A Ilusão da Eficiência: O Verdadeiro Custo da IA no Setor Financeiro

O Novo Barão do Crédito

Quando o Bradesco anuncia que sua assistente virtual BIA processa milhões de interações mensais, ou quando o Bank of America celebra os 10 milhões de usuários da Erica, a narrativa institucional aponta para ganhos de eficiência e redução de custos operacionais. Os números impressionam: estudos do setor indicam reduções de até 40% nos custos de atendimento e processamento 70% mais rápido de solicitações de crédito.

Mas essa história de sucesso mascara uma realidade mais complexa. A automação do crédito através de algoritmos de machine learning não apenas acelera decisões — ela redefine fundamentalmente quem tem acesso ao capital. O FICO Score, utilizado por 90% dos maiores credores americanos, agora incorpora mais de 200 variáveis processadas por redes neurais. No Brasil, fintechs como Nubank e bancos tradicionais desenvolvem modelos proprietários que analisam desde padrões de navegação em aplicativos até histórico de transações em tempo real.

O problema não reside na sofisticação técnica, mas na opacidade sistêmica. Diferentemente dos modelos tradicionais de credit scoring, onde as variáveis e seus pesos eram conhecidos e auditáveis, os algoritmos de deep learning operam como caixas-pretas. Uma solicitação de crédito negada por IA raramente vem acompanhada de explicação detalhada — apenas um score e uma decisão binária.

Essa arquitetura de poder algorítmico cria assimetrias perigosas. Instituições financeiras detêm não apenas capital, mas o conhecimento sobre como o capital é alocado. O cliente, mesmo quando aprovado, desconhece quais comportamentos influenciaram positivamente sua avaliação ou quais poderiam comprometer futuras solicitações. Estamos substituindo a arbitrariedade humana pela arbitrariedade codificada, com a diferença crucial de que a segunda se apresenta como objetiva e científica.

A Economia Política dos Dados

O movimento global em direção ao Open Banking — já implementado no Reino Unido desde 2018 e em fase de consolidação no Brasil desde 2021 — foi vendido como democratização financeira. A premissa é sedutora: ao permitir que terceiros acessem dados bancários (com consentimento do cliente), cria-se competição e inovação.

A realidade, contudo, sugere concentração travestida de abertura. As instituições com maior capacidade computacional e expertise em IA extraem valor desproporcional dos dados compartilhados. Um banco tradicional ou fintech com infraestrutura de machine learning consegue transformar dados brutos em produtos de crédito, investimento e seguro personalizados. Pequenas instituições, cooperativas de crédito e bancos regionais tornam-se meros fornecedores de matéria-prima — dados — sem capacidade de refino.

Os números do setor ilustram essa dinâmica. Enquanto o Open Banking brasileiro registrou 2,3 bilhões de chamadas de API no primeiro semestre de 2023, apenas cinco instituições (três bancos tradicionais e duas fintechs) concentram 78% das integrações efetivas. O mercado celebra a inovação, mas a estrutura subjacente replica padrões de concentração do sistema financeiro tradicional.

Mais preocupante é o que acontece com populações à margem dessa infraestrutura digital. A promessa de inclusão financeira via IA pressupõe alfabetização digital, acesso constante à internet e dispositivos atualizados. No Brasil, onde 33% da população ainda enfrenta algum grau de exclusão digital segundo dados da FGV, a sofisticação tecnológica pode ampliar, não reduzir, desigualdades financeiras.

Fraude, Vigilância e o Panóptico Financeiro

A detecção de fraudes é apresentada como caso de uso inequívoco da IA no setor financeiro. Itaú Unibanco reporta redução de 35% em perdas com fraude após implementação de sistemas de IA. Visa e Mastercard processam trilhões em transações anuais, identificando padrões anômalos em milissegundos. A tecnologia funciona.

Mas funciona através de vigilância perpétua e granular. Cada transação alimenta modelos preditivos que mapeiam não apenas comportamento financeiro, mas padrões de vida. Onde você compra, quando compra, quanto gasta em cada categoria, seus deslocamentos geográficos, horários de atividade — tudo se torna dado. A linha entre segurança legítima e vigilância invasiva dissolve-se na necessidade operacional.

O Robotic Process Automation (RPA) adotado por instituições como JPMorgan Chase e Banco do Brasil elimina trabalho repetitivo, mas também cria registros detalhados de cada interação, cada solicitação, cada clique. Estamos construindo perfis comportamentais tão detalhados que podem prever não apenas risco de crédito, mas propensão a aceitar determinadas ofertas, probabilidade de migração para concorrentes, até momentos de vulnerabilidade psicológica que facilitam vendas.

