Agentes de IA prometiam revolucionar o day trading. Então vieram os prejuízos
A inteligência artificial chegou prometendo revolucionar o mercado financeiro para qualquer pessoa com acesso a um smartphone. E, pelo menos por um tempo, parecia que essa promessa seria cumprida. Feeds de redes sociais transbordavam com prints de lucros absurdos, vídeos ensinando a configurar bots de trading em minutos e a narrativa irresistível de que o dinheiro fácil estava ao alcance de um prompt bem escrito.
Mas a realidade, como quase sempre acontece no mercado financeiro, tem um jeito peculiar de cobrar a conta.
Jake Nesler, um engenheiro de software de 29 anos que mora em Scranton, na Pensilvânia, acreditou nessa ideia o suficiente para passar duas semanas e meia ensinando o modelo Claude, da Anthropic, a pensar como ele. O objetivo era criar um agente que analisasse riscos, identificasse sinais de entrada e gerenciasse o dimensionamento de posições no mercado de ações, tudo enquanto Nesler cuidava do seu trabalho diário como programador.
A inspiração veio de um lugar improvável. Nesler tinha visto um experimento da própria Anthropic no qual o Claude controlava uma máquina de venda automática de escritório. A ideia que surgiu na cabeça dele foi direta: e se, em vez de oferecer lanches, o Claude pudesse ser treinado para comprar e vender ações?
O resultado foi… mais ou menos.
Na primeira semana, o bot tomou uma boa decisão e evitou uma perda estimada de 10 mil dólares. Quando os resultados da Nvidia fizeram a ação disparar no final de novembro, o agente debateu consigo mesmo se deveria seguir o movimento de alta. Felizmente, decidiu não correr atrás do preço inflado, algo que teria gerado um rombo considerável no portfólio simulado. 😅
Na mesma semana, porém, o bot também perdeu dinheiro em uma série de operações especulativas que simplesmente não deram certo. Depois de cinco dias operando, o saldo era uma única boa decisão ao lado de uma sequência de prejuízos.
Essa história de Nesler não é um caso isolado. Ela representa algo muito maior que está acontecendo agora nos mercados financeiros ao redor do mundo, onde uma nova geração de investidores está apostando que agentes de IA podem fazer o trabalho sujo do trading automático com mais eficiência do que qualquer humano. Só que os números, na maioria das vezes, estão contando uma história bem diferente das promessas virais que circulam nas redes sociais.
O sonho do dinheiro no piloto automático
A ideia por trás do trading automático com inteligência artificial é sedutora e faz todo sentido no papel. Você configura um agente inteligente, define seus critérios de risco, conecta à sua corretora e deixa a máquina trabalhar enquanto você dorme, viaja ou simplesmente aproveita a vida. Esse apelo não é novo, mas ganhou uma dimensão completamente diferente com a popularização dos grandes modelos de linguagem e das ferramentas de IA generativa que qualquer pessoa pode acessar hoje, sem precisar saber programar ou entender de finanças quantitativas em profundidade.
- E-BOOK GRATUITO
Um guia prático para avaliar, comparar e implementar inteligência artificial com clareza — sem desperdício de tempo ou dinheiro.
Pare de contratar ferramentas sem direção. Criamos um método estruturado para decidir qual IA realmente faz sentido para o seu negócio.
Entrega em PDF no seu e-mail · Sem spam · LGPD
🔒 Seus dados são protegidos conforme a LGPD. Você pode descadastrar a qualquer momento.
Plataformas de código aberto como a OpenClaw já permitem que os usuários conversem com seus agentes de IA por meio de aplicativos de mensagens como WhatsApp e Telegram, atraindo uma multidão de aspirantes a traders sem necessidade de diploma em ciência da computação. Tudo o que a pessoa precisa fazer é conectar um modelo de IA ao sistema e soltá-lo com instruções simples. Essa facilidade de acesso é ao mesmo tempo o maior trunfo e o maior risco do ecossistema atual.
