O Silêncio dos Bancos Sobre o Custo Real da Transição para IA

A Conta que Ninguém Apresenta

O Itaú anunciou em 2023 que sua plataforma de crédito baseada em machine learning aprova empréstimos em 8 segundos. O Bradesco celebra chatbots que atendem 3 milhões de clientes por mês. O Nubank proclama algoritmos que detectam fraudes com 99,7% de precisão. Todos os comunicados destacam ganhos de eficiência, redução de custos operacionais e experiência superior do cliente.

Nenhum menciona quanto custou chegar lá — e não estamos falando apenas de investimento em tecnologia nova. Estamos falando do verdadeiro elefante na sala: o custo de desmantelar décadas de infraestrutura bancária construída sobre COBOL, mainframes e processos manuais que ainda movimentam trilhões de reais diariamente.

Enquanto Goldman Sachs e JPMorgan divulgam investimentos anuais de US$ 15 bilhões cada em tecnologia, a narrativa pública se concentra em casos de sucesso pontuais. A realidade subterrânea é mais complexa: para cada dólar investido em IA, instituições financeiras tradicionais gastam entre US$ 0,60 e US$ 0,80 apenas mantendo sistemas antigos funcionando durante a transição.

No Brasil, essa equação ganha contornos particulares. Bancos digitais nasceram sem dívida tecnológica — cada linha de código foi escrita para arquitetura cloud-native e modelos de dados preparados para machine learning. Já os cinco maiores bancos tradicionais carregam sistemas com até 40 anos de idade, onde uma simples migração de dados pode levar 18 meses e custar R$ 2 bilhões.

O Que os Números Realmente Dizem

Segundo levantamento da Febraban, o setor bancário brasileiro investiu R$ 47 bilhões em tecnologia entre 2021 e 2023. Desse montante, aproximadamente 35% foi direcionado a projetos classificados como "inteligência artificial e analytics". Parece impressionante até analisarmos a composição desses investimentos.

Apenas 40% do orçamento de IA vai efetivamente para desenvolvimento de novos modelos, contratação de cientistas de dados e infraestrutura computacional de ponta. Os outros 60% se dividem entre: integração com sistemas legados (28%), governança de dados e compliance (18%), e treinamento de equipes existentes (14%).

Essa proporção contrasta brutalmente com fintechs. No Nubank, 78% do investimento em IA vai diretamente para desenvolvimento e escalabilidade. Na Mercado Pago, 71%. A diferença não é acidental — é estrutural.

Mais revelador ainda: o custo por transação processada com IA. Em bancos digitais brasileiros, esse custo médio caiu para R$ 0,08 em 2023. Em bancos tradicionais que implementaram IA em processos específicos, o custo médio permanece em R$ 1,42 — uma diferença de 1.675%. A razão? Os sistemas novos convivem com os antigos, criando duplicação de esforços e complexidade operacional exponencial.

Globalmente, o Morgan Stanley estima que bancos investirão US$ 400 bilhões em transformação digital até 2027. Mas o mesmo relatório, nas entrelinhas raramente citadas, projeta que US$ 280 bilhões serão necessários apenas para "descomissionamento de infraestrutura legada" — um eufemismo para desligar sistemas que sustentam operações críticas há décadas.

A Ilusão da Inclusão Financeira Instantânea

A narrativa dominante celebra como IA democratiza acesso ao crédito. Algoritmos analisam dados alternativos — histórico de pagamentos de contas, comportamento de consumo, até atividade em redes sociais — para avaliar risco de clientes sem histórico bancário tradicional.

O discurso está correto, mas incompleto. A taxa de aprovação de crédito para novos clientes avaliados por IA subiu de 23% (análise tradicional) para 41% em fintechs brasileiras. Porém, a taxa de inadimplência desses novos clientes é 340% superior à de clientes com histórico tradicional. Isso não aparece nos press releases.

Bancos digitais compensam esse risco maior com taxas de juros mais altas (média de 8,7% ao mês versus 6,2% em produtos tradicionais) e limites de crédito menores. A inclusão é real, mas vem acompanhada de custo financeiro maior para exatamente quem teoricamente mais se beneficiaria da tecnologia.

Mais problemático: modelos de IA treinados com dados históricos frequentemente perpetuam vieses existentes. Estudos no mercado americano demonstraram que algoritmos de crédito sistematicamente oferecem condições piores para minorias raciais, mesmo controlando para renda e histórico financeiro. No Brasil, pesquisa da FGV identificou padrões similares relacionados a CEP de residência — moradores de periferias recebem ofertas com taxas 12% superiores, independentemente de score de crédito.

A regulação brasileira ainda engatinha nesse aspecto. Enquanto a União Europeia aprovou o AI Act, estabelecendo regras estritas para sistemas de IA em decisões financeiras, o Brasil não possui framework específico. O Banco Central monitora, mas não regula ativamente os modelos — confia em autodeclaração das instituições.

As Perguntas que Analistas Evitam

Primeira: Se IA reduz tanto os custos operacionais, por que a margem líquida dos cinco maiores bancos brasileiros permaneceu estável entre 18-22% nos últimos cinco anos, mesmo com investimentos massivos em tecnologia?

A resposta está na apropriação assimétrica de ganhos. Custos caem em departamentos específicos — atendimento ao cliente via chatbots economiza R$ 1,8 bilhão anuais no setor. Mas esses ganhos não se traduzem em produtos mais baratos para clientes finais. Traduzem-se em margens protegidas enquanto bancos navegam a transição tecnológica cara.

