92% do mercado usa IA — por que quase ninguém sabe provar o ROI?
IA em uso, sem provas?
A primeira edição da pesquisa "Retrato da IA no Mercado de Capitais" (Anbima) traça um diagnóstico claro: a inteligência artificial já é onipresente no setor, com 92% das instituições declarando uso da tecnologia — mas a maioria não consegue medir se essa adoção traz retorno real. Esse é o conflito que vai guiar o próximo capítulo do mercado de capitais: da experimentação para a entrega de valor mensurável.
Adoção consolidada, maturidade ainda em construção
Os números falam por si. Embora 92% já utilizem IA, o índice de maturidade calculado pela Anbima em parceria com a MatchIT é de apenas 2,7 em uma escala de 1 a 5. Isso diz que a tecnologia saiu da fase de descoberta, mas faltam processos, padrões e governança para escalar iniciativas.
Contexto: maturidade em IA refere-se a um conjunto de capacidades organizacionais — dados confiáveis, modelagem robusta, testes, monitoramento, controles e integração com produtos. Uma pontuação média como 2,7 indica que muitas empresas têm pilotos e casos pontuais, mas poucos conseguem transformar isso em receita sustentável.
Além disso, 63% das instituições esperam que a IA ganhe ainda mais relevância nos próximos 12 meses. Ou seja: a pressão para evoluir virá rápido.
Pressão do topo: conselhos e investidores puxam a fila
A evolução da IA deixou de ser um tópico exclusivo do time de inovação. Relatórios internacionais (Spencer Stuart, Clearwater Analytics) mostram que conselhos e investidores colocaram supervisão e uso de IA entre prioridades estratégicas: a menção ao tema em comitês saltou de 75% para 92% em um ano em algumas amostras.
No Brasil, 91% das gestoras relatam aumento da exigência por parte dos investidores sobre o uso de IA. Quando conselho e investidor passam a cobrar resultados, a empresa precisa transformar prova de conceito em métricas que suportem decisões de alocação de capital — e reputação.
O ponto cego: mensuração frágil e subjetiva
Medir é o que separa aposta de investimento. A pesquisa mostra que 43% das instituições ainda avaliam IA de forma informal e subjetiva, e 15% não medem nada. Esse gap aparece também no Evident AI Index, que analisou grandes bancos latino-americanos: embora 70% publiquem casos de uso com resultados, nenhum declara um retorno consolidado de IA em nível corporativo.
O que falta em muitos lugares é um framework de métricas. ROI (retorno sobre investimento) aplicado à IA precisa ir além de um número genérico: envolve métricas de eficiência operacional (tempo poupado, custo evitado), métricas de receita (novos produtos, aumento de vendas) e métricas de risco/qualidade (redução de perdas, melhoria de precisão). Sem essas categorias claras, justificar escala vira exercício de fé.
Governança: de custo a alavanca de receita
Uma evidência forte vem da Deloitte: cada avanço de 10 pontos no índice de governança está ligado a cerca de 10 pontos percentuais a mais no crescimento de receita. Governança de IA significa políticas, auditoria de modelos, responsáveis claros, logs de decisão e controles que permitam explicar e replicar resultados.
No Brasil, apenas 13% das instituições atingem estágios mais avançados de maturidade. Ao mesmo tempo, 73% enxergam na IA a chance de criar novos produtos, mas só 17% dizem ter alcançado isso. A conclusão é simples: sem governança madura, a transformação fica emperrada.
Dados: a fundação invisível e crítica
Se há um ponto de falha recorrente, é a qualidade dos dados. A Clearwater aponta que 99% dos executivos consideram dados não confiáveis como o maior obstáculo para confiar nos resultados de IA. Entre as instituições que mais avançaram em produtividade, 86% avaliam a qualidade dos dados como boa ou excelente — nos outros grupos, esse percentual cai pela metade.
O problema dos dados tem várias frentes: fontes desconectadas, falta de catalogação, má governança de metadados, dados sujos (valores inconsistentes ou ausentes) e ausência de contratos de dados entre áreas. Sem resolver isso, modelos são voláteis e resultados não replicáveis.
Passos práticos para provar ROI em IA
- Mapear casos de uso com impacto financeiro claro: priorize problemas que afectem receita, custo ou risco. Ex.: automação de reconciliação, scoring de crédito, recomendações que aumentam ticket médio.
- Definir métricas por categoria: eficiência (tempo/custo salvo), receita incremental (vendas, novos clientes), qualidade (erro reduzido, false positives reduzidos) e risco (perdas evitadas).
- Estabelecer linha de base e experimentos controlados: A/B tests, períodos antes/depois e indicadores controlados permitem atribuir mudanças à IA.
- Fortalecer governança de modelos: criar cadastro de modelos, responsáveis, documentação de decisão, testes de viés e processo de aprovação.
- Construir estratégia de dados: catalogação, contratos de dados, pipelines confiáveis e métricas de qualidade (completeness, accuracy, freshness).
- Implementar monitoramento contínuo: acompanhar deriva de modelo, performance e impacto financeiro em produção.
- Comunicar resultados de forma executiva: dashboards com KPIs financeiros, estudos de caso replicáveis e playbooks para escala.
Conclusão
O diagnóstico está feito: 92% das instituições usam IA, mas poucas sabem provar o retorno — por falta de métricas, governança e dados confiáveis. A disputa pelos próximos anos será entre quem organiza a base (dados), monta controles (governança) e traduz resultados em valor (métricas). Quem fizer isso primeiro ganha vantagem competitiva e de capital.
Quer se aprofundar e entender como aplicar esses passos na prática? Acompanhe os conteúdos da Descomplica para líderes e profissionais — lá você encontra guias práticos, explicações e exemplos que ajudam a transformar experimentos de IA em resultados mensuráveis.
Fonte:Fonte
Revisão editorial: Bruno Quintela - LinkedIn