Nos últimos dois anos, plataformas dedicadas a esse tipo de automação pipocaram na internet, muitas delas voltadas diretamente para o investimento retail, que é o segmento de investidores individuais, pessoas físicas que operam com capital próprio e, na maioria das vezes, sem suporte institucional. Essas plataformas vendem uma narrativa poderosa: a de que a inteligência artificial pode nivelar o campo de jogo entre o pequeno investidor e os grandes fundos de Wall Street. É um argumento bonito. E funciona muito bem como estratégia de marketing, especialmente quando os criadores dessas ferramentas compartilham prints de operações vencedoras nas redes sociais sem mostrar o histórico completo das perdas que vieram antes ou depois.
As plataformas de trading também estão surfando essa onda. Empresas como a Public Holdings estão buscando oferecer seus próprios agentes de IA diretamente aos clientes. No mundo cripto, exchanges como Polymarket, OKX, Bybit e Kraken lançaram interfaces nos últimos meses que facilitam a vida dos bots na hora de executar operações. O incentivo é direto: bots operam com alta frequência, e exchanges vivem de volume de transações.
O que acontece na prática, porém, é que a maioria das pessoas que embarca nessa ideia não tem clareza sobre o que está construindo ou comprando. Configurar um agente de IA para operar no mercado financeiro exige muito mais do que alimentar o modelo com alguns prompts e esperar que ele leia gráficos corretamente. É preciso entender como o mercado funciona, quais são os riscos reais de cada operação, como o modelo interpreta dados históricos e, principalmente, quais são os limites do que a IA consegue prever com alguma confiabilidade — que, na prática, são bem menores do que os vídeos do YouTube costumam sugerir.
O problema está na própria tecnologia
Nesler encontrou um problema recorrente com seu agente que revela algo fundamental sobre a natureza dos modelos de linguagem aplicados ao trading. O bot insistia em se comportar de forma responsável demais, gravitando naturalmente em direção a blue chips e ações do S&P 500, o tipo de posição que mal se move ao longo de uma semana. Nesler precisou intervir repetidamente, forçando o modelo a buscar operações mais arriscadas que combinassem com o seu próprio perfil.
Esse comportamento não é um bug. É uma consequência direta de como os grandes modelos de linguagem são construídos. Modelos como o Claude são treinados em volumes massivos de conteúdo financeiro, literatura de gerenciamento de risco e comentários de mercado. Sem instruções específicas em contrário, eles absorvem a visão de consenso sobre o que é investimento responsável e passam a se comportar como a média de todos os blogs de consultores financeiros da internet. Alguns traders que estão criando agentes em cima desses modelos travam uma verdadeira batalha contra esse conservadorismo padrão, tentando extrair apetite por risco de um sistema que foi treinado justamente para evitá-lo.
Depois de ajustar o agente ao seu gosto, Nesler conseguiu um retorno de aproximadamente 7% em 30 dias, superando o ganho de cerca de 4,5% do S&P 500 no mesmo período. No caminho até lá, porém, o bot testou severamente a tolerância de Nesler à volatilidade, com drawdowns de até 22%. Mesmo tendo publicado seu código online para que outros pudessem experimentar, Nesler faz questão de deixar claro que não recomenda que ninguém coloque dinheiro de verdade nisso.
É totalmente possível ganhar dinheiro com isso, ele disse. Mas qualquer pessoa poderia fazer isso com sorte pura em opções. Não significa que não vá perder esse dinheiro também.
Quando as perdas financeiras viram estatística
As perdas financeiras geradas por bots de trading automático mal configurados ou baseados em estratégias sem fundamento sólido têm uma característica particular que as torna especialmente perigosas para o investidor individual. Elas acontecem de forma gradual, em pequenas operações que parecem aceitáveis isoladamente, até que o saldo acumulado revela um rombo significativo. Esse padrão é exatamente o oposto do que as plataformas de automação mostram em seus materiais promocionais, que geralmente destacam os ganhos pontuais e varrem as sequências de perdas para debaixo do tapete.
No X, as reivindicações de retornos extraordinários por meio de agentes de IA se tornaram um gênero próprio de conteúdo. Uma postagem viral, visualizada 4,7 milhões de vezes, se gabava de um retorno de 5.860% em dois dias na plataforma de mercados de previsão Polymarket. A história foi posteriormente desmentida por outra conta operada por um agente de IA, que demonstrou que as alegações eram impossíveis. Outras postagens similares chegaram a direcionar usuários diretamente para malware, representando um risco de segurança real para investidores desavisados.
