A Ilusão da Eficiência: O Que Wall Street Não Conta Sobre IA no Banking

O Paradoxo Invisível dos Balanços Trimestrais

Quando o JPMorgan Chase anunciou em 2021 que economizaria 150 mil horas anuais de trabalho jurídico usando IA, os mercados celebraram. O Bradesco, ao implementar chatbots que atendem 3 milhões de interações mensais, recebeu aplausos similares. Porém, uma métrica crítica permanece ausente desses comunicados triunfais: o custo real de integração dessas tecnologias em infraestruturas construídas ao longo de décadas.

A transformação do setor financeiro por IA carrega uma contradição fundamental. Enquanto startups como Nubank nascem digitais — seus sistemas projetados desde o início para machine learning e processamento em nuvem — gigantes centenários enfrentam uma arqueologia tecnológica. Mainframes rodando COBOL de 1970 ainda processam transações críticas em grandes bancos globais. A Morgan Stanley estimou em 2023 que bancos norte-americanos precisarão investir cumulativamente US$ 1,2 trilhão até 2030 apenas para modernizar infraestrutura — um número que dificilmente aparece nas projeções otimistas sobre ganhos de eficiência via IA.

No Brasil, essa dicotomia se manifesta de forma particularmente aguda. O Open Banking, ao forçar interoperabilidade, expôs fragilidades que não eram visíveis quando cada instituição operava em silos. APIs precisam conversar com sistemas legados; algoritmos de NLP (processamento de linguagem natural) precisam interpretar dados não-estruturados armazenados em formatos pré-digitais. A complexidade não está na IA em si, mas na camada intermediária — aquela que ninguém fotografa para apresentações corporativas.

O Que os Números Revelam Quando Olhamos de Perto

A narrativa dominante celebra eficiência operacional. Os dados, porém, sugerem um padrão mais nuançado. Entre 2020 e 2023, bancos que reportaram maior investimento em IA não necessariamente apresentaram os melhores índices de eficiência (medidos pela relação custo-receita). O Santander Brasil, por exemplo, manteve esse índice estável em torno de 43% apesar de investimentos massivos em digitalização — não porque a IA falhou, mas porque os custos de transição compensaram os ganhos iniciais.

Mais revelador: a margem líquida de juros (NIM) dos cinco maiores bancos brasileiros caiu em média 0,8 ponto percentual entre 2019 e 2023, período de intensa adoção de IA. Correlação não é causalidade, mas sinaliza que tecnologia sozinha não neutraliza pressões competitivas. Fintechs usando IA para modelos de crédito alternativos forçaram bancos tradicionais a aceitar margens menores para reter clientes — um efeito colateral raramente mencionado nos estudos de caso corporativos.

O caso do crédito via dados alternativos ilustra tanto o potencial quanto as limitações. Plataformas como Creditas e Rebel utilizam mais de 3 mil variáveis — desde padrões de consumo de energia até histórico de pagamentos de streaming — para avaliar risco. Isso expandiu acesso: segundo a Febraban, 12 milhões de brasileiros sem histórico de crédito tradicional conseguiram financiamento entre 2020-2023. Porém, a inadimplência média desses novos tomadores ficou 40% acima da média do mercado nos primeiros 18 meses — sugerindo que os algoritmos ainda estão calibrando premissas básicas sobre comportamento financeiro em mercados emergentes.

A Guerra Silenciosa por Cientistas de Dados

Há um indicador não-financeiro que raramente recebe atenção devida: rotatividade de talentos especializados. Entre 2021 e 2023, o tempo médio de permanência de um cientista de dados em instituições financeiras brasileiras caiu de 2,4 para 1,7 anos. Bancos treinam profissionais em sistemas proprietários complexos; fintechs os recrutam oferecendo 40-60% a mais em remuneração e trabalho com tecnologias mais modernas.

Essa dinâmica cria um ciclo vicioso. Projetos de IA em grandes bancos levam 18-24 meses desde concepção até produção — período durante o qual equipes inteiras podem ser trocadas duas vezes. A documentação de modelos de machine learning, já desafiadora, torna-se praticamente arqueológica quando os criadores originais partem. O Banco Central identificou em 2023 que 34% dos modelos de risco baseados em IA em instituições brasileiras não tinham documentação completa sobre premissas e dados de treino — um problema de governança que cresce com a sofisticação técnica.

Globalmente, esse gap de talentos tem consequências geopolíticas. A China forma anualmente 4,7 milhões de graduados em STEM (ciência, tecnologia, engenharia e matemática); os EUA, 568 mil. Quando o Ant Group (braço financeiro do Alibaba) desenvolveu seu sistema de crédito ao consumidor via IA, empregou mais PhDs em machine learning que todo o setor bancário europeu combinado naquele momento. Essa vantagem em capital humano se traduz em vantagem competitiva que regulação ou capital financeiro não compensam facilmente.

