão inflacionária; negativos, pressão deflacionária. Aplicado ao XGBoost do BCB, o SHAP permite comunicar de forma auditável quais fatores — câmbio, energia, expectativas — mais pesaram em cada projeção, transformando o modelo em instrumento de governança pública transparente (LUNDBERG; LEE, 2017; CHEN; GUESTRIN, 2016).

Estudo de Caso: XYZ LogicFlow e Inteligência Econômica

A XYZ LogicFlow integra modelos de Monte Carlo com dados granulares de logística — fretes, combustível, taxa de câmbio e demanda sazonal — para gerar nowcasting de custos na cadeia de suprimentos. A plataforma antecipa pressões inflacionárias antes que estas se reflitam no IPCA oficial, alinhando inteligência privada às sinalizações do Copom. O diferencial reside na aplicação de SHAP: para cada projeção de custo logístico, o sistema decompõe a contribuição de cada variável, tornando o raciocínio da IA auditável e acessível a gestores não especializados. Esse movimento de convergência entre inteligência pública (BCB) e privada aponta para um novo paradigma de policy intelligence (inteligência aplicada à formulação de políticas públicas e estratégias empresariais) no Brasil.

6. Relatório Consolidado: Cenário Macroeconômico Atual (Abril/2026)

Com base no Boletim Focus (20/04/2026) e nas comunicações oficiais do Copom, a Tabela 2 apresenta um painel consolidado dos principais indicadores da política monetária brasileira:

Indicador	Valor Atual	Projeção 2026 (Focus)	Meta / Referência	Tendência
IPCA acumulado 12m (2025)	4,46%	4,80%	3,0% (±1,5 p.p.)	▲ Alta (6ª semana)
Taxa Selic (a.a.)	14,75%	13,00%	Ciclo de cortes previsto	▼ Em queda gradual
Câmbio (R$/US$) – fim 2026	~R$ 5,45	R$ 5,30	Depreciação do dólar global	▼ Leve apreciação
PIB Brasil 2026	+1,86% (rev. altista)	+1,86%	Desaceleração pós-2024 (+3,4%)	→ Estável
Balança Comercial 2026	—	US$ 72,65 bi	US$ 70 bi (semana anterior)	▲ Revisão altista
IPCA 2027	—	3,99%	Meta: 3,0%	▲ 4ª alta semanal
Selic 2027	—	11,00%	Normalização monetária	▼ Convergência

Tabela 2 – Painel de indicadores macroeconômicos. Fonte: Boletim Focus BCB (20/04/2026); CNN Brasil (20/04/2026); ANBIMA (jan/2026). Elaboração da própria.

7. Projeção de Cenários: 2026–2027

A análise de cenários é ferramenta central na comunicação forward-looking dos bancos centrais modernos. A Tabela 3 propõe três trajetórias plausíveis para o biênio 2026–2027, classificadas por grau de risco inflacionário:

Cenário	IPCA 2026	IPCA 2027	Selic fim 2026	PIB 2026	Hipótese Central
🟢 Favorável (desinflação acelerada)	4,20%	3,50%	12,00% a.a.	+2,10%	Câmbio apreciado, choque de oferta positivo, conflito ME curto.
🟡 Base (consenso Focus)	4,80%	3,99%	13,00% a.a.	+1,86%	Selic em queda gradual; incerteza geopolítica persistente no Oriente Médio.
🔴 Adverso (pressão inflacionária)	5,40%	4,50%	14,00% a.a.	+1,20%	Escalada no Oriente Médio; petróleo acima de US$ 100; câmbio acima de R$ 5,70.

Tabela 3 – Projeção de cenários 2026–2027. Fonte: Boletim Focus (BCB, 20/04/2026), Poder360 (20/04/2026) e ANBIMA (jan/2026). Os valores são estimativas de cenário e não constituem projeção oficial do BCB.

Nota Metodológica: A escolha entre os cenários depende criticamente do caminho da Selic e do comportamento do câmbio. O nowcasting baseado em ML permite ao BCB monitorar, em tempo real, indicadores de logística, commodities e fluxos cambiais antes da divulgação dos dados do IBGE. O SHAP garante que essas sinalizações sejam auditáveis e comunicáveis ao público, preservando a legitimidade institucional do Copom.

8. Conclusão

O ML não substitui o julgamento humano na condução da política monetária, mas o amplia de forma substancial. O BCB consolida liderança regional ao combinar XGBoost, Lasso Adaptativo e SHAP em seu arsenal preditivo, conforme documentado no RPM de dezembro de 2025. Fed e BCE avançam, respectivamente, no uso de LLMs para análise de sentimento e SupTech (Supervisory Technology — tecnologia aplicada à supervisão financeira) para risco sistêmico, consolidando convergência tecnológica na regulação monetária global.

