Em algum momento de 2025, um homem em São Paulo abriu uma calculadora online que prometia responder uma pergunta que ele nunca tinha conseguido formular com clareza. A pergunta não era moral, não era romântica, não era sobre destino. Era contábil: quanto custa uma noite. Não em dinheiro — em swipes.
O número que apareceu na tela era 1.044. Para chegar a um único encontro sexual, o homem mediano em um aplicativo de relacionamento precisa deslizar à direita 1.044 vezes. Ele estava no tier cinco — exatamente a média. Sua atratividade percebida era a mediana da distribuição masculina. E o sistema lhe dizia, com a frieza de uma planilha, que a unidade básica de intimidade casual lhe custaria mil e quarenta e quatro tentativas.
A mesma calculadora, com o mesmo perfil mas marcado como mulher, retornava um número diferente: 175.
Mesma plataforma. Mesmo tier. Mesmo objetivo. Seis vezes menos esforço.
O número não é vingança das mulheres contra os homens, nem evidência de superficialidade feminina, nem sintoma de homens incompetentes. É a leitura agregada de um mercado que está fazendo exatamente o que foi projetado para fazer. Para entender por que ele faz isso — e por que não vai parar — é preciso reformular a pergunta da forma mais antiga que a economia conhece: oferta e demanda.
A Aritmética do Funil
A primeira coisa que a calculadora revela é que o número 1.044 não cai do céu. Ele é o produto de um funil de conversão com etapas mensuráveis e bem documentadas em estudos do Match Group, em análises independentes do Tinder e do Hinge, e em vazamentos sucessivos de dados internos ao longo da última década. Cada etapa multiplica uma probabilidade pequena pela próxima, e o resultado agregado é o preço que cada usuário paga, sem nunca ver a fatura discriminada.
Os dois números — 1.044 e 175 — são produtos de funis quase idênticos em estrutura mas radicalmente diferentes em rendimento. A mulher mediana faz menos de um sexto do esforço inicial e gera mais matches em valor absoluto. Mais que isso: cada match que ela tem tem maior probabilidade de virar encontro presencial. É como se ela e o homem estivessem pescando no mesmo lago, mas a vara dela tivesse seis iscas para cada uma da dele.
A pergunta natural — por que o rendimento por swipe é tão diferente — é exatamente a pergunta que este capítulo precisa responder. Mas antes de responder, vale registrar a natureza dos números. Eles não são medição direta. São estimativas modeladas a partir de parâmetros empíricos: taxas de match, tempos médios de resposta, conversões entre etapas, distribuições de atenção. Esses parâmetros vêm de mais de uma década de dados internos vazados, estudos acadêmicos e relatórios regulatórios. Os números 1.044 e 175 emergem da composição desses parâmetros num modelo de funil. A ordem de grandeza se confirma de forma robusta entre apps e geografias; o número exato depende da calibragem específica adotada.
A Recomposição Clássica
A microeconomia tem um aparato para descrever esse tipo de situação, e o aparato é antigo. Em qualquer mercado, há uma curva de demanda — quanto compradores estão dispostos a pagar pela quantidade Q — e uma curva de oferta — quanto vendedores precisam receber para fornecer essa quantidade. As duas se cruzam num único ponto: a quantidade de equilíbrio Q* e o preço de equilíbrio P*. É o que dá clearing ao mercado, no jargão.
Quando o mercado introduz uma cunha entre os dois lados — um imposto, uma taxa, um custo de transação imposto pela infraestrutura — as curvas deixam de se encontrar num único ponto. O comprador paga mais do que P*, o vendedor recebe menos do que P*, e a diferença entre os dois é a cunha. A quantidade transacionada cai abaixo de Q*. A área entre as curvas e a quantidade reduzida é o que chamamos de perda morta — surplus econômico que deixa de existir porque o sistema não permite que comprador e vendedor se encontrem direto.
