A IA já venceu a guerra pelo setor financeiro. A pergunta agora é: quem sobrevive?

O jogo virou antes que a maioria percebesse

Enquanto analistas debatiam se a inteligência artificial seria relevante para o setor financeiro, ela já havia tomado as cadeiras do conselho. Não de forma literal, mas operacional. Hoje, mais de 70% das decisões de crédito em fintechs brasileiras passam por modelos de machine learning antes de chegarem a um humano — quando chegam. Nos grandes bancos, a participação da IA em processos críticos saltou de 15% em 2019 para 48% em 2024.

O Bradesco processa 1,8 milhão de interações mensais através da BIA, sua assistente virtual. O Itaú reduziu em 40% o tempo médio de resolução de problemas depois de implementar PLN (processamento de linguagem natural) em sua central de atendimento. Mas esses números, amplamente divulgados em releases, escondem a verdadeira revolução: a IA não está apenas acelerando processos existentes. Está criando produtos financeiros que não poderiam existir sem ela.

Considere o crédito consignado privado. Tradicionalmente, apenas funcionários públicos e aposentados tinham acesso, porque o custo de análise de risco para trabalhadores do setor privado era proibitivo. Algoritmos de IA mudaram isso. Ao cruzar dados de geolocalização, histórico de pagamentos de contas básicas, comportamento de consumo e até padrões de navegação em apps, fintechs conseguem precificar risco com precisão suficiente para oferecer taxas competitivas a um público antes invisível para o sistema bancário.

Isso não é inclusão financeira por bondade. É arbitragem de informação em escala industrial.

A arquitetura invisível do novo sistema financeiro

O verdadeiro poder da IA no setor financeiro está na camada que ninguém vê: a infraestrutura de decisão em tempo real. Quando você abre o app do banco e vê uma oferta de investimento "personalizada", há um modelo de propensão rodando 23 variáveis sobre seu perfil financeiro, comparando você a clusters de comportamento e calculando a probabilidade de conversão em milissegundos.

Essa capacidade de processamento paralelo e instantâneo criou um novo tipo de vantagem competitiva. Não se trata mais de ter a melhor taxa ou o maior número de agências. Trata-se de ter o melhor modelo. E modelos melhoram com dados. E dados vêm de volume. E volume vem de crescimento. É um ciclo autorreforçante que explica por que o Nubank conseguiu atingir 90 milhões de clientes na América Latina em menos de uma década, enquanto bancos centenários lutam para digitalizar processos.

A detecção de fraudes ilustra perfeitamente essa dinâmica. Sistemas tradicionais funcionavam por regras: transação acima de X reais em país Y dispara alerta. Sistemas de IA funcionam por padrões: essa transação, nesse horário, nesse estabelecimento, com esse histórico de comportamento, tem 87% de probabilidade de ser fraude. A diferença? Um índice de falso positivo 60% menor e uma taxa de detecção 40% maior, segundo dados de instituições que implementaram sistemas avançados.

No Brasil, onde as perdas com fraudes bancárias somaram R$ 3,7 bilhões em 2023, essa capacidade não é cosmética. É existencial.

O que os números não contam: o custo oculto da transição

Bancos tradicionais brasileiros gastaram, em média, 18% de sua receita operacional com tecnologia em 2023 — o dobro de cinco anos atrás. Mas aqui reside um paradoxo brutal: quanto mais investem em IA, mais expõem a ineficiência de suas estruturas legadas.

Um sistema de crédito baseado em IA precisa de dados limpos, estruturados e acessíveis. Bancos com 50 anos de operação têm dados espalhados em sistemas incompatíveis, formatos obsoletos e silos departamentais. A integração não é apenas cara. É dolorosa. Itaú e Bradesco têm equipes inteiras dedicadas apenas a fazer sistemas antigos "conversarem" com módulos de IA — um trabalho que fintechs nascidas digitais simplesmente não precisam fazer.

Isso cria uma janela de vulnerabilidade. Entre 2020 e 2024, fintechs brasileiras capturaram 22% do mercado de crédito pessoal, ante 7% em 2019. Não porque tenham balanços mais sólidos ou taxas menores em todos os produtos. Mas porque conseguem aprovar crédito em minutos, enquanto bancos tradicionais levam dias — mesmo depois de investir bilhões em transformação digital.

A China oferece um vislumbre do endgame. A Ant Financial (agora Ant Group) processa mais de 1 bilhão de transações por dia através de sistemas totalmente automatizados. Seu algoritmo de crédito, o Zhima Credit, usa mais de 5.000 variáveis para calcular score de crédito — muito além das 15-20 variáveis que bureaus tradicionais consideram. O resultado: uma taxa de inadimplência de 1,2%, metade da média do setor financeiro chinês.

Mas há um porém. A Ant foi forçada pelo governo chinês a reestruturar operações em 2021, justamente porque seu poder de precificação de risco criava uma concentração perigosa de informação e influência sobre a economia real. A lição: IA no setor financeiro não é apenas uma questão técnica ou comercial. É política.

