A Arbitragem Silenciosa: Como IA Está Redistribuindo Poder no Sistema Financeiro

O Bradesco processou 47 milhões de interações através da BIA em 2023. O Itaú reduziu o tempo médio de análise de crédito de 72 para 11 horas. O Nubank aprova ou rejeita operações em menos de 8 segundos. Esses números não representam mera eficiência operacional — sinalizam uma transformação fundamental na arquitetura de poder do sistema financeiro brasileiro e global.

A questão central não é se a inteligência artificial transformará o setor financeiro, mas quem controlará os algoritmos que determinam acesso a crédito, precificação de risco e alocação de capital. E mais importante: como essa concentração de capacidade analítica altera a dinâmica competitiva entre incumbentes e desafiantes.

O Custo Real da Transformação

Bancos globais investem entre 7% e 10% de suas receitas operacionais em tecnologia, com IA representando parcela crescente desse orçamento. JPMorgan Chase destina US$ 12 bilhões anuais para tecnologia, Goldman Sachs emprega mais engenheiros que analistas financeiros, e o Bank of America possui 350 patentes relacionadas a IA.

No Brasil, a dinâmica é similar mas com nuances importantes. Itaú Unibanco investiu R$ 8,7 bilhões em tecnologia em 2023, Bradesco R$ 6,2 bilhões, e Banco do Brasil R$ 4,1 bilhões. Esses valores representam 15% a 18% das despesas operacionais — proporcionalmente superiores aos praticados por grandes bancos americanos.

A explicação é estrutural: bancos brasileiros enfrentam complexidade operacional maior devido à carga tributária fragmentada, ambiente regulatório em evolução, e necessidade de manter infraestrutura física extensa enquanto digitalizam operações. A IA não substitui essa complexidade — redistribui seus custos.

Considere a análise de crédito. Tradicionalmente, bancos dependiam de bureaus de crédito, análise documental manual, e modelos estatísticos relativamente simples. Sistemas de IA atuais processam mais de 10.000 variáveis por solicitação, incluindo padrões de navegação digital, histórico transacional granular, e sinais comportamentais obtidos através de machine learning.

O resultado não é apenas velocidade — é precisão fundamentalmente diferente. Bancos com modelos avançados reportam redução de 25% a 40% em inadimplência para perfis equivalentes de risco, enquanto expandem aprovação para segmentos anteriormente considerados não bancáveis. Isso não melhora margens — redefine quem pode competir no mercado de crédito.

A Assimetria que Ninguém Discute

A narrativa dominante sobre IA no setor financeiro enfatiza automação e redução de custos. A história real é sobre assimetria informacional e barreiras de entrada.

Fintechs como Nubank, Inter e C6 Bank construíram operações digitalmente nativas, sem legado tecnológico. Isso conferiu vantagem inicial em experiência do usuário e custo de aquisição. Porém, algoritmos de IA são tão bons quanto os dados que os alimentam — e bancos tradicionais possuem décadas de histórico transacional.

Itaú processa mais de 1 bilhão de transações mensais. Bradesco mantém relacionamento com 74 milhões de clientes. Banco do Brasil possui dados de financiamento agrícola remontando aos anos 1970. Esse volume e profundidade histórica permitem treinar modelos que fintechs levam anos para replicar.

A arbitragem está na capacidade de extrair valor desses dados legados. Bancos que implementam IA efetivamente transformam passivos (sistemas antigos, processos manuais) em ativos (dados estruturados, modelos preditivos). Aqueles que falham nessa transição mantêm os custos do legado sem capturar benefícios da transformação.

Globalmente, essa dinâmica explica movimentos aparentemente contraditórios. Goldman Sachs abandonou Marcus, seu projeto de banco digital para varejo, depois de perdas de US$ 3 bilhões — não por falha tecnológica, mas porque o custo de aquisição de clientes e construção de histórico de dados tornava a operação não competitiva contra players estabelecidos com bases instaladas.

Simultaneamente, JPMorgan adquiriu Frank por US$ 175 milhões (depois descoberta como fraude) buscando acesso a dados demográficos de estudantes universitários. O episódio ilustra o valor estratégico atribuído a datasets diferenciados, mesmo quando a due diligence falha.

O Jogo Dentro do Jogo: Open Banking e Fragmentação de Dados

Open Banking brasileiro, implementado desde 2021, teoricamente nivela o campo competitivo ao permitir compartilhamento de dados entre instituições. Na prática, cria nova camada de complexidade estratégica.

Bancos tradicionais possuem incentivos para compartilhar minimamente, enquanto fintechs dependem de agregação de dados para construir visão holística do cliente. O resultado é fragmentação onde o valor algorítmico — capacidade de gerar insights acionáveis — depende menos do volume de dados e mais da capacidade de integrá-los.

Pix processou 42 bilhões de transações em 2023, criando rastro digital granular de fluxo de caixa em tempo real. Instituições que conseguem correlacionar padrões de Pix com comportamento de crédito possuem vantagem informacional significativa. Não coincidentemente, inadimplência em operações de crédito baseadas em algoritmos que incorporam dados de Pix é 30% inferior a modelos tradicionais.

Essa dinâmica favorece escala. Quanto maior o volume transacional processado, melhor o algoritmo. Quanto melhor o algoritmo, menor o custo de risco. Quanto menor o custo de risco, mais agressiva a precificação. E precificação agressiva captura volume, retroalimentando o ciclo.