A regulamentação global tenta acompanhar. O GDPR europeu, a LGPD brasileira e iniciativas do Federal Reserve americano buscam equilibrar inovação com proteção. Mas legislar sobre IA financeira é como regular água corrente — no momento em que a norma é publicada, a tecnologia já evoluiu. O Banco Central do Brasil iniciou consultas públicas sobre uso de IA em 2022, mas frameworks regulatórios definitivos permanecem em construção enquanto a implementação avança.

O Mito da Personalização

Fintechs como Nubank e Revolut vendem personalização como diferencial competitivo. Produtos financeiros adaptados ao seu perfil, ofertas relevantes, experiência sob medida. A retórica é atraente, mas personalização algorítmica é fundamentalmente diferente de personalização humana.

Personalização via IA significa segmentação probabilística. Você não recebe produtos adequados às suas necessidades reais, mas produtos que algoritmos preveem que você aceitará com maior probabilidade. A diferença é sutil mas crucial. O objetivo não é servir o cliente, mas maximizar conversão e lifetime value.

Essa lógica explica por que assistentes virtuais como a BIA ou Erica raramente sugerem que você reduza gastos ou cancele produtos. A IA está otimizada para receita institucional, não para bem-estar financeiro do usuário. Estudos comportamentais demonstram que interfaces digitais bem desenhadas podem aumentar em até 40% a aceitação de produtos financeiros desnecessários.

A parceria entre fintechs e bancos tradicionais — cada vez mais comum no Vale do Silício e em São Paulo — acelera essa dinâmica. Startups trazem agilidade e interface, bancos trazem capital e dados históricos. O resultado são produtos híbridos que combinam a escala do sistema bancário tradicional com a capacidade de manipulação comportamental das plataformas digitais.

Implicações para Alocação de Capital

Para investidores, a transformação via IA do setor financeiro cria oportunidades e armadilhas. A tese bullish é clara: instituições que dominam IA reduzem custos, aumentam receita por cliente e ganham participação de mercado. Múltiplos de valuation refletem essa expectativa — fintechs negociam a 8-12x receita enquanto bancos tradicionais operam em 1,5-2,5x book value.

Mas a tese ignora riscos sistêmicos. Primeiro, vantagem competitiva via IA depende de efeitos de rede e escala de dados. Isso favorece concentração oligopolística, vulnerável a choques regulatórios. A União Europeia já discute regulamentação específica para IA de alto risco, categoria que incluiria sistemas de crédito. Brasil e EUA caminham na mesma direção.

Segundo, modelos de IA financeira são otimizados para condições normais de mercado. Crises financeiras, por definição, representam rupturas estruturais onde padrões históricos perdem poder preditivo. A crise de 2008 demonstrou que sofisticação quantitativa não elimina risco sistêmico — frequentemente o amplifica através de correlações ocultas.

Terceiro, a automação de decisões de crédito via IA pode acelerar ciclos de crédito, tanto na expansão quanto na contração. Se todos os algoritmos avaliam risco similarmente (porque treinados em dados correlacionados), o sistema financeiro pode entrar em sincronia perigosa — expandindo crédito uniformemente em booms e contraindo simultaneamente em crises.

Além do Hype: Questões Estruturais

A verdadeira questão não é se IA transforma o setor financeiro — transforma inequivocamente. A questão é se essa transformação serve ao propósito fundamental do sistema financeiro: intermediação eficiente entre poupadores e investidores, alocação de capital para usos produtivos, gestão de risco coletivo.

Evidências preliminares são ambíguas. IA melhora eficiência microeconômica (processamento mais rápido, custos menores) mas pode deteriorar eficiência macroeconômica (concentração, prociclicalidade, exclusão). Bancos lucram mais, mas não está claro se a economia como um todo se beneficia proporcionalmente.

Para o Brasil, com suas especificidades de desigualdade, informalidade e infraestrutura digital heterogênea, a adoção de IA financeira exige cautela estratégica. O modelo não pode ser simplesmente importado do Vale do Silício ou da Europa. Requer adaptação às realidades locais, regulamentação preventiva e investimento massivo em infraestrutura digital pública.

O setor financeiro sempre foi sobre poder — poder de criar dinheiro, alocar crédito, definir quem prospera. IA não muda isso. Apenas desloca o poder de gerentes de banco para engenheiros de software, de agências físicas para data centers. A concentração permanece, apenas com nova roupagem tecnológica.

Investidores sofisticados devem olhar além das métricas de eficiência operacional. As perguntas relevantes são: essa instituição está construindo vantagens defensáveis ou replicáveis? Como se posiciona frente a inevitável regulamentação? Qual sua exposição a riscos de cauda em cenários de crise? Seus modelos de IA amplificam ou mitigam riscos sistêmicos?

A transformação está em curso. Mas transformação não é sinônimo de progresso. É apenas mudança. E mudança, no sistema financeiro, sempre cria vencedores e perdedores. Saber de que lado você está exige olhar além do código.