Como ler este modelo. Os números deste capítulo não devem ser lidos como medição universal do mercado afetivo digital. São estimativas de ordem de grandeza, calibradas com parâmetros de conversão reportados por estudos acadêmicos, dados públicos de plataformas e simulações. O objetivo não é afirmar que todo homem mediano paga exatamente 1.044 swipes ou que toda mulher mediana paga exatamente 175. O objetivo é tornar visível a estrutura: o custo de conversão é sistematicamente diferente entre os dois lados do mercado, e essa diferença não desaparece quando se altera apenas comportamento individual. Um leitor que quiser variar parâmetros — taxa de match, distribuição de atenção, hipergamia — verá os preços específicos mudarem; verá também que a cunha entre eles persiste em todas as calibragens razoáveis. É essa persistência, não o valor exato, que este capítulo está demonstrando.
O mercado afetivo digital tem essa estrutura. Em um mercado sem fricção, a curva de demanda dos homens — sua disposição agregada de investir esforço por encontros adicionais — cruzaria a curva de oferta das mulheres — sua disposição agregada de fornecer encontros a cada nível de "preço". O encontro aconteceria em Q*≈2,1, ao preço de aproximadamente 314 swipes para cada lado. Ambos os lados teriam, em média, mais encontros, e cada um pagaria substancialmente menos por encontro produzido.
Não é o que acontece. A plataforma fixa a quantidade efetiva próxima a Q=1 e cobra preços diferentes de cada lado: 1.044 swipes do homem, 175 da mulher. A diferença — 869 swipes por encontro produzido — é a cunha algorítmica.
Há uma diferença incômoda entre essa cunha e a cunha tributária clássica. Em uma cunha tributária, a diferença entre o preço pago pelo comprador e o preço recebido pelo vendedor vai para o tesouro. Há um destinatário. Há, em tese, uma justificativa: financiar bens públicos. A cunha do mercado afetivo digital não vai para lugar nenhum. O Match Group não coleta os 869 swipes — swipes não viram dinheiro diretamente. A mulher não recebe os 869 — ela paga 175 e fica nisso. Os homens não compartilham os 869 entre si. O agregado simplesmente perde os 869 swipes por encontro, multiplicado por bilhões de encontros por ano. É perda de eficiência induzida pela arquitetura do mercado — não necessariamente por intenção deliberada, mas por função-objetivo da plataforma.
De Onde Vem a Cunha
A causa imediata da cunha é a concentração radical da demanda feminina no topo da distribuição masculina. Os dados, quando há dados — OkCupid em 2014 vazou 25 milhões de usuários, e o cofundador Christian Rudder publicou os resultados — mostram um padrão consistente: o decil masculino mais bem avaliado por mulheres recebe entre 40% e 55% de toda a atenção feminina disponível. Os 50% inferiores da distribuição masculina dividem entre si menos de 10% da demanda total.
Em vocabulário microeconômico, essa concentração é um caso clássico do que Peter Diamond, Dale Mortensen e Christopher Pissarides descreveram em uma série de artigos que lhes valeu o Nobel de Economia em 2010: quando o custo de busca em um mercado cai a quase zero — quando você pode ver mil perfis em uma hora — o comportamento bayesianamente ótimo é elevar o reservation value. A mesma mulher que aceitaria um homem X em um mercado offline com quinze candidatos rejeita o mesmo X em um mercado online com mil candidatos. Não porque ela mudou. Porque o conjunto de informação dela mudou. Esperar por um perfil melhor virou racional. Aceitar virou subótimo.
Esse é o mecanismo que produz a concentração observada no decil superior. Cada usuária individual está jogando ótimo. Coletivamente, essas decisões individuais ótimas concentram demanda em um pequeno grupo masculino e drenam liquidez de todo o resto. É uma falha de mercado clássica — comportamento individual racional produzindo equilíbrio coletivo ruim — e tem nome técnico: externalidade negativa de busca.
Cada usuária individual está jogando ótimo. Coletivamente, essas decisões individuais ótimas concentram demanda em um pequeno grupo e drenam liquidez de todo o resto. Defeito moral não é a palavra certa. É equilíbrio.