As Perguntas Inconvenientes

Se IA reduz custos operacionais tão dramaticamente, por que a relação custo-receita do setor bancário global permanece praticamente estável desde 2015, oscilando entre 55-60%? A resposta mais plausível: os ganhos de eficiência em processos específicos estão sendo compensados por (1) aumento de gastos em cibersegurança necessários para proteger sistemas mais complexos, (2) custos de conformidade regulatória que crescem conforme algoritmos se tornam mais opacos, e (3) investimentos contínuos em atualização tecnológica que nunca terminam.

Mais inquietante: a concentração de fornecedores de infraestrutura de IA cria dependências estratégicas novas. Três empresas — AWS (Amazon), Microsoft Azure e Google Cloud — hospedam aproximadamente 70% das cargas de trabalho de IA no setor financeiro global. Quando a AWS sofreu uma interrupção em dezembro de 2021, centenas de fintechs ficaram temporariamente inoperáveis. Bancos tradicionais, com data centers próprios (mesmo que menos eficientes), mantiveram operações. A nuvem traz escala, mas também vulnerabilidade sistêmica que reguladores ainda não sabem precificar.

No contexto brasileiro, há ainda a questão da soberania de dados. Modelos de IA treinados em dados de consumidores brasileiros, mas processados em servidores no exterior, criam jurisdição legal ambígua. A LGPD (Lei Geral de Proteção de Dados) estabelece regras claras para transferências internacionais, mas a aplicação prática em ambientes de cloud computing distribuído permanece zona cinzenta. Um algoritmo de crédito que aprende continuamente, com dados transitando entre três continentes para otimização, desafia estruturas regulatórias pensadas para mundo analógico.

O Cenário que os Prospectos Não Mostram

Para investidores, a questão crítica não é se IA transformará finanças — isso é inevitável — mas quem capturará valor nessa transformação. As evidências atuais sugerem distribuição assimétrica:

Vencedores prováveis: (1) Fintechs nativas digitais sem débito técnico, capazes de iterar rapidamente; (2) Gigantes de tecnologia (Google, Amazon, Microsoft) fornecendo infraestrutura essencial; (3) Firmas especializadas em nichos — gestão quantitativa de ativos, detecção de fraudes, compliance automatizado — onde IA oferece vantagem competitiva defensável.

Posição incerta: Bancos tradicionais de médio porte, presos entre custos de modernização proibitivos e pressão competitiva crescente. O ROE médio desse segmento no Brasil caiu de 16,2% em 2019 para 13,8% em 2023 — deterioração que tecnologia até agora não reverteu.

Variável ignorada: Regulação adaptativa. O Banco Central Europeu propôs em 2023 que modelos de IA para decisões de crédito acima de certos valores devem ser auditáveis por humanos — requisito que potencialmente inviabiliza deep learning de caixa-preta. Se essa abordagem se globalizar, toda a premissa de "algoritmos superiores à análise humana" precisará ser recalibrada.

A tese de investimento mais robusta não está em apostar na tecnologia per se, mas em identificar instituições com capacidade comprovada de gestão de transição. Métricas a observar: (1) índice de projetos de IA que saíram de piloto para produção (média do setor está abaixo de 30%); (2) estabilidade de equipes técnicas seniores; (3) transparência sobre custos totais de transformação, não apenas ROI projetado de casos isolados.

A Década que Define Posições

Os próximos cinco anos determinarão hierarquias de mercado por uma geração. Instituições que completarem modernização de infraestrutura até 2027-2028 terão vantagem de custo marginal significativa; aquelas que permanecerem em transição enfrentarão dinâmica de terra queimada — investindo pesado sem capturar benefícios completos enquanto concorrentes digitais operam com estruturas de custo 60-70% inferiores.

O Brasil, especificamente, apresenta oportunidade única por estar construindo infraestrutura de pagamentos instantâneos (PIX) e Open Banking simultaneamente à adoção de IA — uma vantagem de "late mover" que permite arquitetar sistemas já preparados para aprendizado de máquina, sem camadas de adaptação. Porém, essa janela fecha rápido. Dados de 2023 mostram que 78% dos brasileiros adultos já usam algum serviço financeiro digital; a batalha por esses clientes se intensificará antes que infraestruturas legadas sejam totalmente modernizadas.

A transformação está acontecendo — mas não uniformemente, não sem custos ocultos, e certamente não com os vencedores já definidos que narrativas simplificadas sugerem. Investidores sofisticados entenderão que a IA no setor financeiro é menos uma revolução e mais uma maratona de capital intensivo, onde resistência operacional pode importar mais que brilhantismo tecnológico.