The Accumulation Paradox: When Markups Enable and Inhibit AI Adoption

Resumo Técnico: O Paradoxo da Acumulação

Definição do Problema
O artigo aborda o "paradoxo da produtividade da IA", uma discrepância entre os robustos ganhos de produtividade ao nível da firma atribuídos à inteligência artificial generativa (estimados em 4%) e o crescimento estagnado da Produtividade Total dos Fatores (PTF) agregada na economia dos EUA (1%/ano). Embora a literatura existente atribua essa lacuna a erros de mensuração, deslocamento de mão de obra ou externalidades de demanda (ex: Falk & Tsoukalas, 2026), esses modelos tipicamente tratam a estrutura de mercado como exogenamente fixa. O artigo argumenta que a estrutura de mercado não é um pano de fundo estático, mas coevolui com a adoção tecnológica. Especificamente, investiga como a distribuição dos rendimentos da IA — mediada pela concentração de mercado e pelo poder de precificação — determina se os ganhos de eficiência das firmas se traduzem em crescimento macroeconômico agregado.

Metodologia
O estudo emprega um Modelo Baseado em Agentes (ABM) situado na tradição da economia evolucionária (Nelson & Winter, 1982; Dosi & Roventini, 2019). O modelo simula uma economia de competição monopolística com $N=200$ firmas heterogêneas e um consumidor representativo. As principais características metodológicas incluem:

• Racionalidade Limitada: As firmas não resolvem problemas de otimização prospectivos. Em vez disso, seguem heurísticas de investimento, aprendem através da imitação de pares bem-sucedidos e ajustam estratégias com base na lucratividade observada.
• Estrutura de Mercado Endógena: A concentração de mercado (medida pelo HHI), a dispersão de margens de lucro (markups) e o tempo de adoção emergem das decisões das firmas, em vez de serem parâmetros impostos. As firmas possuem elasticidades de substituição específicas da firma ($\sigma_i$) derivadas de sua produtividade e participação de mercado, que determinam seu poder de precificação.
• Dinâmicas de Adoção: O investimento em IA é condicionado por uma variável de prontidão informacional ($R_i$) que se acumula via difusão e influência de pares. Isso cria uma trajetória de adoção em curva S, retardando o investimento até que um limiar seja ultrapassado.
• Abordagem Generativa: O modelo é desenhado para identificação de mecanismos (Epstein & Axtell, 1996) em vez de estimação estrutural. Ele testa se a competição, a imitação e as dinâmicas de adoção são conjuntamente suficientes para gerar o paradoxo observado.
• Calibragem: Os parâmetros são ancorados em momentos empíricos, incluindo a distribuição de markups ao nível da firma (De Loecker et al., 2020) e taxas de crescimento da PTF de curto prazo (BLS). Os rankings de adoção setorial do modelo são comparados com o U.S. Business Trends and Outlook Survey (BTOS).

Principais Contribuições e Achados
As simulações geram três padrões primários que explicam a supressão da PTF agregada:

1. Absorção de Margem (Markup Absorption): Em mercados concentrados (baixa elasticidade de substituição $\sigma$), as firmas convertem os ganhos de eficiência induzidos pela IA em maiores margens de lucro (markups) em vez de reduzir preços ou expandir a produção. O artigo identifica este "canal de margem" como o principal supressor da transmissão da PTF, respondendo por aproximadamente 24 pontos percentuais da supressão da PTF ao longo do intervalo de $\sigma$. Um mecanismo secundário, o "portão de adoção" (investimento retardado devido ao acúmulo de informação), contribui com uma supressão média adicional de 10,4 pontos percentuais.
2. Reversão Temporal nos Rankings de Adoção: O modelo prevê uma evolução não monotônica na adoção setorial. Inicialmente (anos 0–4), setores competitivos (alto $\sigma$) adotam a IA mais rapidamente devido a barreiras de entrada menores e rápida difusão de informação. No entanto, após um ponto de cruzamento (aprox. 4 anos), setores concentrados (baixo $\sigma$) os ultrapassam. Essa reversão ocorre porque as margens de lucro mais altas em setores concentrados fornecem os fundos internos sustentados necessários para o investimento em IA durável e de grande escala, enquanto os setores competitivos corroem esses retornos.
3. Biestabilidade e Limiares de Competição: Existe um limiar crítico de competição em torno de $\sigma \approx 5$. Abaixo deste valor, mercados concentrados sustentam alta adoção; acima dele, a pressão competitiva corrói as margens a um ponto onde o investimento em IA torna-se insustentável, levando a uma baixa adoção. Próximo a esse limite, o sistema exibe biestabilidade: parametrizações idênticas resultam em regimes de alta ou baixa adoção, dependendo das condições iniciais aleatórias. Isso formaliza uma tensão kaleckiana onde as margens servem simultaneamente como combustível para o investimento e como barreira para a difusão competitiva dos ganhos.

Significância e Alegações
O artigo enquadra explicitamente suas contribuições como "demonstrações generativas" em vez de estimativas causais de fenômenos do mundo real. Sua significância reside em:

• Identificação de Mecanismos: Demonstra que o paradoxo da produtividade da IA pode emergir endogenamente da coevolução da tecnologia e da estrutura de mercado, sem depender exclusivamente de externalidades de demanda ou erro de mensuração.
• Integração Teórica: Os achados unem ferramentas de modelagem convencional (demanda CES, produção Cobb-Douglas) com estruturas teóricas heterodoxas. O canal de absorção de margem ressoa com a absorção de excedente marxista e o capital monopolista de Baran/Sweezy; o limiar de biestabilidade reflete a tensão pós-keynesiana/kaleckiana entre investimento liderado pelo lucro e demanda liderada pelo salário; e o papel da imitação alinha-se com as visões institucionalistas sobre coordenação não mercadológica (Hodgson, 1988).
• Implicações de Política (Indiretas): O artigo esclarece as precondições analíticas para políticas, em vez de prescrever instrumentos específicos. Sugere que a política de competição e a política industrial devem abordar mecanismos distributivos: evitando que a absorção de margens prive a PTF agregada, enquanto garantem a difusão suficiente onde os retornos privados são insuficientes.
• Previsões Empíricas: O modelo oferece uma hipótese testável: se os setores competitivos atualmente lideram a adoção da IA (como sugerem os dados do BTOS de 2024), os setores concentrados devem ultrapassá-los por volta de 2029.

Os autores mantêm uma postura modesta, observando que o modelo é uma economia fechada com mercados de trabalho simplificados e que os níveis quantitativos de adoção são valores de equilíbrio de longo prazo que excedem os dados transversais atuais. A alegação central é que os padrões observados são estruturalmente gerados por um conjunto mínimo de regras comportamentais, oferecendo uma nova lente através da qual interpretar a interação entre o poder de mercado e a difusão tecnológica.