Quando se trata de integrar IA aos negócios, o setor financeiro já está muito à frente da maioria dos outros segmentos. Bancos utilizam algoritmos e técnicas clássicas de machine learning há décadas para otimizar processos como detecção de fraudes e análise de crédito.
Mas isso não significa que o setor financeiro não tenha espaço para evoluir no campo da IA. Pelo contrário: ao aproveitar novas tecnologias de inteligência artificial, como a IA generativa, os bancos podem ampliar ainda mais o valor que a IA já gera nesse setor — que, segundo a McKinsey, pode aumentar as receitas totais em quase 5% por meio da contínua inovação em IA.
A seguir, exploramos como a próxima geração da transformação com IA no setor bancário tende a evoluir e o que as instituições financeiras precisam fazer para se preparar e aproveitar plenamente o potencial da IA moderna.
Como a IA vai transformar as finanças: quatro exemplos
A tecnologia moderna de IA está pronta para impactar as instituições financeiras em diversas áreas de operação, embora a inovação provavelmente aconteça em alguns contextos antes de outros.
1. Mais eficiência nas operações de back office
O back office — ou seja, a área administrativa de uma instituição financeira, em contraste com as áreas voltadas ao atendimento ao cliente — provavelmente será um dos primeiros espaços onde a nova geração de IA irá transformar as operações bancárias. Nesse contexto, a IA generativa pode automatizar tarefas repetitivas e demoradas, como a geração de relatórios de compliance ou a integração de sistemas de documentação após fusões e aquisições.
Provavelmente não veremos muitas manchetes sobre inovações baseadas em genAI em áreas como essas, já que são mudanças que os clientes dos bancos dificilmente perceberão. No entanto, do ponto de vista operacional, integrar a IA de forma mais profunda aos processos de back office pode gerar um impacto significativo na produtividade geral e no retorno sobre investimento. Isso vai permitir que os bancos lidem com desafios cada vez mais complexos, como acompanhar regulações que se tornam continuamente mais sofisticadas, sem precisar aumentar o número de funcionários ou os custos operacionais do back office.
2. Otimização de sistemas clássicos de IA no setor financeiro
Outra oportunidade inicial para aproveitar a IA moderna no setor financeiro está na otimização dos sistemas de IA que os bancos já utilizam — como aqueles responsáveis por detecção de fraude e análise de crédito.
Não estamos falando aqui de reconstruir esses sistemas do zero. Em vez disso, é provável que os bancos implementem mudanças como a incorporação de novos tipos de dados aos sistemas de IA tradicionais. Por exemplo, em vez de detectar fraudes apenas analisando anomalias em transações de pagamento, um banco poderia também analisar vídeo em streaming em tempo real de um ponto de venda para verificar se a pessoa tentando realizar a compra é realmente o titular da conta.
Atualizações como essas podem aumentar significativamente a precisão dos sistemas de IA tradicionais no setor financeiro, o que, por sua vez, melhora o retorno sobre investimento e reduz custos.
3. Experiências verdadeiramente personalizadas
O conceito de customização ou personalização sempre foi importante no setor financeiro. Tradicionalmente, porém, os esforços de personalização dos bancos foram limitados. Um banco pode oferecer, por exemplo, um cartão de crédito voltado para pessoas na faixa dos vinte anos ou para fãs de rock. No entanto, oferecer serviços e produtos bancários realmente personalizados para cada cliente individual nunca foi viável.
A tecnologia moderna de IA muda esse cenário ao permitir tanto a análise hiperindividualizada das preferências de cada cliente quanto a geração de conteúdo personalizado para produtos e serviços. Imagine, por exemplo, um site de banco cujo conteúdo seja gerado dinamicamente por um grande modelo de linguagem (LLM), exibindo oportunidades e ofertas relevantes para cada usuário específico.
Esse tipo de inovação ainda levará algum tempo para se consolidar. Atualmente, as ferramentas necessárias para casos de uso como a geração dinâmica de conteúdo de websites por modelos de IA ainda não estão totalmente maduras. Mas a viabilidade já existe — e provavelmente é apenas uma questão de tempo até que os desenvolvedores criem ferramentas mais robustas para isso.
4. Fontes de dados mais ricas e novas análises para trading algorítmico
Há anos investidores sofisticados utilizam fontes de dados como imagens de satélite para obter insights valiosos sobre onde investir. No entanto, grande parte da interpretação e reação a esses dados ainda depende de processos manuais.
Com a IA moderna, esses processos podem ser totalmente automatizados, permitindo que hedge funds e bancos de investimento levem o trading algorítmico a um novo patamar. Por exemplo, sistemas de IA poderiam monitorar operações de plantas industriais e executar automaticamente negociações com base nas informações coletadas.
Novamente, estratégias como essa exigem sistemas altamente sofisticados que, pelo menos publicamente, ainda não foram totalmente construídos. Mas a tecnologia de IA necessária para desenvolvê-los já existe.
Preparando o caminho para a inovação em dados e IA
Embora os bancos possam, em teoria, começar a desenvolver hoje mesmo os tipos de soluções de IA descritos acima, é improvável que avancem muito sem antes enfrentar alguns desafios fundamentais.
Um deles é a necessidade de uma base de dados sólida. Sem grandes volumes de dados de qualidade, torna-se impossível criar sistemas de IA capazes de lidar com casos de uso complexos do setor financeiro. Esse desafio é ainda maior na indústria bancária, onde os dados costumam estar altamente fragmentados entre diferentes sistemas — como os mainframes que ainda sustentam alguns serviços bancários há décadas e plataformas mais modernas, como sistemas de CRM ou ferramentas de vendas adotadas mais recentemente.
Os bancos também precisarão avaliar e enfrentar os desafios de segurança associados às tecnologias modernas de IA. Embora a IA possa ajudar a automatizar processos de segurança no setor financeiro, falhas nesses sistemas podem criar novos riscos. Imagine, por exemplo, que agentes maliciosos encontrem uma forma de contaminar o LLM que um banco utiliza para atender clientes cujas contas foram bloqueadas por suspeita de fraude. Esses atacantes poderiam potencialmente manipular o modelo para reabrir contas bloqueadas, anulando os mecanismos de proteção contra fraude.
Outro desafio específico que surge com a adoção da IA generativa é a possível falta de transparência na forma como decisões são tomadas. Isso pode ser especialmente problemático para bancos, que muitas vezes precisam cumprir exigências regulatórias que demandam explicações para decisões como o encerramento de contas ou a recusa de pedidos de empréstimo. Se essas decisões forem tomadas por serviços de IA que funcionam como uma “caixa-preta”, os bancos podem não ter os dados necessários para justificar suas decisões.
O que os bancos precisam fazer agora para vencer com IA
A IA pode não ser novidade no setor financeiro, mas as novas gerações de tecnologia de IA abriram um conjunto enorme de oportunidades para otimizar serviços e operações bancárias. No entanto, viabilizar essas inovações exige mais do que apenas acesso às tecnologias modernas de IA. Os bancos também precisam de soluções robustas de dados, segurança e transparência capazes de enfrentar os desafios específicos da próxima geração de IA. As instituições financeiras mais preparadas vão começar sua jornada de transformação com IA avaliando suas capacidades nessas áreas e, a partir disso, definindo quais inovações estão realmente prontas para implementar com essa tecnologia.