A leitura conjunta das Tabelas 2 e 3 revela uma tensão estrutural: mesmo no cenário base, o IPCA de 2026 (4,80%) e de 2027 (3,99%) permanecerão acima da meta central de 3,0%, ainda que dentro do intervalo de tolerância. Isso implica que o Copom operará sob pressão informacional contínua ao longo de todo o biênio — contexto em que a acurácia do ML e a transparência do SHAP deixam de ser atributos técnicos opcionais e se tornam condições de legitimidade decisória.

No cenário adverso — petróleo acima de US$ 100, câmbio superando R$ 5,70 —, modelos ARIMA (Autoregressive Integrated Moving Average — modelo clássico de séries temporais) e DSGE, calibrados em períodos de estabilidade, subestimariam a aceleração inflacionária. O XGBoost, treinado sobre séries que incluem a crise de 2021 (IPCA de 10,06%), oferece resiliência preditiva adicional essencial para decisões sob pressão.

A experiência da XYZ LogicFlow ilustra o potencial da convergência público-privada: ao aplicar SHAP sobre dados logísticos granulares, a plataforma democratiza a inteligência econômica e oferece ao setor privado um instrumento de análise alinhado às sinalizações do Copom. Essa convergência aponta para um novo ecossistema de policy intelligence no Brasil, em que a fronteira entre análise pública e privada se torna cada vez mais porosa e mutuamente enriquecedora.

A integração entre métodos econométricos tradicionais e ML — com a explicabilidade viabilizada pelo SHAP — tende a constituir um dos principais vetores de modernização da política monetária nas próximas décadas, tanto no Brasil quanto nas economias que servem de referência comparativa a este trabalho.

Referências Bibliográficas

ANBIMA. ANBIMA projeta Selic em 12,5% ao final de 2026. Brasília: ANBIMA, jan. 2026. Disponível em: <https://www.anbima.com.br>. Acesso em: 22 abr. 2026.

 ARAUJO, G. S.; GAGLIANONE, W. P. Machine learning methods for inflation forecasting in Brazil: new contenders versus classical models. Latin American Journal of Central Banking, v. 4, n. 2, p. 100087, 2023.

 BANCO CENTRAL DO BRASIL (BCB). Relatório de Política Monetária: dezembro de 2025. Brasília: BCB, 2025a. Disponível em: <https://www.bcb.gov.br/content/ri/relatorioinflacao/202512/rpm202512b6p.pdf>. Acesso em: 22 abr. 2026.

 BANCO CENTRAL DO BRASIL (BCB). Boletim Focus – Relatório de Mercado: 20 de abril de 2026. Brasília: BCB, 2026a. Disponível em: <https://www.bcb.gov.br>. Acesso em: 22 abr. 2026.

 BANCO CENTRAL EUROPEU (BCE). Relatório Anual sobre as Atividades de Supervisão 2024. Frankfurt: BCE, mar. 2025. Disponível em: <https://www.bankingsupervision.europa.eu>. Acesso em: 22 abr. 2026. (BCE, 2024a).

 BANCO CENTRAL EUROPEU (BCE). Prioridades Prudenciais no Período de 2025 a 2027. Frankfurt: BCE, dez. 2024b. Disponível em: <https://www.bankingsupervision.europa.eu/framework/priorities>. Acesso em: 22 abr. 2026.

 CHEN, T.; GUESTRIN, C. XGBoost: a scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM, 2016. p. 785–794.

 CNN BRASIL. Boletim Focus: previsões de IPCA sobem pela 6ª semana consecutiva. CNN Brasil Economia, São Paulo, 20 abr. 2026. Disponível em: <https://www.cnnbrasil.com.br>. Acesso em: 22 abr. 2026.

 KANELIS, D.; KRANZMANN, L.; SIKLOS, P. L. The Financial Instability – Monetary Policy Nexus: Evidence from the FOMC Minutes. Deutsche Bundesbank Discussion Paper, n. 13, 2025. Disponível em: <https://papers.ssrn.com/sol3/Delivery.cfm/5275876.pdf>. Acesso em: 22 abr. 2026.

 LUNDBERG, S. M.; LEE, S.-I. A unified approach to interpreting model predictions. In: Advances in Neural Information Processing Systems (NeurIPS), v. 30, 2017.

 PODER360. Mercado passa a estimar Selic de 13% e inflação de 4,8% em 2026. Poder360 – Poder Economia, Brasília, 20 abr. 2026. Disponível em: <https://www.poder360.com.br>. Acesso em: 22 abr. 2026.

 ROSALINO, H. A Inteligência Artificial na relação supervisor-supervisionado. Infor Banca – Banco de Portugal, Lisboa, 2024. Disponível em: <https://www.bportugal.pt/intervencoes/artigo-do-administrador-helder-rosalino>. Acesso em: 22 abr. 2026.

 WOODFORD, M. Central-Bank Communication and Policy Effectiveness. NBER Working Paper, n. 11898, 2005. Disponível em: <https://www.nber.org/papers/w11898>. Acesso em: 22 abr. 2026.

 ZOU, H. The adaptive lasso and its oracle properties. Journal of the American Statistical Association, v. 101, n. 476, p. 1418–1429, 2006.