O Investimento Que Ninguém Consegue Justificar Completamente

Os cinco maiores bancos brasileiros investiram coletivamente mais de R$ 18 bilhões em tecnologia durante 2023, com parcelas crescentes destinadas especificamente a projetos de inteligência artificial. O Itaú anunciou recentemente a contratação de 3.000 profissionais de tecnologia. O Bradesco criou um centro de inovação dedicado exclusivamente a machine learning. O Banco do Brasil expandiu sua equipe de ciência de dados em 40% no último ano.

O problema? Quando você analisa os resultados reportados nos balanços trimestrais, a correlação entre investimento em IA e melhoria de indicadores operacionais permanece surpreendentemente nebulosa. A eficiência operacional dos grandes bancos brasileiros melhorou em média 3,2% nos últimos dois anos — um número respeitável, mas longe da revolução prometida pelos departamentos de inovação.

Não se trata de ceticismo gratuito. A questão central é que a indústria financeira global está atravessando uma fase de experimentação massiva onde o medo de ficar para trás está superando a disciplina tradicional de análise de retorno sobre investimento. E isso cria distorções perigosas para quem está alocando capital nesses players.

A Anatomia Real da Transformação

Quando bancos falam sobre "transformação por IA", três aplicações dominam o discurso: automação de atendimento, análise de crédito e detecção de fraudes. Mas a implementação prática revela camadas de complexidade raramente discutidas em apresentações corporativas.

Considere a automação de atendimento. Os chatbots de instituições financeiras brasileiras resolvem de fato entre 60% e 75% das interações simples — números impressionantes em slides. O que não aparece: essas interações representam apenas 40% do volume total de demandas de atendimento em valor econômico. As questões complexas, que geram mais receita e exigem relacionamento, continuam dependendo de intervenção humana qualificada.

O custo de manter esses sistemas também é substancialmente subestimado. Uma plataforma de IA conversacional de nível empresarial custa entre US$ 500 mil e US$ 2 milhões anuais apenas em licenciamento, antes de considerar integração, manutenção e retreinamento de modelos. Para um banco médio brasileiro, estamos falando de R$ 8 a R$ 15 milhões por ano para automatizar interações que custavam cerca de R$ 12 a R$ 20 milhões com equipes humanas.

A economia existe, mas é incremental, não disruptiva. E vem acompanhada de novos custos: equipes especializadas em prompt engineering, governança de dados, compliance algorítmico e gestão de riscos de IA — funções que simplesmente não existiam três anos atrás.

O Paradoxo da Análise de Crédito

A análise de crédito assistida por IA representa o caso de uso mais promissor e simultaneamente o mais problemático para o contexto brasileiro. Modelos de machine learning conseguem processar variáveis que analistas humanos jamais conseguiriam correlacionar manualmente: histórico de transações, padrões de consumo, comportamento digital, dados alternativos de redes sociais e marketplace.

Teoricamente, isso deveria expandir o acesso ao crédito para populações tradicionalmente desbancarizadas e reduzir inadimplência através de precificação de risco mais precisa. Na prática, os resultados são mistos e revelam um conflito fundamental.

Bancos digitais brasileiros que adotaram modelos de IA agressivos para concessão de crédito entre 2020 e 2022 viram suas carteiras crescerem exponencialmente. O Nubank expandiu sua base de clientes com crédito ativo em 340% no período. Mas a inadimplência acima de 90 dias nessas carteiras saltou de 4,1% para 6,8% — um aumento que corroeu significativamente as margens e forçou revisões profundas nos modelos.

O que aconteceu? Os algoritmos foram treinados durante um período economicamente atípico (pandemia, auxílios emergenciais, juros baixos) e falharam em capturar sinais leading de deterioração quando as condições macroeconômicas mudaram. Modelos estatísticos tradicionais, construídos sobre décadas de ciclos econômicos completos, performaram melhor durante a transição.

Isso não invalida a IA na análise de crédito, mas expõe uma fragilidade crítica: sistemas de machine learning são excelentes em interpolar dentro de condições conhecidas e terríveis em extrapolar para cenários novos. Em economias voláteis como a brasileira, isso é um problema estrutural, não pontual.

A Questão Que as Fintechs Evitam

Se IA realmente oferece vantagem competitiva decisiva no setor financeiro, por que startups nativas digitais, teoricamente desobrigadas de legacy systems e construídas desde o início com arquitetura tech-first, não estão sistematicamente destruindo bancos tradicionais em rentabilidade?

O Nubank, maior fintech da América Latina e referência global em adoção tecnológica, reportou retorno sobre patrimônio líquido (ROE) de 23,4% em 2023. O Itaú Unibanco, um dinossauro bancário de 100 anos com sistemas legados em COBOL, entregou ROE de 21,2% no mesmo período. O Bradesco, 20,7%. A diferença existe, mas é marginal — não a destruição criativa que a narrativa tecnológica sugere.

