O Problema Escondido na Revolução da IA no Setor Financeiro

A Matemática Inconveniente da Transformação

Quando a PwC projeta US$ 15,7 trilhões em valor agregado pela inteligência artificial até 2030, com parcela substancial vinda do setor financeiro, o número seduz pela magnitude. Mas existe uma assimetria brutal entre potencial tecnológico e capacidade institucional de captura de valor. Enquanto bancos tradicionais brasileiros celebram que 70% dos atendimentos já ocorrem por canais digitais — muitos com IA —, a pergunta correta não é quantos atendimentos migraram para chatbots, mas quanto valor real essa migração criou além da redução de custo.

A narrativa dominante posiciona a IA como inevitabilidade positiva: bancos que a adotam prosperam, os que resistem desaparecem. A realidade operacional conta história diferente. A transformação do setor financeiro pela IA não está falhando por falta de tecnologia ou investimento. Está tropeçando na fricção entre modelos de negócio centenários e arquiteturas de dados construídas para mundo analógico.

O Dilema da Última Milha

Considere o caso dos modelos de crédito baseados em IA. Fintechs brasileiras como Nubank construíram sistemas de avaliação de risco que processam centenas de variáveis em tempo real, prometendo decisões mais precisas e inclusão financeira expandida. A premissa é elegante: quanto mais dados, melhor a predição de inadimplência. A execução revela complexidade raramente discutida.

Primeiro, existe o problema da qualidade de dados. Bancos tradicionais possuem décadas de histórico transacional, mas esses dados foram coletados para compliance regulatório, não para machine learning. Falta granularidade temporal, contexto comportamental, metadados enriquecidos. Treinar modelos preditivos com dados de baixa qualidade produz o que especialistas chamam de "garbage in, garbage out" — lixo entra, lixo sai.

Segundo, a questão da interpretabilidade. Reguladores globalmente exigem explicabilidade nas decisões de crédito. Modelos de deep learning, especialmente redes neurais profundas, funcionam como caixas-pretas: produzem resultados precisos, mas não explicam como chegaram lá. Esta opacidade cria problema legal e reputacional. Um banco não pode simplesmente dizer a um cliente que foi recusado porque "o algoritmo decidiu assim".

Terceiro, o viés algorítmico. Modelos de IA aprendem com dados históricos, perpetuando discriminações embutidas. Se historicamente certos grupos demográficos receberam menos crédito, o modelo reproduzirá esse padrão, legitimando-o com aura de objetividade matemática. Corrigir viés algorítmico não é problema técnico resolvível com mais dados — é desafio conceitual sobre quais vieses são aceitáveis e quais devem ser ativamente combatidos.

A Economia Política da Automação

A automação de processos via IA gera economia operacional real. Um chatbot atende consultas de saldo 24/7 sem custo marginal. Mas essa eficiência cria externalidade negativa raramente contabilizada: deterioração da experiência do cliente em interações complexas.

Quando o problema é simples — consultar saldo, agendar pagamento —, automação funciona perfeitamente. Quando surge situação fora do script — contestação de lançamento indevido, negociação de dívida, investigação de fraude —, o cliente entra em labirinto kafkiano de menus de voz e chatbots incapazes de escalar para humano competente.

Esta assimetria gera custo escondido. Bancos brasileiros mediram que atendimento digital custa 10% do atendimento presencial. Verdade. Mas não mediram quanto custa a perda de clientes frustrados que migram para concorrentes após experiências ruins com automação mal implementada. Também não contabilizam o custo de oportunidade: clientes que evitam produtos financeiros complexos porque não confiam que receberão suporte adequado quando necessário.

Open Banking: Promessa Versus Execução

O Open Banking brasileiro, estrutura regulatória que obriga bancos a compartilharem dados de clientes (com consentimento), deveria ser catalisador perfeito para IA. Mais dados, melhores modelos, serviços mais personalizados. Dezoito meses após implementação completa, os resultados são modestos.

O problema não é regulatório — o Banco Central construiu arcabouço robusto. O problema é modelo de incentivos. Bancos incumbentes têm zero interesse em facilitar migração de clientes para concorrentes. Cumprem a letra da regulação, mas criam atritos sutis: interfaces confusas, processos de consentimento labirínticos, APIs que funcionam no mínimo técnico exigido.

Fintechs, teoricamente beneficiárias do Open Banking, enfrentam desafio oposto: dados disponíveis, mas capacidade limitada de transformá-los em insights acionáveis. Receber histórico transacional de cliente é ponto de partida, não chegada. Construir modelos preditivos que realmente personalizem ofertas requer infraestrutura de dados, cientistas qualificados, tempo de experimentação — recursos que startups frequentemente não possuem.

O Paradoxo Chinês

Comparações com China ilustram complexidades ignoradas na narrativa triunfalista sobre IA no setor financeiro. Ant Group, braço fintech da Alibaba, concede microcrédito instantâneo usando IA que analisa comportamento de compra, conexões sociais, histórico digital. Aprovação em segundos, dinheiro na conta imediatamente.

Mas esse modelo depende de ecossistema digital integrado que simplesmente não existe fora da China. A Ant acessa dados do Alipay (pagamentos), Taobao (e-commerce), Alibaba Cloud (serviços digitais). Conhece padrões de consumo, rede social, hábitos digitais de cada usuário com granularidade impossível em economias onde dados estão fragmentados entre plataformas concorrentes.

Replicar o modelo chinês no Brasil ou Estados Unidos esbarra em estrutura de mercado fundamentalmente diferente. Não existem superplataformas dominantes com visão 360 graus do comportamento digital do consumidor. Não é coincidência que fintechs mais bem-sucedidas no Ocidente — Nubank, Revolut, Chime — competem primariamente em experiência de usuário e custo, não em sofisticação algorítmica revolucionária.

