Inteligência Artificial no Setor Financeiro

1) Quando tudo é decisão: o novo relevo das finanças

O setor financeiro opera numa geografia particular: fluxos contínuos, margens comprimidas, decisões irreversíveis e um regime regulatório que não “acompanha” o negócio — ele o constitui. O que parece rotina (um pagamento, uma aprovação de crédito, um atendimento) é, por trás, uma sequência de escolhas com impacto econômico e jurídico.

A digitalização ampliou a escala e reduziu o tempo disponível para decidir. Pagamentos instantâneos, canais móveis, integrações entre instituições e cadeias de serviço mais longas criam um sistema em que pequenas fricções viram custo e pequenas falhas viram risco. No Brasil, o Pix tornou essa condição explícita: em outubro de 2025, o sistema registrou mais de 7 bilhões de transações e movimentou mais de R$ 3 trilhões no mês.^[1]

Nesse contexto, Inteligência Artificial não é “inovação lateral”. É uma forma de reduzir incerteza e aumentar precisão onde humanos e regras fixas deixam lacunas: detectar padrões sutis, antecipar eventos, priorizar trabalho, calibrar políticas e transformar sinais dispersos em decisões consistentes — com rastreabilidade.

2) O que “IA no setor financeiro” significa na prática

• Percepção (detectar sinais em dados) Identifica padrões e anomalias em transações, comportamento de navegação, logs de segurança e eventos de conta. Importa porque parte relevante do risco e da fraude se manifesta como “desvio sutil”, não como violação óbvia.

• Previsão (estimar o que tende a acontecer) Modela probabilidade de inadimplência, propensão a churn, risco de chargeback, demanda de liquidez ou deterioração de carteiras. No financeiro, previsão é menos “futurologia” e mais quantificação de incerteza para definir limites e preços.

• Decisão (recomendar ações sob restrições) Apoia decisões como aprovar/reprovar crédito, definir limites, encaminhar um caso para análise manual, acionar uma etapa adicional de autenticação ou ajustar uma política de cobrança. O valor vem de decisões melhores e mais consistentes, com critérios que podem ser auditados.

• Linguagem (entender e produzir texto com rigor operacional) Extrai informação de documentos, conversa com clientes, resume ocorrências e padroniza relatórios internos. No setor financeiro, linguagem é parte do “sistema nervoso” operacional: políticas, procedimentos, evidências, contratos, comunicações.

• Automação (executar trabalho repetitivo com supervisão) Reduz tarefas manuais em backoffice, compliance, atendimento, conciliações e tratativas. A automação relevante não é a que “substitui pessoas”, mas a que diminui filas, erros e retrabalho — mantendo controles.

• Otimização (alocar recursos e ajustar parâmetros) Ajusta alocação de capital, limites, roteamento de pagamentos, escalas de atendimento, priorização de investigações e uso de canais. Importa porque o custo operacional é sensível a pequenas melhorias, especialmente em alta escala.

3) Por que agora

• Escala e instantaneidade viraram padrão Pagamentos em tempo real elevam a exigência de decisão em milissegundos e de controles adaptativos. O próprio Pix já registra recordes diários acima de 313 milhões de transações em um único dia (05/12/2025).^[2]

• Dados mais conectados, por desenho regulatório Open Finance amplia portabilidade e integrações, o que aumenta oportunidade e também complexidade de governança. Em janeiro de 2025, o ecossistema somava 62 milhões de consentimentos (a partir de 43 milhões em janeiro de 2024).^[3]

• Maturidade técnica: modelos melhores, ferramentas mais seguras Houve avanço na robustez de modelos para detecção de fraude, crédito e linguagem, além de melhorias práticas em monitoramento, versionamento e auditoria de modelos em produção.

• Pressão por eficiência com controle Custos de operação e de conformidade crescem em complexidade; ao mesmo tempo, o padrão de experiência do cliente é cada vez menos tolerante a fricção. IA tende a ser adotada quando consegue reduzir custo e manter rastreabilidade.

• Regulação global começa a tratar IA como infraestrutura crítica O cronograma do AI Act europeu, por exemplo, dá forma concreta ao que “governança de IA” passa a significar, incluindo marcos de aplicabilidade e obrigações graduais.^[4] Mesmo fora da UE, isso influencia práticas de mercado, fornecedores e expectativas de auditoria.

4) Mapa de casos de uso

4.1 Prevenção a fraudes e golpes (pagamentos, cartões, contas)

Objetivo Reduzir perdas e fricção equilibrando segurança e conversão.

