92% usam IA no mercado financeiro — por que ninguém sabe se funciona?
A inteligência artificial já é parte da rotina do mercado financeiro, mas a adoção em massa nem sempre vem acompanhada da capacidade de provar resultados. Uma pesquisa da Anbima em parceria com o Datafolha mostra que 92% das empresas do setor já usam alguma forma de IA e 67% declararam uso de IA generativa. Apesar disso, apenas 12% das instituições dizem ter infraestrutura de governança e controles madura — e é esse gap que impede a medição consistente do valor gerado pela tecnologia.
O que o estudo mostrou
O levantamento entrevistou 177 empresas e deixou claro um padrão: adoção ampla, com foco em aplicações táticas, e forte presença de projetos exploratórios. Entre os pontos principais:
- 92% das instituições já utilizam alguma forma de IA.
- 67% relataram uso de IA generativa.
- 69% fizeram projetos exploratórios — pilotos, provas de conceito e experimentações.
- Apenas 12% afirmaram ter governança e controles bem estruturados.
Esses números mostram que a tecnologia entrou nos processos, especialmente em backoffice e operações repetitivas, mas ainda falta maturidade para transformar iniciativas em métricas de negócio confiáveis.
Maturidade e governança: o principal gargalo
Maturidade em IA não é apenas colocar modelos em produção. É ter governança de dados, políticas de uso, monitoramento contínuo e processos que permitam auditar decisões automatizadas. Marcelo Billi, da Anbima, destaca que o mercado costuma começar pelo backoffice por causa do alto custo operacional dessas atividades — mas isso não elimina a necessidade de controles.
Sem governança, surgem riscos práticos: decisões opacas, vieses não detectados, dificuldade para explicar resultados e exposição regulatória. Elementos essenciais de governança incluem inventário de modelos, linhagem de dados (data lineage), controles de acesso, validação periódica e monitoramento de drift.
Casos práticos: Bradesco, Liqi e Nubank
O estudo e o debate com executivos trazem exemplos de caminhos adotados por diferentes instituições:
- Bradesco (Fernando Galdi): trata IA como prioridade e aplica governança específica por caso de uso. Para agentes que geram recomendações (como leitura de notícias para decisões de carteira), a exigência é de consistência e rastreabilidade: o sistema deve selecionar as mesmas fontes e produzir respostas reproduzíveis.
- Liqi (Daniel Coquieri): implementou um “agente cérebro” para unificar contexto entre áreas, aumentar produtividade e padronizar informações internas — uma solução orientada para centralização de dados e contexto.
- Nubank (Raíssa Moura): adota mentalidade “AI first” com foco em dados, talentos e responsabilidade. A IA é usada intensamente na prevenção de fraudes, com camadas de proteção que tentam identificar golpes antes que atinjam clientes, mas isso exige explicabilidade, controles e qualidade de dados.
Esses exemplos mostram que, embora o tamanho e recursos variem, a convergência está na necessidade de clareza sobre objetivos, dono do processo e infraestrutura de rastreabilidade para escalar com segurança.
IA generativa: ganhos e novos desafios
A presença da IA generativa em 67% das respostas mostra a velocidade de adoção de modelos que geram texto, código e sumários. Eles aceleram automações e tarefas de síntese, mas trazem riscos específicos: explicabilidade reduzida, possibilidade de alucinações (respostas plausíveis, porém incorretas) e maior atenção às fontes usadas pelo modelo.
Quando agentes automatizados tomam decisões ou produzem conteúdos que impactam processos financeiros, é preciso garantir consistência, logs que permitam auditoria e controles de acesso que evitem vazamentos ou uso indevido de dados sensíveis.
Como medir resultados: passos práticos
Medir o impacto da IA é viável, desde que haja método. Passos recomendados:
- Defina objetivos claros (ex.: redução de tempo de processamento, queda na taxa de fraude, economia operacional).
- Estabeleça uma linha de base (baseline) antes de implantar a solução para comparar os resultados.
- Escolha métricas relevantes: KPIs operacionais (tempo médio, redução de erros), métricas de modelo (precisão, recall, false positives) e métricas financeiras (ROI, redução de OPEX).
- Use experimentos controlados: A/B testing, rollouts progressivos ou janelas de validação ajudam a isolar o efeito da IA.
- Monitore em produção: acompanhe drift, variação de performance e mudanças nas entradas de dados; crie alertas e gatilhos de rollback.
- Documente tudo: versão do modelo, datasets usados, responsáveis técnicos e logs para auditoria.
- Considere custo total: inclua infraestrutura, compliance, retraining e governança ao calcular o valor líquido.
Com disciplina e governança, a desculpa de que “não dá para medir” deixa de ser válida — mensuração passa a ser rotina operacional.
Conclusão
A adoção de IA no mercado financeiro é real e acelerada, mas a transformação de pilotos em resultados mensuráveis depende de governança, métricas bem definidas e práticas operacionais robustas. Instituições que combinarem velocidade de inovação com controles e rastreabilidade conseguirão transformar experimentos em vantagem sustentável.
Quer acompanhar como estruturar projetos de IA que de fato geram impacto mensurável? Acompanhe o conteúdo da Descomplica para guias, análises e práticas que ajudam a levar projetos do piloto à produção com segurança e métricas claras.
Fonte:Fonte
Revisão editorial: Bruno Quintela - LinkedIn
