[pt] Este artigo analisa o uso de crédito durante a pandemia Covid-19 no contexto de um programa de transferência de renda. Sob uma abordagem Diferença em Diferenças, eu mostro evidências causais de como a implementação de um programa de transferência de renda impactou os padrões de uso de crédito da população, usando um conjunto combinado de microdados: SISFOH (um sistema de focalização familiar), a pesquisa domiciliar nacional e o registro de crédito para o Perú. Explorando uma descontinuidade na regra de concessão de renda emergencial à população mais pobre, mostro que os indivíduos que receberam um subsídio monetário aumentaram seu total de empréstimos no sistema financeiro, ao contrário daqueles que não o fizeram. Isso é preocupante, pois também se apresenta um aumento nas taxas de juros e dias de atraso. Além disso, também exploro algumas dimensões da heterogeneidade populacional (educação, idade, gênero, informalidade, entre outras), encontrando um impacto diferenciado de acordo com certas características dos indivíduos. Fiz um esforço especial na análise da informalidade, pois, mesmo na ausência de uma identificação exógena, essa variável apresenta resultados significativos e passa em certos testes de identificação. / [en] This paper analyzes the use of credit during the Covid-19 pandemic in the context of a cash transfer program. Under a Difference-in-Differences approach, I show causal evidence of how the implementation of a cash transfer program impacted the population s credit use patterns, using a combined set of microdata: SISFOH (a household targeting system), the national household survey, and the credit register for Peru. Exploring a discontinuity in the rule for granting emergency income to the poorest population, I show that individuals who received a monetary subsidy increased their total lending in the financial system, in contrast to those individuals who did not. This is worrisome as it is also presented an increase in the interest rates and days of arrears. Furthermore, I also explore some dimensions of population heterogeneity (education, age, gender, informality, among others), finding a differentiated impact according to certain characteristics of individuals. I put a special effort into the informality analysis since, even in the absence of an exogenous identification, this variable presents significant results and passes certain tests of identification.