As perguntas que deveriam estar sendo feitas

Enquanto o mercado celebra ganhos de eficiência, três questões críticas permanecem subexploradas.

Primeira: qual o real custo de oportunidade de modelos opacos? Algoritmos de IA são, por natureza, caixas-pretas. Um modelo de deep learning com 40 camadas neurais pode ter desempenho superior, mas ninguém consegue explicar exatamente por que negou crédito ao cliente X. Isso colide frontalmente com exigências regulatórias de transparência e com princípios básicos de defesa do consumidor.

A LGPD brasileira e o GDPR europeu garantem ao cidadão o direito de contestar decisões automatizadas. Na prática, como contestar uma rejeição quando nem a própria instituição financeira entende completamente a lógica do algoritmo? Esse gap entre performance e explicabilidade está levando ao desenvolvimento de "IA explicável" (XAI), mas a tecnologia ainda engatinha.

Segunda: estamos subestimando o risco sistêmico? Se 80% dos bancos usam arquiteturas de IA similares, treinadas em datasets parecidos, seguindo frameworks comuns, não estamos criando uma nova forma de correlação de risco? Um erro de modelo, uma falha em dados de treinamento ou um viés não detectado pode se propagar pelo sistema com velocidade e escala inéditas. O Flash Crash de 2010 nos mercados americanos, causado por algoritmos de trading, é um prenúncio do que pode acontecer quando sistemas automatizados entram em loop.

Terceira: quem realmente se beneficia da inclusão financeira algorítmica? Fintechs apresentam a concessão de crédito via IA como democratização do acesso. Mas os dados contam outra história. As taxas médias de empréstimos pessoais em fintechs brasileiras ficam entre 6% e 15% ao mês — superiores às de crédito consignado tradicional (1,5% a 2,5% ao mês). A IA permite incluir clientes antes excluídos, sim, mas a que custo? A pergunta incômoda: estamos usando tecnologia de ponta para criar acesso ou para precificar vulnerabilidade com mais precisão?

O que os investidores precisam entender

Para quem investe no setor financeiro, a IA criou uma nova métrica de avaliação: maturidade algorítmica. Não basta perguntar quanto uma instituição gasta em tecnologia. É preciso entender:

1. Qual percentual das decisões críticas já está automatizado? Bancos com menos de 30% de automação em processos-chave estão ficando para trás estruturalmente.

2. Qual a idade média dos dados usados para treinar modelos? Dados com mais de 18 meses em ambientes de alta volatilidade (como o Brasil) já comprometem precisão preditiva.

3. Existe capacidade de retreinamento contínuo? Modelos estáticos degradam rapidamente. Instituições que retreinam algoritmos semanalmente têm vantagem mensurável sobre as que fazem isso trimestralmente.

4. Qual a dependência de fornecedores externos? Bancos que constroem modelos proprietários mantêm vantagem competitiva. Os que compram soluções prontas competem em commodities.

Na prática, isso significa que um banco tradicional com ROE de 18% mas baixa maturidade algorítmica pode estar menos atrativo que uma fintech com ROE de 12% mas infraestrutura de IA avançada. O múltiplo de valuation precisa incorporar essa capacidade de adaptação algorítmica — a velocidade com que a instituição consegue ajustar modelos a novas realidades.

Creditas, Nubank e Inter têm valuation premium não apenas por crescimento, mas por terem construído stacks de IA que permitem lançar produtos em semanas, não meses. Quando o Inter lançou sua plataforma de investimentos com recomendações personalizadas por IA, levou 4 meses do conceito ao lançamento. Um banco tradicional levaria 18 meses navegando comitês, integrações e compliance.

O horizonte de 24 meses

Duas tendências vão definir o próximo ciclo. Primeiro, a IA generativa começará a penetrar front-office. Já há experimentos com assistentes que não apenas respondem dúvidas, mas elaboram estratégias completas de investimento, renegociação de dívidas e planejamento financeiro. A Creditas está testando um assistente que analisa a situação financeira completa do cliente e propõe reestruturações — não com templates, mas com raciocínio contextual.

Segundo, a computação de borda vai permitir processamento de IA diretamente em dispositivos, reduzindo latência e aumentando privacidade. Imagine aprovação de crédito sem enviar dados para nuvem — o modelo roda no seu celular, analisa suas informações e devolve decisão em segundos, sem exposição de dados pessoais. Tecnologicamente viável em 2025.

Para investidores, a tese é clara: o setor financeiro está vivendo sua maior reestruturação desde a digitalização dos anos 1990. Mas diferente daquela onda, que levou décadas, esta será resolvida em 5-7 anos. Até 2030, haverá vencedores claros — instituições que dominaram IA — e sobreviventes em modo de gestão de legado.

O momento de escolher lado não é quando a batalha terminar. É agora, enquanto os múltiplos ainda não precificam totalmente a distância que separa quem construiu capacidade algorítmica real de quem apenas discursa sobre transformação digital.