Há também um componente psicológico relevante nessa equação. Quando um humano perde dinheiro em uma operação, ele sente o peso daquela decisão e, em teoria, aprende com ela. Quando um bot perde, o investidor muitas vezes não processa aquela perda da mesma forma, porque a sensação de distância criada pela automação reduz o impacto emocional imediato. O resultado prático é que muitas pessoas continuam com bots operando no vermelho por semanas ou meses porque não conseguem encarar o prejuízo acumulado com a mesma clareza que teriam se tivessem apertado o botão de venda elas mesmas.
Jay Malavia, cofundador da Kairos, empresa de Chicago que opera um terminal de trading para mercados de previsão, já ouviu versões dessa história muitas vezes. Trading é um jogo de soma zero, ele explicou. Uma vantagem competitiva, por definição, deixa de existir quando é compartilhada com as massas. Se eu tivesse um bot que funcionasse de verdade, eu não daria para você. E se você tivesse um que funcionasse, com certeza não postaria online.
A ameaça aos mercados de previsão
Além do risco financeiro individual, os agentes de IA de trading levantam uma preocupação mais ampla sobre o futuro dos mercados de previsão, plataformas como Polymarket e Kalshi onde as pessoas apostam em resultados de eventos reais como eleições e jogos esportivos.
O conceito por trás desses mercados é que eles funcionam como uma espécie de termômetro coletivo. As pessoas que apostam neles supostamente sabem algo — ou pelo menos acreditam em algo com convicção suficiente para colocar dinheiro em jogo. Essa agregação de conhecimento e convicções é o que torna esses mercados, em teoria, ferramentas de previsão úteis.
Mas um agente de IA colocando apostas com base no que consegue encontrar no Google não está adicionando conhecimento novo à dinâmica. Ele está apenas reciclando informações que já estão disponíveis publicamente. Se bots suficientes afastarem os humanos que realmente possuem insights sobre como uma determinada eleição ou evento esportivo pode se desenrolar, o contrato deixa de ser uma ferramenta de previsão e se transforma em algo mais parecido com uma câmara de eco. O resultado é uma máquina que apenas calcula a média do que a internet já pensa, desprovida do julgamento contrário que é justamente o que torna as multidões inteligentes.
Annanay Kapila, ex-trader quantitativo que agora dirige a exchange de derivativos QFEX, duvida que bots de trading com IA funcionem em escala para investidores retail. Contratos em mercados de previsão geralmente têm volume baixo, o que dificulta a implantação de capital com velocidade ou escala por agentes de IA. Esportes e eleições são as áreas mais populares para apostar, mas negociar esses eventos coloca os traders frente a frente com jogadores altamente especializados, em arenas onde a IA simplesmente não consegue competir com a mesma eficácia.
O tipo de modelagem que você precisa fazer é exatamente como a modelagem necessária para prever o preço de uma ação, disse Kapila. Você não pergunta a um LLM qual será o preço de uma ação daqui a um segundo.
Os modelos de negócio por trás da promessa
Entender quem ganha dinheiro nesse ecossistema é fundamental para qualquer pessoa que esteja considerando entrar nesse universo. Os modelos de negócio das plataformas de trading automático com IA raramente dependem do sucesso financeiro dos seus usuários. A maioria opera com assinaturas mensais, taxas por volume de operações ou comissões sobre o capital alocado, o que significa que a plataforma lucra independentemente de o investidor estar no azul ou no vermelho. Esse desalinhamento de incentivos é um ponto crítico que pouca gente discute abertamente quando o assunto é inteligência artificial aplicada a finanças.
Receba o melhor conteúdo de inovação em seu e-mail
Todas as notícias, dicas, tendências e recursos que você procura entregues na sua caixa de entrada.
Ao assinar a newsletter, você concorda em receber comunicações da Método Viral. A gente se compromete a sempre proteger e respeitar sua privacidade.