Há um segundo mecanismo, menos discutido. O mercado afetivo digital não é um mercado de uma face — é uma plataforma de duas faces, no sentido descrito por Jean Tirole e Jean-Charles Rochet em uma sequência de artigos que rendeu a Tirole o Nobel de Economia em 2014. Em plataformas de duas faces, o operador pode cobrar preços diferentes de cada lado para maximizar a participação total. O exemplo clássico é o cartão de crédito: a Visa cobra mais do lojista e menos do consumidor, porque a participação do consumidor é mais elástica. O Match Group faz a mesma coisa em swipes: cobra um preço alto do homem e um preço baixo da mulher, porque a participação masculina é mais elástica. Homens estão dispostos a investir muitos swipes; mulheres parariam o uso se o custo subisse muito. A plataforma extrai esforço de cada lado até o ponto em que sua margem de saída fica próxima.
A combinação dos dois mecanismos é a cunha. Concentração de demanda gera o gradiente básico. Precificação assimétrica de plataforma de duas faces estabiliza esse gradiente e o rentabiliza.
Em Que Moeda Cada Lado Paga
A leitura mais ingênua dessa análise é que mulheres estão "ganhando" no mercado afetivo digital — afinal, pagam seis vezes menos. A leitura é falsa, e o motivo da falsidade é importante para o restante deste livro.
O homem mediano paga em volume: 1.044 swipes, mensuráveis, conscientes, exauridores. A fadiga é visível. Ele sabe que está fazendo um trabalho desproporcional ao retorno. O número 1.044 é grande mas é honesto — ele aparece no contador do app, na conta do tempo gasto, na calibragem progressiva para baixo do que ele espera de cada nova tentativa.
A mulher mediana paga em moeda diferente: na qualidade da intenção que ela recebe. Ela tem 61 matches, mas só 3,4 viram encontros, e desses, apenas 1 vira sexo. A taxa de conversão dela do match para o encontro é dramaticamente baixa, e o custo dessa baixa conversão não está nos swipes — está na fadiga cognitiva de filtrar mensagens cuja intenção é ambígua, no esforço emocional de encontros que somem antes de virar segundo encontro, na progressiva calibragem para baixo do que esperar de cada novo match. Algumas calculadoras chamam isso, com precisão clínica, de "the match that doesn't convert" — o match que não converte.
O resultado é que ambos os lados pagam um preço alto, mas em moedas que não são diretamente comparáveis. O homem paga em swipes contáveis, a mulher paga em conversões mortas. O 1.044 é a fatura visível do homem. O 175 é uma subestimativa do que a mulher paga, porque sua moeda principal de pagamento — o esforço cognitivo de filtragem — não aparece no contador da plataforma. Em uma comparação honesta de bem-estar, é provável que ambos os lados estejam piores do que estariam num mercado com clearing — apenas com perdas em dimensões diferentes.
É por isso que o livro precisa de cautela aqui. A cunha não é simétrica nem em direção, nem em magnitude, nem em consequência. Mas existe nos dois lados, e ela penaliza ambos.
Por Que o Mercado Não Se Ajusta
Em qualquer mercado clássico, escassez persistente força ajuste. Se a oferta é menor que a demanda ao preço prevalente, o preço sobe até clearing. Se há excesso de oferta, o preço cai até clearing. É o processo central da economia de mercado, e ele funciona razoavelmente bem em commodities, em trabalho, em moradia. Funciona mal aqui.
Funciona mal porque o "preço" no mercado afetivo digital não é negociável entre as partes. Em um mercado normal, se eu estou disposto a pagar 600 e você está disposto a aceitar 200, fechamos em algum valor entre 200 e 600 e ambos saímos melhor. No app, o homem não pode negociar com a mulher uma redução de seus 1.044 swipes em troca de mais conversão. Não há mecanismo de barganha. O algoritmo intermedeia tudo, e o algoritmo não tem incentivo de reduzir a cunha.
Esse é o ponto que distingue o mercado afetivo digital de praticamente qualquer outro mercado em escala. O Match Group, holding que controla Tinder, Hinge, OkCupid, Match.com e Plenty of Fish com mais de 64% de market share global, lista nos seus próprios documentos regulatórios para a SEC a seguinte preocupação para investidores: que usuários encontrem relacionamentos de longo prazo e abandonem as plataformas. Está escrito, em linguagem corporativa precisa: o sucesso do usuário é um risco ao negócio.
