A IA Chegou aos Bancos. Agora Vem a Parte Difícil

O Paradoxo da Eficiência

O JP Morgan eliminou 360 mil horas de trabalho jurídico por ano usando IA para revisar contratos. O Bradesco reduziu o tempo de aprovação de crédito de dias para minutos. A Goldman Sachs substituiu 600 traders por dois engenheiros e um algoritmo. São conquistas impressionantes — e profundamente enganosas.

Porque enquanto a indústria comemora ganhos de eficiência operacional, está ignorando a questão fundamental: IA no setor financeiro até agora fez principalmente uma coisa — automatizar processos que já existiam. É o equivalente tecnológico de pavimentar estradas de carroça. Funciona, melhora a vida de muita gente, mas não é exatamente a revolução prometida.

O debate sobre IA no setor financeiro tem se concentrado obsessivamente em casos de uso: chatbots aqui, detecção de fraude ali, análise preditiva acolá. Mas essa visão fragmentada obscurece o que realmente importa — como a IA está (ou não está) transformando a arquitetura fundamental do sistema financeiro.

A Verdadeira História Não Está nos Comunicados

Quando o Itaú Unibanco anuncia sua assistente virtual atendendo milhões de clientes, ou quando o Nubank se gaba de aprovar crédito em tempo real, o que eles não dizem é igualmente revelador. A IA dessas instituições opera dentro de estruturas regulatórias, modelos de negócio e pressupostos de risco que foram desenhados na era analógica.

Considere o paradoxo: temos algoritmos capazes de processar milhões de pontos de dados para avaliar crédito, mas continuamos usando FICO scores baseados em cinco variáveis simples. Temos machine learning capaz de detectar padrões de fraude em nanossegundos, mas gastamos semanas cumprindo KYC manual. A IA foi contratada para otimizar um sistema que talvez não devesse existir na forma atual.

O Brasil ilustra isso de forma particularmente aguda. Enquanto nossas fintechs são celebradas como cases de inovação — e com razão —, elas fundamentalmente não mudaram a equação econômica da intermediação financeira. O Nubank pode ter 85 milhões de clientes e uma experiência de usuário superior, mas seu modelo de receita ainda depende de juros rotativos do cartão de crédito. A IA tornou o processo mais eficiente, não mais justo.

Os Números Que Importam

Segundo estimativas do setor, instituições financeiras globais devem investir US$ 97 bilhões em IA até 2025, crescimento de 28% ao ano. No Brasil, esse número deve ultrapassar R$ 8 bilhões no mesmo período. Impressionante — até você olhar o retorno.

Um estudo da McKinsey de 2023 revelou que apenas 23% dos projetos de IA no setor financeiro geraram retorno acima do custo de capital. Tradução: três quartos dos investimentos em IA estão destruindo valor. E quando há retorno, ele vem majoritariamente de redução de custos (leia-se: demissões), não de novos modelos de receita.

Mais revelador ainda: enquanto os investimentos em IA crescem exponencialmente, a produtividade do setor financeiro como um todo estagnou. Nos EUA, a produtividade de instituições financeiras cresceu apenas 1,2% ao ano na última década, abaixo da média da economia. No Brasil, o número é pior — 0,8% ao ano desde 2015.

Como explicar esse paradoxo? Gastamos fortunas em tecnologia que supostamente aumenta eficiência, mas a eficiência agregada não melhora. A resposta pode estar na chamada "corrida da rainha vermelha" — todos investem em IA não para ganhar vantagem competitiva, mas para não perder. O resultado é um equilíbrio onde todos investem mais, ganham o mesmo market share e têm margens menores.

As Perguntas Que Ninguém Está Fazendo

Primeira pergunta incômoda: E se a IA no setor financeiro for deflatória demais para ser lucrativa?

Pense assim: toda IA bem-sucedida eventualmente se torna commoditizada. O algoritmo de detecção de fraude que te dá vantagem hoje estará disponível no pacote SaaS de amanhã. A análise de crédito proprietária vira API pública em 18 meses. Competição perfeita em escala significa margem zero — exatamente o oposto do que o setor financeiro precisa para justificar seus investimentos.

O Open Banking no Brasil ilustra isso perfeitamente. Criado para democratizar dados e fomentar competição, pode inadvertidamente criar um ambiente onde ninguém consegue rentabilizar inovação em IA porque qualquer vantagem é imediatamente replicável.

Segunda pergunta: A IA está resolvendo os problemas certos?