Exemplos práticos

• Detecção de anomalias em transações com sinais de dispositivo, geografia, tempo e padrão de uso.
• Pontuação de risco em tempo real para acionar autenticação adicional quando necessário.
• Identificação de contas “laranjas” e redes de fraude por relações entre entidades.
• Priorização de filas de investigação (casos mais prováveis/mais impactantes primeiro).
• Modelos específicos por produto (Pix, cartões, boletos) e por perfil (PF/PJ).
• Aprendizado contínuo com feedback de chargebacks, contestações e investigações concluídas.

Padrão de valor Em geral, há redução de perdas e do custo de investigação, além de melhora de experiência quando o controle se torna seletivo (menos bloqueios indevidos).

4.2 Crédito: concessão, limite e precificação

Objetivo Aprovar melhor, com menos risco e mais consistência, usando sinais além do cadastro tradicional.

Exemplos práticos

• Modelos de risco de inadimplência e de perda esperada por produto (rotativo, consignado, PJ).
• Ajuste dinâmico de limites com base em renda inferida, sazonalidade e comportamento.
• Detecção de inconsistências e fraude documental em onboarding e comprovação.
• Recomendação de melhores “caminhos” de oferta (produto, prazo, garantia) por perfil.
• Early warning: sinais de deterioração (atrasos, queda de entrada, mudanças de padrão).
• Estratégias de “revisão humana assistida” para casos limítrofes.

Padrão de valor Tende a elevar qualidade da carteira e margem ajustada a risco, reduzindo decisões erráticas e melhorando o uso de capital.

4.3 Cobrança e recuperação (comportamento, timing e canal)

Objetivo Aumentar taxa de recuperação com menor custo e menor desgaste relacional.

Exemplos práticos

• Segmentação por probabilidade de pagamento e risco de reincidência.
• Escolha de canal e horário mais efetivos (sem intensificar assédio).
• Recomendações de renegociação (parcelas, entrada, desconto) com base em elasticidade.
• Priorização de carteiras e roteamento para operadores especializados.
• Detecção de clientes em transição (problema temporário vs. incapacidade estrutural).
• Monitoramento de impacto reputacional (NPS/reclamações) por estratégia.

Padrão de valor Em geral, reduz custo por recuperado e melhora estabilidade de caixa, com menor atrito quando se usa personalização responsável.

4.4 Compliance e prevenção à lavagem de dinheiro (PLD/FT)

Objetivo Elevar a precisão de alertas e fortalecer trilhas de auditoria, reduzindo ruído operacional.

Exemplos práticos

• Priorização de alertas por risco e por impacto potencial.
• Agrupamento de eventos relacionados para “casos” investigáveis (em vez de alertas soltos).
• Detecção de padrões de fracionamento, circularidade e uso de intermediários.
• Extração de informação de documentos e evidências para dossiês internos.
• Apoio ao analista com explicações operacionais: “o que mudou” e “por que está sinalizando”.
• Controle de qualidade em decisões: consistência entre analistas, unidades e períodos.

Padrão de valor O ganho costuma vir de menos falso positivo, investigação mais rápida e documentação mais consistente.

4.5 Atendimento e operações: do contato ao backoffice

Objetivo Aumentar resolução no primeiro contato, reduzir tempo de atendimento e padronizar procedimentos.

Exemplos práticos

• Classificação e roteamento automático de demandas (motivo, urgência, risco).
• Assistência ao atendente com base em procedimentos internos e histórico do cliente.
• Resumo de conversas e geração de registro padronizado para auditoria.
• Monitoramento de qualidade: aderência a scripts críticos e identificação de falhas recorrentes.
• Automação de tarefas de pós-atendimento (abertura de caso, coleta de evidências, follow-ups).
• Detecção precoce de crise (picos de incidentes, falhas sistêmicas, campanhas de golpe).

Padrão de valor Em geral, reduz custo por contato e melhora consistência — especialmente quando integrado a sistemas de caso e conhecimento.

4.6 Tesouraria, liquidez e risco de mercado (sinais e cenários)

Objetivo Apoiar decisões sob volatilidade, com modelos que sintetizam sinais e explicam condições.

Exemplos práticos

• Previsão de fluxos de caixa por canal e produto (sazonalidade, eventos, campanhas).
• Detecção de desvios em posições e conciliações (erros operacionais vs. movimento real).
• Modelos para estresse e cenários com variáveis macro e sensibilidade de carteiras.
• Otimização de alocação de liquidez por restrições (custos, limites, prazos).
• Alertas de risco intradiário com regras + modelos (melhor cobertura).
• Monitoramento de “mudança de regime” (volatilidade e correlações alteradas).