Essa frase tem implicação econômica direta. Em um cassino regular, a casa lucra com cada aposta. Os jogadores às vezes ganham, às vezes perdem, mas no agregado a casa ganha. Em um mercado funcional, vendedor e comprador transacionam quando ambos saem melhor; o operador ganha uma taxa pequena por facilitar o encontro. No mercado afetivo digital, a estrutura é mais próxima da do cassino — exceto que o "ganho" do jogador (encontrar parceiro estável) não é parte do produto. É, na linguagem do 10-K, um risco. A plataforma maximiza receita quando Q permanece próximo a 1 — quando os usuários continuam tentando, sem clearing — e tem o incentivo direto de impedir que o mercado chegue a Q*≈2,1.
Quando um mercado é capturado por um operador cuja receita aumenta com a não-resolução, o ajuste clássico de preço não acontece. A cunha não é um defeito em busca de correção. É a estrutura.
O Piso Estrutural
Há uma objeção natural a tudo o que foi dito até aqui. Um leitor cuidadoso poderia argumentar: a cunha existe porque os usuários se comportam mal. Se mulheres fossem menos hipergâmicas, se homens fossem menos ansiosos, se ambos os lados ajustassem suas preferências, o mercado funcionaria. A objeção tem fundo. E ela pode ser testada — porque a calculadora permite zerar exatamente esses parâmetros e observar o que sobra.
O resultado é o gráfico abaixo.
O cenário A é o que vimos no gráfico anterior — o caso empírico médio. O cenário B é o teste da objeção: ambos os parâmetros comportamentais zerados. Hipergamia em zero significa que a usuária não tenta "subir de nível" — não privilegia perfis acima do seu próprio tier. Seletividade em zero significa que ela não filtra nada — gosta de quase todo mundo. É o usuário ideal de qualquer manual de autoajuda relacional.
A cunha cai. De 869 para 638 swipes. Real, mensurável, significativa.
Mas ela não fecha. O homem mediano, no cenário em que sua contraparte adotou o melhor comportamento individual concebível, ainda paga 743 swipes para chegar a um único encontro. A mulher mediana, agora sem nenhuma filtragem, ainda só paga 105. A diferença — 638 swipes — é o que a plataforma cobra para existir, independentemente do que cada usuário faça.
A diferença entre 869 e 638 é a parte da cunha que responde a comportamento individual no modelo. Os 638 swipes que sobram representam, no exercício, o piso estrutural — a fração que não responde a parâmetros comportamentais porque, no modelo, não vem deles. Vem da arquitetura: algoritmo intermediando tudo, ausência de mecanismo de barganha, modelo de receita que penaliza clearing, e a precificação assimétrica de plataforma de duas faces extraindo o máximo de cada lado até a margem de saída.
A implicação é difícil de absorver para quem cresceu numa cultura de autoajuda. Toda a indústria de coaching afetivo, de pickup artists, de "trabalhar a si mesmo antes de procurar parceiro" opera no espaço dos 231 swipes — a fração comportamental da cunha. Não é desprezível. 231 swipes de diferença é real, e há valor em pessoas se tornarem versões menos exigentes e menos ansiosas de si mesmas. Mas essa fração comportamental serve, no agregado, de álibi para a parte que ninguém discute. A indústria da autoajuda fica do lado da demanda; o silêncio sobre a plataforma fica do lado da oferta.
Vale fazer uma comparação aritmética que aterra o argumento: 638 swipes é mais que três vezes o que a mulher mediana paga no cenário A inteiro (175 swipes). Mesmo no piso da plataforma — sem nenhuma contribuição de hipergamia ou seletividade — o homem mediano paga mais que o preço integral pago pelo lado oposto no cenário empírico padrão. A cunha estrutural sozinha já é maior que o preço de mercado do outro lado.