Segunda: Quanto da "inovação em IA" anunciada por bancos é genuinamente proprietária versus implementação de soluções white-label de grandes techs?

Dados sugerem que 70% das soluções de IA em bancos médios brasileiros utilizam engines do Google Cloud, AWS ou Microsoft Azure com customizações superficiais. Isso cria dependência tecnológica preocupante — cinco anos atrás, bancos dependiam de fornecedores de software. Agora dependem de big techs que também competem no setor financeiro.

Terceira: O que acontece com os 340 mil funcionários bancários brasileiros quando automação via IA se consolidar?

Bancos reduziram 47 mil postos de trabalho entre 2019 e 2023, segundo DIEESE. Projeções internas (não públicas) de três grandes bancos indicam redução adicional de 90 mil a 120 mil posições até 2028. O discurso oficial fala em "requalificação" e "realocação para funções estratégicas". A matemática não fecha — não há 120 mil vagas estratégicas esperando.

Onde o Dinheiro Inteligente Está Se Posicionando

Para investidores, a transformação via IA no setor financeiro não é tese binária de vencedores óbvios. É jogo de nuances onde três dinâmicas merecem atenção:

Primeiro movimento: Bancos incumbentes com maior capacidade de investimento (acima de R$ 8 bilhões anuais em tech) estão criando vantagens defensivas. Itaú, Bradesco e Santander não vencerão pela inovação mais disruptiva, mas pela capacidade de absorver custos de transição que quebrariam competidores menores. Seus múltiplos P/L entre 8-10x parecem baratos, mas refletem exatamente essa incerteza de execução.

Segundo movimento: Fintechs que alcançaram escala (acima de 30 milhões de clientes) possuem vantagem estrutural permanente. Nubank opera com custo de aquisição de cliente de R$ 28 versus R$ 340 em bancos tradicionais. Essa diferença, amplificada por IA, cria fosso competitivo difícil de cruzar. Contudo, valuations atuais de 6-8x receita precificam crescimento perpétuo — qualquer desaceleração será punida violentamente.

Terceiro movimento: A infraestrutura invisível — empresas de cloud computing, provedores de dados alternativos, plataformas de APIs — captura valor sem exposição a riscos regulatórios bancários. AWS, Google Cloud e Microsoft registram crescimento de 45% ao ano em receitas do setor financeiro brasileiro. São apostas em pás e picaretas da corrida do ouro.

O investidor sofisticado também observa consolidação inevitável. Brasil tem 870 fintechs registradas; o mercado sustenta economicamente talvez 40. Nos próximos 36 meses, veremos onda de aquisições por incumbentes comprando capacidade tecnológica pronta e base de clientes jovens. Múltiplos nessas transações oscilarão entre 1,2x a 3x receita anual, dependendo de taxa de crescimento e qualidade de dados.

O Custo Oculto da Sofisticação

Enquanto a indústria celebra modelos de IA capazes de prever inadimplência com 87% de precisão, poucos discutem o custo ambiental dessa sofisticação. Treinar um único modelo de linguagem de grande escala consome energia equivalente a 300 residências durante um ano inteiro.

Bancos globais estão treinando centenas desses modelos anualmente. JPMorgan possui mais de 400 casos de uso de IA em produção. Cada um requer retreinamento trimestral para manter acurácia. A pegada de carbono da transformação via IA no setor financeiro é raramente contabilizada — mas cresce 23% ao ano.

Para instituições que prometem metas ESG agressivas, surge contradição inescapável: como conciliar neutralidade de carbono com expansão exponencial de capacidade computacional para IA? Até agora, a resposta tem sido compensações via créditos de carbono. Estratégia que funciona até os créditos ficarem escassos ou caros demais.

O Que Vem Depois da Curva

A próxima fronteira não é IA detectando fraudes ou aprovando crédito — isso já é commodity. É IA tomando decisões de investimento em tempo real, IA criando produtos financeiros personalizados para segmentos de um cliente, IA negociando contratos complexos sem intervenção humana.

Bancos centrais globalmente testam CBDCs (moedas digitais de bancos centrais) com contratos inteligentes nativos. O Real Digital brasileiro, previsto para 2025, permitirá programar dinheiro — pagamentos automáticos baseados em condições específicas, tributação em tempo real, rastreabilidade completa de transações.

Isso eleva IA de ferramenta de eficiência a infraestrutura crítica do sistema financeiro. E cria risco sistêmico novo: não mais risco de um banco quebrar, mas risco de um algoritmo falhar simultaneamente em centenas de instituições que usam modelos similares.

Reguladores começam a acordar para essa realidade. O BIS (Bank for International Settlements) publicou framework preliminar para "resiliência de IA sistêmica". Federal Reserve americano exige testes de estresse específicos para modelos de machine learning. Brasil ainda observa.

Para investidores com horizonte de 5-7 anos, a tese permanece: transformação via IA no setor financeiro é inevitável e lucrativa para quem executa bem. Mas "executar bem" significa navegar complexidade que vai muito além de contratar cientistas de dados. Significa reconstruir instituições inteiras enquanto mantêm as antigas funcionando. Significa gerenciar transição de centenas de milhares de carreiras. Significa equilibrar inovação com estabilidade sistêmica.

Os vencedores não serão necessariamente os mais inovadores. Serão os que melhor gerenciarem essa complexidade — uma habilidade que não aparece em demonstrativos financeiros, mas determina quem sobrevive à maior transformação do setor em um século.