IA em 92% das instituições financeiras

O dado da Anbima de que 92% das instituições financeiras usam inteligência artificial mostra que a tecnologia já entrou na rotina de bancos, fintechs, gestoras, seguradoras e áreas financeiras de empresas. Atualizado em agosto/2026, este radar separa experimentação, uso operacional e aplicações críticas, nas quais uma decisão automatizada pode afetar crédito, investimentos, atendimento ou prevenção a fraudes.

A presença da IA, porém, não revela sozinha o grau de maturidade de cada organização. Uma instituição pode testar um assistente para resumir documentos, enquanto outra usa modelos para classificar risco de crédito ou monitorar transações. Os controles necessários mudam conforme o impacto da decisão, a sensibilidade dos dados e a possibilidade de revisão humana.

O que significa usar IA no setor financeiro

Usar inteligência artificial pode significar desde um experimento controlado até uma decisão integrada ao processo de crédito, investimentos, atendimento, fraude ou compliance. O dado de 92% da Anbima precisa ser lido com essa distinção.

Na camada experimental, equipes avaliam ferramentas de linguagem, análise de documentos e automação de tarefas. O modelo pode operar em ambiente restrito, sem alterar cadastros, limites ou decisões. O objetivo é entender qualidade, custo, segurança e adequação ao negócio antes de ampliar o uso.

Na camada operacional, a IA passa a apoiar rotinas recorrentes. Ela pode organizar informações, sugerir respostas, identificar inconsistências em documentos e priorizar casos para análise. O profissional continua responsável pelo resultado, mas trabalha com uma triagem mais rápida.

Na camada crítica, o modelo influencia decisões com efeito econômico direto. Exemplos incluem análise de crédito, seleção de alertas de prevenção a fraudes, classificação de risco, atendimento sobre produtos financeiros e apoio à gestão de carteiras. Nesse estágio, a governança precisa documentar finalidade, dados, métricas, limites e procedimentos de contestação.

Da demonstração ao processo controlado

O salto entre uma demonstração tecnológica e uma aplicação crítica costuma ocorrer quando a ferramenta recebe dados reais ou passa a influenciar uma decisão. O banco precisa então controlar acesso, registrar versões, medir erros e estabelecer quem pode interromper o fluxo.

Uma fintech pode começar com a leitura automatizada de documentos. Depois, pode usar o resultado para encaminhar uma proposta de crédito. A segunda etapa exige controles mais rigorosos, porque um erro de classificação pode excluir um cliente, elevar o custo de análise ou criar tratamento desigual.

Em gestoras, uma ferramenta pode resumir relatórios públicos sem executar ordens. Quando passa a sugerir alocação ou alterar o processo de investimento, entram requisitos adicionais de supervisão, registro da justificativa e verificação de conflitos. Seguradoras enfrentam questões semelhantes na subscrição, no atendimento de sinistros e na detecção de inconsistências.

Onde a inteligência artificial gera ganhos e riscos

A IA pode reduzir trabalho repetitivo e acelerar análises, mas o benefício depende da qualidade dos dados, do desenho do processo e da capacidade de supervisionar o modelo.

Produtividade é o ganho mais visível. Uma equipe pode gastar menos tempo em tarefas manuais e concentrar esforço em exceções. Esse resultado não deve ser medido apenas pela velocidade. A organização também precisa acompanhar retrabalho, reclamações, qualidade das decisões e ocorrências de segurança.

Custos podem migrar em vez de desaparecer. A contratação de uma ferramenta reduz uma atividade, mas cria despesas com integração, armazenamento, monitoramento, treinamento e auditoria. O diretor financeiro deve avaliar o custo total do processo, incluindo o impacto de uma falha.

Na nossa mesa de câmbio, uma ferramenta que resume documentos de um exportador pode acelerar a preparação de uma operação de financiamento. Ainda assim, nossos clientes exportadores precisam de validação humana para conferir prazo contratual, moeda, garantias e compatibilidade com a operação. O resumo ajuda o especialista, mas não substitui a leitura do documento original.

Governança de IA protege crédito, dados e reputação

Governança de IA define quem responde pelo modelo, quais dados entram no sistema e como a instituição corrige uma decisão inadequada. Sem esse desenho, a automação pode ampliar um erro em vez de reduzir o trabalho.

Risco de modelo e explicabilidade

Todo modelo pode apresentar erro. O risco cresce quando a organização não sabe quais variáveis influenciaram uma saída ou quando o comportamento muda após atualização dos dados. Em crédito, a instituição precisa avaliar estabilidade, qualidade cadastral e tratamento de casos fora do padrão.

Explicabilidade não exige que todo usuário conheça o código. Exige que a instituição consiga oferecer uma justificativa compreensível, reconstruir o caminho da decisão e identificar a pessoa responsável pela revisão. Uma explicação genérica não basta quando o cliente contesta uma negativa ou quando o regulador solicita evidências.

Privacidade e cibersegurança

Dados financeiros, cadastrais e comportamentais exigem proteção compatível com sua sensibilidade. Antes de enviar informações a uma ferramenta externa, a empresa deve verificar finalidade, retenção, localização, controle de acesso e possibilidade de reutilização para treinamento.

