O Abismo de US$ 119 Bilhões: Por Que a IA Financeira Deixou o Brasil Para Trás

A Assimetria que Ninguém Quer Ver

Enquanto fundos quantitativos em Nova York processam trilhões de pontos de dados por segundo para executar trades em microssegundos, o grande avanço tecnológico celebrado no Brasil é um assistente virtual que responde perguntas sobre saldo bancário. A Bia do Bradesco, lançada com fanfarra como símbolo de modernização, representa precisamente o problema: confundimos automação básica com transformação estrutural.

A proporção é brutal. De cada US$ 120 dólares investidos globalmente em IA para serviços financeiros, apenas US$ 1 vem da América Latina inteira. O Brasil, maior economia da região, destina meros 10% dos orçamentos de TI bancário para inteligência artificial — percentual que em mercados desenvolvidos já ultrapassa 30% e cresce exponencialmente.

Mas o déficit não é apenas de capital. É de ambição, infraestrutura e, fundamentalmente, de compreensão sobre o que está realmente em jogo.

A Ilusão da Paridade Tecnológica

Quando 85% dos bancos brasileiros anunciam adoção de chatbots, a narrativa vendida é de convergência tecnológica com mercados maduros, onde 95% já utilizam a tecnologia. A diferença de 10 pontos percentuais parece administrável. O que essa métrica esconde é mais revelador que o que mostra.

Chatbots americanos e europeus de última geração não apenas respondem consultas — eles analisam padrões de comportamento, antecipam necessidades financeiras, detectam anomalias transacionais em tempo real e se integram a ecossistemas de decisão automatizada que vão da originação de crédito à gestão de risco sistêmico. A Bia, por mais sofisticada que seja para padrões brasileiros, opera essencialmente como um FAQ interativo.

A XP Investimentos, frequentemente citada como case de sucesso em aplicação de IA para gestão de ativos, utiliza algoritmos para personalização de carteiras e análise de perfil de risco. É um avanço legítimo. Mas permanece anos-luz distante dos fundos quantitativos como Renaissance Technologies ou Two Sigma, onde inteligência artificial não auxilia humanos — ela substitui o processo decisório inteiro, operando estratégias que cérebros humanos não conseguem nem compreender, quanto mais replicar.

O Custo Real da Defasagem de Infraestrutura

O problema de infraestrutura de dados no Brasil não é um detalhe técnico relegável a notas de rodapé. É o gargalo estrutural que determina o teto do que é possível fazer com IA financeira.

Modelos avançados de machine learning dependem de três pilares: volume massivo de dados, qualidade e padronização desses dados, e capacidade computacional para processá-los. O Brasil falha nos três. Sistemas legados fragmentados, ausência de padrões de interoperabilidade entre instituições, e latência de infraestrutura de rede criam um ambiente onde até implementações bem-intencionadas esbarram em limitações físicas.

Quando a Ant Financial processa 1 bilhão de transações diárias através de modelos de IA que avaliam risco de crédito em segundos, ela não está apenas usando algoritmos melhores — ela opera sobre uma infraestrutura nacional de dados integrada, onde informações de comportamento de consumo, histórico de pagamentos e até reputação social convergem em tempo real.

Nubank e PicPay, as estrelas das fintechs brasileiras, realmente inovaram ao criar modelos alternativos de scoring de crédito usando IA para populações desbancarizadas. É inclusão financeira legítima e merece reconhecimento. Mas esses modelos, por mais sofisticados que sejam para o contexto local, utilizam proxies e inferências justamente porque não têm acesso à riqueza de dados que alimenta sistemas equivalentes na China ou nos Estados Unidos.

As Perguntas que o Mercado Evita

A primeira questão incômoda: a promessa de aumento de 40% em eficiência e redução de 25% em custos operacionais nos próximos cinco anos através de IA — quem está precificando isso nas ações dos grandes bancos brasileiros?

Itaú e Bradesco negociam a múltiplos preço/lucro historicamente baixos comparados a pares internacionais. Se a transformação via IA for tão disruptiva quanto o marketing sugere, ou o mercado não acredita na execução, ou a magnitude do impacto está sendo superestimada. Provavelmente, ambos.

A segunda questão: por que fundos quantitativos globais, com todo seu arsenal de IA, não dominam o mercado brasileiro? Não é por falta de interesse em retornos — é porque a infraestrutura de dados, a liquidez fragmentada e a qualidade de informações tornam seus modelos ineficazes aqui. O que nos diz algo crucial: IA não é uma panaceia universal. Ela amplifica capacidades onde fundações existem.