Por quê? Porque o setor financeiro é fundamentalmente um negócio de spread, gestão de risco e custo de funding. Tecnologia melhora eficiência operacional, mas não redefine a economia de unidade do negócio. Um banco digital economiza em agências físicas mas gasta proporcionalmente mais em aquisição de clientes (CAC) e tecnologia. No final, os números convergem.

Essa convergência deveria preocupar investidores que pagaram múltiplos premium por ações de fintechs apostando em disrupção estrutural. Se a tese de investimento era que IA criaria fossos competitivos intransponíveis, os dados financeiros atuais não sustentam essa narrativa.

O Cenário Brasileiro Tem Características Únicas — E Não Todas Favoráveis

O Brasil enfrenta três desafios específicos que limitam o potencial de IA no setor financeiro:

Primeiro, fragmentação e qualidade de dados. Diferente da China, onde plataformas integradas como WeChat e Alipay criam ecossistemas fechados com dados unificados, ou dos EUA, onde bureaus de crédito consolidam informações há décadas, o Brasil ainda opera com dados dispersos em qualidade inconsistente. Open Banking ajuda, mas a adoção real pelos consumidores permanece em single digits.

Segundo, escassez de talento especializado. Há aproximadamente 50.000 profissionais qualificados em ciência de dados e machine learning no Brasil, segundo estimativas da Associação Brasileira das Empresas de Tecnologia. A demanda do setor financeiro sozinho ultrapassa 35.000 posições. Isso cria uma guerra de talentos que infla salários e gera rotatividade destrutiva — projetos de IA são abandonados porque a equipe que os desenvolveu migrou para concorrentes.

Terceiro, regulação em construção. O Banco Central tem sido progressivo, mas frameworks regulatórios para uso de IA em decisões de crédito, seguros e investimentos ainda estão em fase de consulta pública. Instituições que avançam agressivamente enfrentam risco regulatório material — modelos podem precisar ser descontinuados ou drasticamente revisados conforme normas se consolidam.

O Que Realmente Está Mudando (E O Que É Ruído)

Retirando o hype, três movimentos estruturais merecem atenção de investidores:

Consolidação de back-office: A verdadeira revolução não está no front-end customer-facing, mas na automação de processos internos. Reconciliação contábil, compliance regulatório, relatórios gerenciais — funções invisíveis ao cliente mas que consomem 40% dos custos operacionais de um banco. IA está genuinamente transformando essa camada, e os ganhos são mensuráveis e sustentáveis.

Bancos que reportam quedas consistentes no índice de eficiência (despesas operacionais / receitas) acima de 2 pontos percentuais ao ano estão capturando valor real. Itaú reduziu seu índice de 42,3% para 39,1% em três anos. Bradesco de 47,8% para 44,2%. Esses números refletem automação bem-sucedida.

Personalização em escala: A capacidade de oferecer produtos e serviços customizados sem aumentar custos marginais é provavelmente o diferencial competitivo mais subestimado da IA. Instituições que implementaram motores de recomendação sofisticados estão vendo aumentos de 15% a 30% em cross-sell e up-sell.

Precificação dinâmica: Seguradoras e plataformas de crédito começam a adotar precificação em tempo real baseada em comportamento atual, não histórico estático. Isso pode reconfigurar modelos de negócio inteiros se regulação permitir — e é aqui que assimetrias competitivas realmente surgem.

Implicações Para Alocação de Capital

Para investidores avaliando exposição ao setor financeiro brasileiro, algumas conclusões práticas:

Múltiplos não justificam disrupção inexistente: Fintechs negociando acima de 3x book value precisam demonstrar vantagens competitivas sustentáveis além de crescimento de base de clientes. Crescimento sem melhoria estrutural de unit economics é destruição de valor, não criação.

Bancos incumbentes não estão condenados: A narrativa de que instituições tradicionais serão obsoletadas por nativas digitais não se materializou. Pelo contrário, bancos com balanços sólidos, custo de funding baixo e capacidade de investimento em tecnologia estão se adaptando efetivamente. Itaú, Bradesco e Santander Brasil são apostas mais seguras do que o mercado precifica.

O jogo é operacional, não estratégico: Empresas financeiras que entregam melhorias consistentes e mensuráveis em eficiência operacional merecem premium. Aquelas que vendem visão de futuro sem tração em KPIs materiais são red flags.

Investimentos em infraestrutura tecnológica são CAPEX, não magia: Analise como você analisaria qualquer grande investimento de capital: payback period, retorno incremental, risco de execução. IA não está isenta de disciplina financeira.

O setor financeiro está de fato sendo transformado por inteligência artificial, mas a transformação é evolutiva, não revolucionária. É cara, complexa e repleta de falsos positivos. Para investidores sofisticados, isso significa oportunidade — não na narrativa tecnológica, mas na capacidade de separar execução real de marketing corporativo. Os números estão nos balanços, basta ler além dos press releases.