Existem exceções, claro. Algumas plataformas mais sofisticadas adotam modelos de negócio baseados em performance, onde a empresa só ganha uma fatia dos lucros gerados, o que cria um incentivo real para que o produto funcione. Mas esse formato é menos comum no segmento de investimento retail justamente porque é mais difícil de escalar e exige que o produto tenha resultados verificáveis e consistentes ao longo do tempo. É muito mais lucrativo, do ponto de vista empresarial, vender o sonho da automação inteligente do que entregar resultados reais e auditáveis.
Outro elemento importante nesses modelos de negócio é o uso de backtesting, que é a prática de testar uma estratégia de trading em dados históricos para mostrar como ela teria performado no passado. O problema é que o backtesting é notoriamente suscetível ao que os especialistas chamam de overfitting, situação em que o modelo aprende os padrões específicos de um período histórico tão bem que se torna incapaz de generalizar para dados novos. Plataformas de automação frequentemente apresentam resultados de backtesting impressionantes como evidência de que sua IA funciona, mas omitem que aquele desempenho histórico raramente se repete quando o bot encontra condições de mercado que não estavam presentes nos dados de treinamento. Para o investidor retail que não tem formação técnica para questionar essa metodologia, esses números parecem uma garantia. Na prática, não são.
O que essa história nos mostra sobre o estado real da IA no mercado
O que torna o caso de Jake Nesler interessante não é o resultado financeiro — que foi ambíguo — mas o processo que ele adotou. Nesler não simplesmente baixou um aplicativo e depositou dinheiro esperando resultados. Ele passou semanas refinando o comportamento do modelo, testando diferentes parâmetros, ajustando a tolerância ao risco e acompanhando cada operação de perto. Esse nível de envolvimento é exatamente o oposto do que a maioria das plataformas de trading automático incentiva os seus usuários a fazer, porque o apelo do produto é justamente a promessa de que você não precisa fazer nada depois de configurar o sistema.
Nesler também testou seu agente em mercados de previsão. Deu ao bot cerca de 30 dólares para apostar na Kalshi, com instruções para pesquisar jogos esportivos e apostar no resultado mais provável. O desempenho foi péssimo. O bot se saiu um pouco melhor prevendo faixas de preço do bitcoin, acertando cerca de 60% das operações. Mas, eventualmente, perdeu tudo.
Parece uma máquina caça-níquel, disse Nesler. As pessoas ganham e perdem.
Sumer Malhotra, cofundador da Fireplace, um terminal de trading usado por apostadores profissionais de mercados de previsão, reconhece o apelo mas também enxerga o limite com clareza. Agentes são muito frios emocionalmente, ele disse. Eles tomam decisões puramente baseadas em raciocínio objetivo e nas suas próprias restrições. Essa frieza emocional pode ser uma vantagem em certas situações, mas não substitui a capacidade humana de interpretar nuances e contextos que os dados simplesmente não capturam.
A lição prática que emerge de tudo isso é que a inteligência artificial aplicada ao mercado financeiro funciona melhor como uma ferramenta de suporte à decisão do que como um substituto completo para o julgamento humano. O bot que evitou uma perda de 10 mil dólares não fez isso porque é infalivelmente inteligente. Fez isso porque Nesler havia treinado o modelo com critérios de risco bem definidos e acompanhou o resultado de perto o suficiente para saber quando intervir. Isso é muito diferente de ligar um bot e torcer para que ele funcione, que é o que a grande maioria dos usuários de plataformas de automação acaba fazendo na prática.
Para o mercado de investimento retail, esse tipo de uso mais consciente da inteligência artificial representa um caminho mais realista do que a narrativa do enriquecimento passivo que domina as redes sociais. Não é glamouroso, não gera o tipo de print viral que acumula seguidores, mas é uma abordagem que reconhece os limites reais da tecnologia e usa as suas forças de forma inteligente. A IA pode processar volumes de dados que um humano jamais conseguiria analisar manualmente, identificar padrões estatísticos relevantes e executar operações com uma velocidade e disciplina que elimina erros emocionais. O que ela não consegue fazer, pelo menos com as ferramentas disponíveis hoje, é substituir completamente a capacidade humana de contextualizar informações dentro de um cenário macroeconômico complexo e em constante transformação. 🤖📉