A terceira e mais desconfortável: o investimento em IA financeira não aumenta apenas eficiência — ele concentra poder. Instituições que dominam essas tecnologias criam barreiras de entrada intransponíveis para competidores. Quando celebramos fintechs desafiando bancos tradicionais via IA, esquecemos que essas mesmas fintechs, ao crescerem, se tornarão os novos incumbentes tecnológicos, possivelmente mais impenetráveis que os anteriores.

O Risco que Ninguém Está Mensurando

A narrativa dominante posiciona IA como mitigadora de riscos através de melhores modelos preditivos e compliance automatizado. É verdade pela metade. IA introduz categorias inteiramente novas de risco sistêmico que reguladores brasileiros mal começaram a contemplar.

Modelos de aprendizado de máquina são, por natureza, caixas-pretas. Quando um algoritmo nega crédito, qual foi o critério? Quando um sistema de trading automatizado amplifica volatilidade em cascata, quem é responsável? A regulação financeira brasileira, já desafiada por inovações básicas como Pix, está anos distante de frameworks adequados para governança de IA.

Mais grave: vieses algorítmicos. Modelos treinados em dados históricos perpetuam e amplificam discriminações existentes. Se sistemas de crédito aprendem que determinados CEPs ou perfis demográficos são "mais arriscados" baseados em padrões passados, eles codificam desigualdade em escala industrial, com verniz de neutralidade técnica.

O caso da Apple Card nos Estados Unidos, onde algoritmos ofereciam limites sistematicamente menores para mulheres sem justificativa aparente, deveria ser um alerta. No Brasil, onde desigualdades são mais profundas e regulação mais frouxa, o potencial de dano é proporcionalmente maior.

O Que Investidores Realmente Precisam Observar

Ações de bancos brasileiros não devem ser compradas ou vendidas com base em press releases sobre investimentos em IA. O que importa é identificar três indicadores concretos:

Primeiro: capacidade de execução real. Quantos cientistas de dados a instituição emprega? Qual o orçamento específico para infraestrutura de dados, não só para software de IA? Parcerias com BigTechs (Google, AWS, Azure) são sinais positivos — indicam reconhecimento de que construir do zero é inviável.

Segundo: casos de uso geradores de receita, não apenas redutores de custo. Automação de backoffice é commodity. O valor está em IA que origina crédito melhor, identifica oportunidades de cross-sell antes da concorrência, ou cria produtos impossíveis sem ela. Instituições que focam apenas em eficiência operacional estão lutando a guerra passada.

Terceiro: postura regulatória e de governança. Empresas que implementam IA sem frameworks robustos de auditabilidade, transparência e viés estão acumulando passivos invisíveis que podem materializar em multas, class actions e destruição de valor de marca.

Para gestores de portfólio, a jogada não óbvia é observar empresas de infraestrutura tecnológica e provedores de dados — as "picaretas" da corrida do ouro da IA financeira. Totvs, Neoway, Serasa Experian têm exposição menos óbvia mas estruturalmente mais sólida a essa transformação.

A Verdade Inconveniente sobre Alcançar o Abismo

O otimismo brasileiro aposta que, como ocorreu com mobile banking, onde o país saltou gerações tecnológicas, o mesmo acontecerá com IA. É uma analogia perigosamente imprecisa.

Mobile banking tinha baixa barreira de entrada: infraestrutura de telecomunicações já existia, smartphones comoditizaram rapidamente, e interfaces digitais não exigiam refundação de sistemas legados. IA financeira, especialmente em níveis avançados, exige reconstrução completa de arquiteturas de dados, recursos humanos escassos globalmente, e capacidade computacional cara.

Mais fundamental: mobile banking não alterava a natureza dos produtos financeiros — apenas o canal de entrega. IA muda a natureza dos produtos, dos processos e da própria função de intermediação financeira. Bancos que não compreenderem isso não estarão apenas menos eficientes — estarão obsoletos.

A questão para o Brasil não é se vamos adotar IA no setor financeiro. Já estamos. A questão é se essa adoção será protagonista, definindo padrões e capturando valor, ou coadjuvante, implementando soluções desenvolvidas fora, pagando royalties e permanecendo eternamente uma geração atrás da fronteira tecnológica.

A distância entre US$ 1 bilhão e US$ 119 bilhões não diminui com wishful thinking. Diminui com investimento massivo, estratégico e coordenado — ou não diminui.