A Questão que Ninguém Quer Fazer

Se IA é tão transformadora para setor financeiro, por que margens operacionais de bancos globais permanecem essencialmente estáveis na última década?

JP Morgan investiu US$ 12 bilhões anuais em tecnologia, grande parte em IA. Bank of America possui times dedicados de 8.000 desenvolvedores. Goldman Sachs se autodenomina "empresa de tecnologia que faz serviços financeiros". Mesmo assim, ROE (retorno sobre patrimônio) dos grandes bancos americanos oscila entre 10-15%, faixa onde sempre esteve.

A explicação mais plausível, e menos discutida, é que ganhos de eficiência via IA são rapidamente dissipados por competição. Quando todos os bancos adotam chatbots, nenhum possui vantagem competitiva sustentável. Economia operacional se transforma em preço menor para cliente, não lucro adicional para acionista. IA se torna custo de entrada no mercado, não fonte de diferenciação.

Existem exceções — bancos que genuinamente transformaram modelo operacional e capturaram valor —, mas são minoria estatística. A maior parte da indústria está em corrida armamentista tecnológica onde investir bilhões em IA é necessário simplesmente para não perder mercado, não para ganhar.

Segurança: A Vulnerabilidade Ampliada

Quanto mais sofisticado o sistema de IA, maior a superfície de ataque. Modelos de machine learning são vulneráveis a "adversarial attacks" — manipulações sutis em dados de entrada que causam decisões completamente equivocadas. Pesquisadores demonstraram que alterações imperceptíveis em formulários de crédito podem enganar sistemas de IA, fazendo-os aprovar perfis de alto risco.

O problema transcende segurança técnica. Existe questão de governança. Quando modelo de IA comete erro que resulta em perda financeira significativa, quem é responsável? O cientista de dados que treinou o modelo? O executivo que aprovou sua implementação? O conselho que definiu apetite de risco? A jurisprudência ainda está sendo construída, criando zona cinzenta de responsabilidade.

Bancos brasileiros, particularmente, operam em ambiente regulatório onde Banco Central e CVM (Comissão de Valores Mobiliários) ainda desenvolvem frameworks para supervisionar uso de IA. Existe lacuna entre velocidade da inovação tecnológica e capacidade regulatória de acompanhar, entender, fiscalizar.

O Vetor Real de Transformação

Se não é a IA sozinha que transforma setor financeiro, o que é?

A combinação de IA com mudança estrutural no comportamento do consumidor e redesenho regulatório. IA é ferramenta poderosa, mas ferramentas não transformam indústrias — mudanças em poder de barganha, estrutura competitiva e modelo de negócio transformam.

A real disrupção no setor financeiro brasileiro veio quando Banco Central autorizou fintechs a operarem como instituições bancárias completas (2019), obrigou implementação de Pix (2020), e estruturou Open Banking (2021). IA potencializou essas mudanças, mas não as causou.

Nubank não vale US$ 40 bilhões porque possui algoritmos superiores. Vale porque identificou fricções no relacionamento banco-cliente que incumbentes ignoravam — tarifas abusivas, atendimento ruim, processos burocráticos — e construiu experiência radicalmente melhor. IA foi habilitador, não causa raiz.

Implicações para Alocação de Capital

Investidores analisando setor financeiro precisam distinguir entre teatro tecnológico e transformação real. Banco que anuncia investimento bilionário em IA não está automaticamente posicionado para capturar valor. Perguntas corretas:

Capacidade de execução: A instituição possui cultura e talento para implementar IA em escala, ou está fazendo projetos-piloto para relações públicas?

Arquitetura de dados: A infraestrutura de dados permite realmente treinar e deploy de modelos, ou está fragmentada em sistemas legados incompatíveis?

Clareza estratégica: O uso de IA está vinculado a vantagem competitiva defensável, ou é investimento defensivo para não perder posição?

Modelo de negócio: IA melhora margem operacional ou apenas impede erosão de margem?

Fintechs apresentam risco diferente. Crescimento frequentemente prioriza aquisição de clientes sobre rentabilidade, assumindo que escala eventualmente produzirá lucro. IA pode acelerar crescimento, mas não altera fundamentais econômicos: empréstimo mal precificado gera prejuízo independentemente de ter sido aprovado por humano ou algoritmo.

A tese de investimento mais robusta não é "banco que usa IA", mas "instituição financeira que captura valor de mudança estrutural habilitada por tecnologia". Distinção sutil, consequências enormes.

A Década que Vem

A transformação do setor financeiro por IA está em terceiro inning de jogo de nove innings. Infraestrutura foi construída, casos de uso básicos implementados, aprendizados iniciais absorvidos. O que vem agora é consolidação e maturação.

Bancos que sobreviverem não serão necessariamente os mais tecnológicos, mas os que melhor equilibrarem eficiência operacional, gestão de risco, experiência do cliente e captura de valor. IA é componente essencial dessa equação, mas apenas um componente.

O setor financeiro brasileiro está bem posicionado não porque adotou IA mais rápido, mas porque regulação pró-competição forçou incumbentes a inovarem e abriu espaço para novos entrantes. IA amplifica essas dinâmicas competitivas, não as cria.

Nos próximos cinco anos, diferenciais virão menos de quem possui IA mais sofisticada e mais de quem integra IA em processos que genuinamente criam valor para cliente e acionista. A promessa dos US$ 15,7 trilhões será parcialmente realizada — mas não uniformemente distribuída.