A Classe Média Afetiva
A consequência distributiva desse arranjo merece um nome próprio. Vou usar uma expressão que circula em discussões informais sobre o tema e que captura a estrutura com precisão: a classe média afetiva.
A imagem útil é a de uma cidade. Em qualquer cidade, há um topo (poucos, recursos abundantes), uma base (poucos, sem recursos), e uma classe média (muitos, recursos médios). Em uma cidade saudável, a classe média é onde a maior parte da vida acontece — onde se constroem famílias, onde se forma capital social, onde a infraestrutura coletiva se sustenta. Quando a classe média de uma cidade colapsa, o que sobra é uma elite hiperexposta e uma base sem perspectiva, sem o tecido conectivo que torna a vida funcional. É, não por acaso, exatamente o que o Capítulo 8 descreve quando trata da gentrificação do amor.
O mercado afetivo digital colapsou a classe média afetiva em ambos os lados. Os homens medianos — que não estão no topo da distribuição mas tampouco na base — perdem visibilidade. Eles existem na oferta bruta mas não chegam à oferta efetiva. As mulheres medianas — não no topo da seleção masculina nem na base — recebem demanda em volume mas não em qualidade. Elas existem na demanda recebida mas não na demanda confiável.
Em ambos os lados, o lugar onde a maior parte da vida deveria acontecer simplesmente parou de produzir resultados. O topo masculino captura excesso de demanda e desenvolve, em escala agregada, comportamento desinvestido. O topo feminino atrai demanda confiável mas em volume que excede sua capacidade de processamento. A base — homens e mulheres com baixa atratividade percebida — é estruturalmente excluída. E a classe média, dos dois lados, fica em um limbo: exposta, ativa, investindo, sem retorno proporcional.
A frase de Scott Galloway, que diz que homens abaixo de 1,80m de altura "perdem boa parte da oferta do app", é uma forma específica e parcialmente exagerada do mecanismo geral. A altura é apenas um proxy. O mecanismo é a substituição de descoberta lenta — onde repetição, humor, competência, gentileza, repetição podiam construir atratividade ao longo do tempo — por triagem rápida, onde só sinais visíveis em 0,7 segundo entram no mercado efetivo. A classe média afetiva é o que se perde nessa substituição.
Síntese
Os capítulos seguintes deste livro descrevem, um por um, o que acontece quando esse mercado opera em escala. O Capítulo 5 examina os incentivos da plataforma — por que é racional para o Match Group manter Q em 1 e nunca em Q*. O Capítulo 6 olha para o nível individual: o que o usuário pode fazer dentro de um mercado projetado para não dar clearing. O Ato V vai aos dados longitudinais e demográficos: o que esse mercado faz com fertilidade, com isolamento, com saúde mental, ao longo de uma década. O Ato VI vai aos casos extremos — Japão, Coreia, China — onde o mercado já operou tempo suficiente para produzir suas consequências terminais.
Mas todos esses capítulos pressupõem o que este capítulo demonstrou: que existe uma estrutura microeconômica formal por trás do que parece ser uma série de queixas culturais. A queixa do homem que diz "não recebo matches" é uma observação válida sobre uma cunha de 1.044 swipes. A queixa da mulher que diz "todo match morre antes de virar encontro" é uma observação válida sobre conversão estruturalmente baixa imposta por excesso de demanda de baixa qualidade. As duas queixas são sintomas da mesma falha de mercado, vistas de ângulos diferentes — não dois mercados separados em conflito, mas um único mercado disfuncional que produz dores complementares nos dois lados.
Em qualquer mercado, quando a oferta encontra a demanda, a transação acontece a um único preço. Quando elas não se encontram — quando há um preço diferente em cada lado para o mesmo bem — você não está mais em um mercado. Está em uma plataforma. E plataformas têm interesses próprios.
O argumento aqui é uma síntese de quatro linhas de pesquisa que renderam, no agregado, quatro prêmios Nobel de Economia (sete laureados individuais entre 2001 e 2014). A novidade não está nas ferramentas; está na aplicação a um objeto que economistas raramente tocaram em escala — exatamente o mercado em que mais gente se encontra hoje.