A cibersegurança também envolve ataques ao próprio modelo. Um usuário pode tentar extrair informações, induzir respostas inadequadas ou manipular documentos usados na análise. Controles de identidade, segregação de ambientes, registros de acesso e testes de segurança precisam acompanhar o ciclo de vida da solução.

Supervisão humana e responsabilidade

Supervisão humana não significa aprovar tudo de forma automática. O profissional deve ter tempo, informação e autoridade para questionar o resultado. Se a organização mede apenas a quantidade de decisões processadas, pode criar pressão para aceitar sugestões sem análise suficiente.

Em aplicações críticas, a política interna deve definir quando o modelo pode recomendar, quando pode bloquear uma operação e quando deve apenas organizar informações. Também deve prever a suspensão do sistema, a revisão de decisões anteriores e a comunicação com clientes afetados.

Observacao GX: uma regra prática é elevar o nível de controle sempre que a saída da IA mudar o acesso do cliente a crédito, seguro, investimento ou atendimento. Se a resposta apenas organiza informação interna, o foco inicial pode ser segurança e qualidade. Se ela altera uma decisão econômica, entram explicabilidade, revisão humana, trilha de auditoria e teste de impacto.

Marco da economia digital ainda exige leitura regulatória

O projeto de marco da economia digital no Brasil deve ser tratado como proposta legislativa em discussão, não como lei vigente. Seu avanço pode influenciar deveres relacionados a dados, sistemas automatizados, transparência, responsabilidade e inovação, mas o texto aplicável dependerá da tramitação e da redação final.

Instituições financeiras precisam acompanhar esse debate junto às regras já aplicáveis ao setor. O Banco Central do Brasil, a Comissão de Valores Mobiliários e a Autoridade Nacional de Proteção de Dados formam referências relevantes para temas de supervisão, mercado de capitais, privacidade e segurança. A legislação de proteção de dados continua sendo uma base para avaliar finalidade, necessidade, acesso e tratamento de informações pessoais.

A discussão também dialoga com padrões internacionais. O BIS trata de riscos tecnológicos e de governança no sistema financeiro, enquanto organismos multilaterais analisam impactos sobre produtividade, concorrência e estabilidade. A comparação ajuda, mas cada instituição deve traduzir princípios em controles compatíveis com seus produtos e sua exposição.

Fontes institucionais úteis incluem o portal da Anbima, as orientações do Banco Central do Brasil e as informações da CVM sobre mercado de capitais. Para o debate legislativo, a organização deve consultar a tramitação oficial e evitar tratar proposta como norma consolidada.

Etapas para implantar IA com responsabilidade

Uma implantação responsável começa pelo problema de negócio, não pela ferramenta. A instituição deve provar que a solução atende a uma finalidade legítima e que os controles acompanharão o risco da decisão.

1. Definir a finalidade: descreva o processo, o usuário, o resultado esperado e o que o modelo não poderá fazer.
2. Classificar o impacto: separe tarefas administrativas de decisões que afetam crédito, investimentos, seguros, fraude ou direitos do cliente.
3. Mapear os dados: identifique origem, qualidade, sensibilidade, permissões de uso, retenção e responsáveis.
4. Testar antes de escalar: compare resultados com referências internas, avalie erros e simule situações fora do padrão.
5. Estabelecer supervisão: defina aprovação, contestação, escalonamento, suspensão e revisão periódica.
6. Monitorar continuamente: acompanhe desempenho, vieses, incidentes, alterações de dados, custos e reclamações.
7. Documentar e auditar: mantenha registros da versão, das entradas relevantes, da decisão e das intervenções humanas.

Esse quadro pode ser aplicado por bancos, fintechs, gestoras, seguradoras e departamentos financeiros de empresas. A intensidade de cada etapa deve refletir o impacto da aplicação, a exposição regulatória e a sensibilidade das informações utilizadas.

O próximo passo é medir maturidade, não apenas adoção

O dado de 92% indica ampla adoção declarada, mas não substitui uma avaliação de maturidade. O conselho deve perguntar quantos casos estão em teste, quantos chegaram à operação e quais influenciam decisões críticas. Também precisa saber quem responde por incidentes e qual área pode interromper um modelo.

Para bancos e fintechs, a prioridade tende a ser integrar eficiência com controles de crédito, fraude e atendimento. Gestoras devem preservar a responsabilidade profissional nas análises e decisões de investimento. Seguradoras precisam examinar impactos sobre subscrição e sinistros. Empresas não financeiras devem controlar fornecedores, dados compartilhados e acessos do departamento financeiro.

A inteligência artificial pode melhorar processos financeiros quando a instituição conhece seus limites. A vantagem estratégica vem da combinação entre ferramenta adequada, dados confiáveis e governança verificável.

Leia os próximos conteúdos da GX Capital sobre tecnologia financeira, gestão de riscos, crédito estruturado e operações de câmbio. Este conteudo e informativo e nao constitui recomendacao de investimento ou solicitacao de servico.

Autoria: Equipe GX Capital, boutique financeira em Porto Alegre/RS, 15+ anos em cambio, credito estruturado, trade finance e wealth management.