É um mercado tendendo a oligopólio algorítmico, não por regulação, mas por retornos crescentes de escala em dados.

As Perguntas Incômodas

Primeira: se algoritmos de IA melhoram continuamente com mais dados, e dados requerem escala de operação, o setor financeiro está caminhando para concentração maior ou menor?

Evidências sugerem concentração. Participação de mercado dos cinco maiores bancos brasileiros em ativos totais aumentou de 82% em 2018 para 86% em 2023, período coincidente com aceleração de investimentos em IA. Fintechs capturaram participação em produtos específicos (contas digitais, cartões) mas não deslocaram incumbentes em crédito de alto valor ou gestão de patrimônio.

Segunda: quem audita os algoritmos?

Banco Central implementou requisitos de governança para modelos de IA em decisões de crédito, exigindo explicabilidade e testes de viés. Porém, a complexidade técnica cria assimetria entre regulador e regulado. Modelos de deep learning com milhões de parâmetros são inerentemente difíceis de interpretar, mesmo para seus criadores.

Esse gap cria risco sistêmico. Se múltiplas instituições utilizam arquiteturas algorítmicas similares treinadas em dados correlacionados, podem desenvolver exposições de risco concentradas invisíveis até eventos de estresse. A crise de 2008 foi amplificada por modelos de risco uniformizados que subestimaram simultaneamente risco de crédito imobiliário. IA pode replicar esse padrão em escala maior.

Terceira: o que acontece quando algoritmos otimizam para métricas erradas?

Bancos avaliam sistemas de IA por taxa de aprovação, inadimplência, e retorno sobre capital. Mas algoritmos otimizam para o que é mensurável, não necessariamente para o que é desejável. Se um modelo descobre que negar crédito a determinados CEPs reduz inadimplência, ele o fará — ainda que isso perpetue exclusão financeira de comunidades inteiras.

Reguladores globalmente debatem "fairness" algorítmica, mas definições são contestadas. Igualdade de oportunidade (mesma taxa de aprovação entre grupos) conflita com calibração (mesma taxa de inadimplência entre grupos aprovados). Não existe solução técnica para dilemas éticos.

Implicações para Alocação de Capital

Para investidores, a questão não é se apostar em transformação digital do setor financeiro — isso é consenso. A questão é identificar quem captura valor dessa transformação.

Três teses emergem:

Tese 1: Infraestrutura de Dados

Empresas fornecendo camadas de dados estruturados, APIs de Open Banking, e serviços de enriquecimento de dados capturam valor sem assumir risco de balanço. No Brasil, empresas como Celcoin, Quanto, e até bureaus tradicionais como Serasa reposicionaram-se como provedores de infraestrutura algorítmica. Múltiplos de valuation para essas empresas expandiram de 6-8x receita para 12-15x em operações recentes.

Tese 2: Incumbentes com Execução

Bancos estabelecidos que demonstram capacidade de monetizar bases de dados legadas através de IA oferecem assimetria risco-retorno. Itaú Unibanco negocia a 1.8x preço/valor patrimonial contra 2.5x para bancos americanos comparáveis, parcialmente por percepção de atraso tecnológico. Se management demonstrar captura efetiva de eficiências via IA (margem operacional expandindo enquanto mantém participação de mercado), há rerating potencial.

Tese 3: Provedores de Tecnologia, Não Bancos

Empresas vendendo soluções de IA para instituições financeiras (SaaS, plataformas, consultoria especializada) capturam valor sem enfrentar requisitos regulatórios de capital e liquidez. Globalmente, Palantir, C3.ai e outras posicionam-se nesse espaço. No Brasil, mercado ainda é fragmentado com oportunidade para consolidadores.

A tese bear é uniformemente aplicável: se IA commoditiza análise de crédito e gestão de risco, margens comprimem para todos participantes. Nesse cenário, apenas operações de altíssima escala permanecem economicamente viáveis, acelerando consolidação e destruindo valor para acionistas de players médios.

A Questão que Define a Próxima Década

Inteligência artificial não é tecnologia neutra — redistribui poder de quem possui dados brutos para quem consegue transformá-los em decisões superiores. No setor financeiro, isso significa que a vantagem competitiva migra de distribuição física e relacionamento humano para capacidade algorítmica e escala de dados.

Bancos brasileiros investem proporcionalmente mais em IA que peers globais não por liderança visionária, mas porque enfrentam pressão competitiva de fintechs digitalmente nativas e ambiente operacional complexo. Essa necessidade defensiva pode criar, paradoxalmente, capacidades tecnológicas diferenciadas.

O resultado final dessa transformação não será determinado por qual instituição possui melhor algoritmo hoje, mas por qual constrói arquitetura que permite aprendizado contínuo mais rápido que competidores. É corrida de aceleração, não de velocidade.

Para investidores, isso implica monitorar não apenas múltiplos de valuation ou eficiência operacional corrente, mas indicadores leading de capacidade adaptativa: velocidade de iteração de modelos, diversidade de fontes de dados, e principalmente, cultura organizacional que permite decisões baseadas em algoritmos substituírem intuição gerencial.

A arbitragem silenciosa acontece agora, enquanto mercado ainda precifica instituições financeiras por métricas tradicionais sem capturar completamente valor — ou risco — de transformação algorítmica em curso. Identificar corretamente qual lado dessa arbitragem ocupar define retornos para a próxima década.