Padrão de valor Tende a melhorar estabilidade e custo de funding, reduzindo surpresas e trabalho reativo.

4.7 Investimentos e gestão patrimonial (pesquisa, adequação e comunicação)

Objetivo Melhorar adequação ao perfil e eficiência do aconselhamento, sem sacrificar conformidade.

Exemplos práticos

• Assistência à pesquisa: sumarização de relatórios e extração de teses por ativo.
• Recomendação de carteiras sob restrições (perfil, liquidez, concentração, produtos elegíveis).
• Detecção de desenquadramento e sugestões de rebalanceamento.
• Geração de explicações claras e rastreáveis para o cliente (por que essa alocação).
• Monitoramento de risco comportamental (ex.: reação a volatilidade).
• Revisão de comunicações para consistência com políticas e linguagem adequada.

Padrão de valor Costuma aumentar produtividade do assessor e clareza para o cliente, com melhor controle documental.

4.8 Cibersegurança e abuso de conta (fraude “híbrida”)

Objetivo Reduzir tomada de conta, engenharia social e exploração de vulnerabilidades humanas.

Exemplos práticos

• Detecção de padrões anormais de acesso (dispositivo, localização, sequência de ações).
• Pontuação de risco de sessão e bloqueios graduais.
• Identificação de campanhas (mesmo golpe, múltiplas vítimas) por sinais de comunicação.
• Classificação de incidentes e priorização de resposta.
• Correlação entre eventos de segurança e eventos transacionais.
• Monitoramento de eficácia: onde controles falham e por quê.

Padrão de valor Em geral, reduz perdas e interrupções, e melhora tempo de resposta quando há visão unificada de eventos.

5) GenAI / modelos generativos

Modelos generativos são especialmente úteis quando o ativo principal está em texto: políticas internas, procedimentos, manuais, contratos, registros de atendimento, relatórios de risco, justificativas e evidências. Nesses casos, o ganho costuma ser de produtividade e padronização — não de “insights mágicos”.

Onde tendem a ajudar:

• Base de conhecimento viva: responder com base em normas internas e versões válidas.
• Trabalho documental: extrair campos, comparar versões, apontar lacunas em dossiês.
• Relatórios e narrativas operacionais: transformar eventos em sínteses auditáveis.
• Suporte ao analista: explicar alertas, sugerir próximos passos, gerar checklists.
• Desenvolvimento e dados: gerar consultas, documentação técnica e testes (com revisão).

Limites e cuidados:

• Rastreabilidade: respostas precisam apontar a fonte; sem isso, vira opinião não auditável.
• Confiabilidade: modelos podem “preencher” lacunas; em finanças, isso é risco operacional.
• Privacidade e sigilo: dados sensíveis exigem controles de acesso, mascaramento e registro.
• Integração com dados estruturados: texto sozinho não substitui sistemas de verdade (saldos, limites, transações). O desenho correto combina documentos com dados oficiais do core.

6) Dados, integração e governança

O chão da IA no financeiro é menos “treinar modelo” e mais construir um caminho confiável entre dado → decisão → registro.

Tipos de dados típicos:

• Transacionais (pagamentos, cartões, transferências, liquidações).
• Cadastro e relacionamento (KYC, renda declarada/inferida, histórico de produtos).
• Canais (app, web, call center, chat): cliques, eventos, tempos, abandono.
• Risco e cobrança (atrasos, renegociações, garantias, recuperações).
• Segurança (logs de autenticação, dispositivo, rede, tentativas e falhas).
• Documentos (comprovantes, contratos, comunicações, anexos).
• Dados externos (bureaus, mercado, Open Finance quando aplicável e consentido).

Onde costuma quebrar:

• Qualidade e definição: o mesmo campo com significados diferentes entre áreas.
• Linhas de tempo: eventos fora de ordem e janelas inconsistentes (essencial para fraude).
• Rotulagem: “verdade” tardia (fraude confirmada semanas depois) e ruído de processo.
• Integração com o core: decisões que não chegam ao sistema operacional, ou chegam sem contexto.
• Acesso e segurança: permissões amplas demais ou controles que inviabilizam o uso legítimo.

Governança necessária:

• Catálogo e linhagem de dados; controles de acesso; registro de uso; políticas de retenção.
• Monitoramento contínuo de desempenho e de deriva (mudança de comportamento do sistema).
• Gestão de modelos: versões, testes, evidências, aprovações e auditoria (inclusive para terceiros).
• Conformidade com LGPD: finalidade, minimização, transparência e segurança.