O setor financeiro brasileiro ainda tem 45 milhões de desbancarizados ou subbancarizados. Temos IA sofisticada aprovando crédito para quem já tem score alto, mas continuamos excluindo exatamente quem mais se beneficiaria de inclusão financeira inteligente. Por quê? Porque os incentivos estão desalinhados — é mais lucrativo otimizar margens com clientes prime do que criar modelos para população de baixa renda.

A Serasa Experian pode ter algoritmos preditivos avançados, mas se os dados de entrada refletem vieses históricos (e refletem), a IA apenas perpetua exclusão com uma camada de legitimidade matemática.

Terceira pergunta: Estamos subestimando riscos sistêmicos?

Quando todos os bancos usam modelos de IA similares treinados em dados similares, você não tem diversidade de visões — tem correlação perigosa. Se um choque de mercado atípico acontecer (digamos, uma pandemia global), todos os algoritmos vão recomendar as mesmas ações ao mesmo tempo. Isso não reduz risco sistêmico, amplifica.

O flash crash de 2010 foi um aperitivo. Imagine o mesmo fenômeno não apenas em trading, mas em concessão de crédito, pricing de seguros e gestão de liquidez simultaneamente. A regulação brasileira, apesar dos avanços com sandbox regulatório, ainda não tem ferramentas para monitorar, muito menos prevenir, esses riscos emergentes.

O Que Isso Significa Para Quem Investe

Tese 1: Cuidado com o hype de "AI-first"

Empresas que se vendem como "AI-first" no setor financeiro merecem ceticismo, não entusiasmo. A história da tecnologia está repleta de empresas que morreram sendo "first" em algo — primeiro portal, primeiro smartphone, primeira rede social. O valor não vem de ser AI-first, vem de resolver problemas reais de forma economicamente sustentável.

No Brasil, várias fintechs tiveram valuations estratosféricos em 2021 baseados em narrativas de IA. Muitas hoje operam abaixo do valor investido porque descobriram que IA não resolve o problema fundamental de custo de aquisição de cliente ou inadimplência estrutural.

Tese 2: Procure vantagens não-replicáveis

A única IA defensável no longo prazo é aquela que cria efeitos de rede ou barreiras de dados proprietários impossíveis de replicar. No Brasil, isso favorece incumbentes com décadas de dados (Itaú, Bradesco, BB) ou plataformas com engajamento diário que geram dados comportamentais únicos.

Fintechs verticais com dados específicos de nicho (agro, construção civil, healthcare) têm mais chance de sustentar vantagem competitiva via IA do que bancos digitais genéricos competindo em produtos commoditizados.

Tese 3: A revolução pode vir de onde você não espera

A transformação mais profunda talvez não venha de bancos usando IA, mas de empresas de IA descobrindo que podem fazer banking. A Alibaba na China não começou como banco — começou como marketplace e descobriu que tinha mais dados de comportamento financeiro que qualquer banco tradicional.

No Brasil, empresas como Mercado Livre, Magazine Luiza e até iFood têm potencial de usar IA para criar serviços financeiros que não são "banking mais eficiente", mas algo qualitativamente diferente — crédito embarcado no momento da compra, seguros paramétricos instantâneos, gestão patrimonial automatizada com taxa zero.

A Conclusão Que Ninguém Quer Ouvir

Depois de US$ 450 bilhões investidos globalmente, centenas de papers acadêmicos e milhares de comunicados corporativos, a IA no setor financeiro entregou principalmente três coisas: chatbots que funcionam razoavelmente bem, análise de crédito um pouco mais rápida, e muita destruição de empregos em back-office.

Não é pouco — há valor real nisso. Mas também não é a transformação sistêmica prometida. Talvez porque a verdadeira transformação exija questionar premissas que a indústria não está disposta a questionar: a necessidade de intermediação cara, o modelo de juros compostos, a exclusão estrutural de populações "não rentáveis".

O setor financeiro brasileiro tem uma escolha. Pode continuar usando IA para fazer o mesmo de sempre, só que 20% mais barato. Ou pode usar IA para perguntar se "o mesmo de sempre" ainda faz sentido.

As empresas que escolherem o segundo caminho enfrentarão resistência regulatória, canibalização de receitas existentes e ceticismo de investidores acostumados a métricas tradicionais. Também são as únicas com chance de criar valor sustentável na próxima década.

O Brasil está bem posicionado para essa corrida — temos talento técnico, mercado grande, ambiente regulatório relativamente progressista e problemas reais que IA pode ajudar a resolver. Mas estar bem posicionado não é o mesmo que vencer.

Porque no final, a pergunta não é se a IA vai transformar o setor financeiro. A pergunta é: transformar em quê? E para benefício de quem? Essas respostas não virão de algoritmos — virão de escolhas que humanos ainda precisam fazer.