IA no Crédito: A Reinvenção do Underwriting no Brasil

O Mercado de Crédito e a Quebra do Modelo Tradicional

O mercado de crédito privado no Brasil movimenta R$ 5,8 trilhões em operações ativas, com concentração histórica em cinco grandes bancos detendo 82% do estoque. A estrutura tradicional de underwriting — análise cadastral manual, garantias físicas, comitês presenciais — carrega custos operacionais entre 4,2% e 6,8% do volume originado, segundo dados do Banco Central. Esse modelo funcionou por décadas em ambiente de spreads largos e taxas estruturalmente altas, mas enfrenta pressão dupla: Selic em trajetória de queda (de 15% para 12% projetados em 2026) comprimindo margens, e concorrência de fintechs que processam decisões de crédito em segundos usando inteligência artificial.

A tokenização de ativos de crédito, aliada a motores de IA para originação e cobrança, está reduzindo custos operacionais em até 38%, conforme estudo Project Aurora conduzido pela AmFi em parceria com SPC Grafeno, Credit Saison Brasil, Coruja e Onigiri Capital. Esse ganho de eficiência não é incremental — ele redefine economics setoriais. Plataformas conseguem aprovar duplicatas escriturais em minutos, registrar em blockchain com custo marginal próximo de zero e distribuir risco para investidores qualificados via tokens negociáveis. Bancos tradicionais mantêm vantagem em funding barato (captação via depósitos a vista), mas perdem terreno em velocidade, customização e custo por operação.

Estrutura Competitiva: Quem Tem Vantagem Real no Underwriting

A IA no crédito não é tecnologia única — são camadas de modelos aplicados em três pontos críticos: originação (quem aprovar), precificação (quanto cobrar) e cobrança (como recuperar). Cada camada redistribui vantagens competitivas.

Originação e aprovação: Fintechs especializadas processam dezenas de variáveis não estruturadas — histórico de transações open finance, sazonalidade de recebíveis, comportamento de pagamento em marketplaces — que modelos tradicionais de credit scoring ignoram. Esse acesso a dados alternativos reduz assimetria informacional, especialmente em PMEs sem histórico bancário longo. AmFi, por exemplo, cruza duplicatas escriturais com fluxo de caixa projetado via IA, aprovando crédito para empresas que seriam rejeitadas por análise cadastral clássica. Taxa de aprovação média em fintechs de crédito B2B subiu de 22% (2022) para 37% (2025) usando IA, contra estagnação em 18-20% nos bancos tradicionais.

Precificação e spreads: Algoritmos de machine learning calibram risco individualmente, permitindo spreads diferenciados por perfil dentro da mesma faixa de rating. Isso gera vantagem para quem tem maior volume de dados e capacidade computacional. Bancos digitais como Nubank e Inter acumulam bilhões de interações mensais, treinando modelos que ajustam taxa em tempo real conforme comportamento transacional. Resultado: spread médio de crédito pessoal em fintechs caiu 4,2 p.p. entre 2023 e 2025, enquanto bancos tradicionais reduziram apenas 1,8 p.p. no mesmo período. No crédito empresarial tokenizado, spreads entre 1,8% e 3,2% ao mês são praticados por plataformas com custo operacional 38% menor, contra 2,5% a 4,5% em linhas bancárias equivalentes.

Cobrança e recuperação: Dados do Índice de Recuperação do Crédito B2B (IGR) mostram que 25% dos títulos vencidos concentram-se nos primeiros 10 dias de atraso, janela onde taxa de recuperação atinge 82%. Após 30 dias, cai para 52%; após 60 dias, para 40%. IA aplicada a réguas de cobrança identifica padrões de inadimplência antes do vencimento — antecipando ações de renegociação — e segmenta devedores por propensão a pagamento, direcionando canais (WhatsApp, e-mail, call center) de forma otimizada. Fintechs que implementaram cobrança preditiva reduziram ciclo médio de recebimento em 9 dias e NPL (non-performing loans) em 2,3 p.p. em 12 meses.

Dinâmica Regulatória: Onde o Banco Central Está Colocando o Jogo

O Banco Central está consolidando ambiente regulatório para crédito tokenizado e distribuição via mercado de capitais, movimento que afeta diretamente quem consegue escalar modelos de IA. A agenda de digitalização do BC — open finance, Pix, Drex (piloto de moeda digital) — cria infraestrutura pública de dados que nivela acesso informacional. Fintechs ganham insumos antes exclusivos de bancos; bancos perdem fosso de dados proprietários.