7) Métricas e prova de valor

Uma avaliação madura separa três níveis.

• Nível do modelo (qualidade estatística) Exemplos: precisão e revocação (fraude), AUC/KS (crédito), taxa de falso positivo, calibração (probabilidades coerentes), estabilidade por segmento.

• Nível da decisão/processo (impacto operacional) Exemplos: redução de revisões manuais, tempo médio de investigação, tempo de aprovação, taxa de escalonamento, taxa de bloqueio indevido, eficiência por analista.

• Nível de negócio (resultado econômico e risco) Exemplos: perdas evitadas, melhoria de margem ajustada a risco, variação de inadimplência, custo por atendimento, redução de chargeback, impacto em churn, melhoria de conversão com controle seletivo.

Prova de valor raramente é “um número único”. Em geral, é um conjunto coerente de ganhos com evidência de estabilidade e de risco controlado.

8) Riscos e armadilhas

• Vazamento de informação (dados do futuro no treino) — controles rigorosos de tempo e validação por janelas.
• Viés por segmento e desigualdade de erro — métricas por subpopulação e ajustes de política/limiar com governança.
• Deriva de comportamento (drift) — monitoramento, re-treino com critérios e gatilhos definidos.
• Falso senso de segurança com modelos “bons” — testes adversariais e simulações de fraude.
• Explicações fracas em contextos auditáveis — modelos e camadas explicativas orientadas a decisão, com trilhas.
• Dependência de fornecedor — arquitetura modular, portabilidade de dados e contratos com cláusulas claras.
• Latência e indisponibilidade — desenho para degradação controlada, cache e fallback por regras.
• Adoção sem processo — incorporar IA ao fluxo real (quem decide, quando, com qual responsabilidade).

9) O que a TESE pode entregar

Podemos atuar como parceiro técnico de ponta a ponta, com foco em execução consistente e governável:

• Diagnóstico orientado a valor

  Mapeamos fricções, perdas e decisões críticas; priorizamos casos com caminho claro de dados e integração; definimos métricas desde o início.

• Desenho de arquitetura e dados

  Projetamos fluxos de dados, camadas de serviço, controles de acesso e trilhas de auditoria; ajudamos a organizar eventos e definições para reduzir ambiguidade.

• Desenvolvimento de modelos e produto

  Construímos e/ou integramos modelos (fraude, crédito, priorização, linguagem) e os integramos ao processo: interface, explicações, registro de decisão, filas e rotinas.

• Implantação e operação

  Implementamos versionamento, testes, monitoramento e rotinas de melhoria; tratamos latência, fallback, observabilidade e governança de mudanças.

• Governança e segurança

  Estruturamos documentação, evidências e controles para auditoria; alinhamos uso de dados a finalidade e segurança, incluindo requisitos de privacidade.

• Trabalho junto ao time do cliente

  Operamos com colaboração próxima: pareamento técnico, transferência de conhecimento e decisões arquiteturais compartilhadas — sem depender de “caixa-preta”.

10) A engenharia do risco bem-comportado

A promessa realista da IA no setor financeiro não é eliminar risco — é torná-lo melhor mensurado, melhor controlado e menos dependente de improviso. Em um sistema que decide o tempo todo, qualidade é repetibilidade: a capacidade de tomar boas decisões sob pressão, com evidência e correção de rumo.

O Brasil já vive uma infraestrutura de finanças em tempo real em escala massiva, e isso eleva o nível de exigência sobre controles, experiência e eficiência.^[1] Ao mesmo tempo, ecossistemas de compartilhamento consentido crescem e ampliam o repertório de sinais — e também de responsabilidades.^[3]

Quem transforma dado em execução consistente — com integração, governança e métricas — tende a capturar o que a IA oferece de melhor: precisão onde havia ruído, velocidade onde havia fila, e controle onde havia intuição.

Referências

1. Banco Central do Brasil — Pix em números (estatísticas). Indicadores oficiais do Pix, incluindo transações e volume financeiro (ex.: outubro/2025).
2. Banco Central do Brasil — Pix. Página institucional com informações e estatísticas, incluindo recorde diário de transações (05/12/2025).
3. FEBRABAN — Em 4 anos de Open Finance no Brasil, consentimentos chegam a 62 milhões (10 fev. 2025). Números sobre evolução de consentimentos e volume de comunicações no ecossistema.
4. European Commission — AI Act | Shaping Europe’s digital future. Linha do tempo de aplicabilidade do AI Act (entrada em vigor em 1 ago. 2024; marcos de obrigações em 2025–2027).