Paralelamente, a CVM está ajustando regras de crowdfunding e distribuição de crédito privado, facilitando oferta de recebíveis tokenizados para investidores qualificados. Isso amplia funding disponível para plataformas não-bancárias, reduzindo dependência de capital próprio. O efeito é estrutural: crédito migra de balanço bancário concentrado para mercado de capitais pulverizado, com IA intermediando matching entre tomadores e investidores.

Contudo, a regulação também impõe barreiras. Fintechs de crédito precisam de autorização como Sociedade de Crédito Direto (SCD) ou Sociedade de Empréstimo entre Pessoas (SEP), com capital mínimo de R$ 1 milhão e R$ 100 mil respectivamente, além de compliance robusto. Modelos de IA usados em decisão de crédito estão sob escrutínio do BC para evitar viés discriminatório — algoritmos que neguem crédito por CEP ou gênero podem gerar sanções. Esse equilíbrio entre inovação e proteção define quem consegue operar em escala regulada.

Empresas Listadas e Posicionamento no Ciclo

Entre as listadas com exposição relevante a IA em crédito, destacam-se:

Banco Inter (BIDI11): Processou 4,2 bilhões de transações em 2024, alimentando modelos de credit scoring proprietários. Inadimplência acima de 90 dias em crédito pessoal caiu de 6,8% (2023) para 5,1% (2025) após implementação de IA em originação. Margem financeira cresceu 18% no período, refletindo ganho de eficiência. Está em fase de expansão de crédito empresarial usando open finance.

Méliuz (CASH3): Atua via parceria com instituições financeiras, fornecendo dados de comportamento de consumo para modelos de crédito. Não concede crédito diretamente, mas monetiza IA como serviço (AIaaS) para fintechs menores. Receita recorrente dessa vertical cresceu 140% em 2024.

Locaweb (LWSA3): Possui braço de crédito para lojistas de e-commerce (Locaweb Pay), usando IA para antecipar recebíveis com base em fluxo de vendas online. NPL mantido abaixo de 2,8%, bem abaixo da média setorial de 4,5%, graças a underwriting preditivo.

Bancos tradicionais listados (Itaú, Bradesco, Santander) estão investindo bilhões em IA, mas enfrentam inércia de sistemas legados e canais físicos. Ganhos de eficiência são diluídos em estruturas maiores. Vantagem competitiva se mantém em financiamento imobiliário e crédito consignado, onde relacionamento presencial e garantias reais ainda predominam.

Perspectiva 3-5 Anos: O Que Muda e O Que Permanece

O que vai mudar:

1. Desintermediação bancária acelerada: Crédito tokenizado com IA deve atingir 12-15% do estoque total de crédito privado até 2028, contra ~2% atualmente. PMEs terão acesso a funding direto de investidores via plataformas, reduzindo dependência de bancos.

2. Spreads em queda estrutural: Competição via eficiência algorítmica comprimirá spreads em 2-3 p.p. em segmentos padronizáveis (consignado, antecipação de recebíveis, crédito pessoal). Margens migrarão para serviços adjacentes (seguros, assessoria, gestão de fluxo de caixa).

3. Consolidação de fintechs: Das 40% de startups de IA criadas entre 2016-2025, menos de 10 alcançarão escala de US$ 100 milhões+ em captação. Requisitos regulatórios e necessidade de volume de dados favorecerão consolidação. Espera-se 3-4 M&As relevantes por ano até 2027.

O que é permanente:

1. Vantagem de escala em dados: Quem tiver mais transações treinará melhores modelos. Network effects beneficiam incumbentes digitais (Nubank, Inter, Mercado Pago) que acumulam bilhões de interações mensais.

2. Regulação como barreira competitiva: BC e CVM não permitirão corrida desregulada. Capital mínimo, stress tests e auditoria de algoritmos manterão entrada custosa, protegendo players estabelecidos.

3. Importância de funding barato: IA reduz custo operacional, mas não elimina custo de captação. Bancos com depósitos à vista (funding a ~2-3% ao ano) manterão vantagem estrutural sobre fintechs que captam via CDB ou mercado (8-12% ao ano) em cenários de Selic elevada.

O crédito brasileiro está em inflexão. IA e tokenização não são buzzwords — são infraestruturas que redefinem quem consegue emprestar melhor, para quem e a que custo. A vantagem competitiva migrou de agências físicas para capacidade de processar dados em escala e velocidade, mas funding barato e compliance robusto seguem determinantes. Bancos tradicionais precisam acelerar transformação digital ou aceitarão marginalização em segmentos de alto crescimento. Fintechs precisam provar sustentabilidade de modelo em ciclo econômico completo, incluindo recessão. O vencedor será quem combinar tecnologia, capital e licença para operar — não quem tiver apenas uma das três.