Estratégia de IA para bancos: um roadmap de três anos

Um piloto de IA que impressiona o conselho do banco e depois trava na revisão de risco de modelo é uma história conhecida. Uma boa estratégia de IA para bancos evita isso avançando em quatro etapas, dos dados governados até agentes fazendo trabalho real.

Na minha função na DXC trabalhei com bancos no Oriente Médio e na África. Ambição raramente é o problema deles.

O problema são os dados. Os registros de clientes, contas e transações ficam em um core bancário, em uma plataforma de cartões, em um CRM e em uma dúzia de planilhas. Cada um tem a sua própria ideia de quem é o cliente.

Este roadmap funciona com qualquer plataforma de core bancário, nuvem ou fornecedor de modelos que o seu regulador aceite. Ele cobre o varejo bancário, as PMEs e o corporate.

Três anos, quatro etapas

1. 01

   Agora: base de dados

   Dados de clientes, produtos e risco em uma plataforma governada, com uma linhagem que os reguladores conseguem rastrear.

2. 02

   Ano 1: inteligência governada

   Uma linguagem de negócio para clientes, contas e transações, governança de IA e os primeiros ganhos rápidos.

3. 03

   Ano 2: escalar agentes de IA

   Agentes de onboarding, crédito, fraude e AML, além de relacionamento com o cliente quase em tempo real.

4. 04

   Ano 3: IA incorporada em escala

   IA dentro das principais funções de negócio, com pessoas e agentes trabalhando juntos e cada decisão rastreável.

A base se paga com dados confiáveis e relatórios regulatórios mais limpos. O primeiro valor da IA aparece no primeiro ano, e os ganhos maiores chegam quando os agentes começam a fazer trabalho real, no segundo ano.

Os bancos já sabem por que os dados importam, porque os reguladores ensinaram. Os princípios do BCBS 239 sobre agregação de dados de risco pedem dados de risco precisos, completos e tempestivos, com responsáveis claros. Uma boa base para IA é essa mesma disciplina, estendida também aos dados de clientes e de produtos.

Este é o trabalho, na ordem em que eu o faria.

1. Reúna em uma única plataforma os dados do core bancário, de cartões, de pagamentos, de crédito, do CRM e dos canais digitais. Normalmente é um lakehouse, um repositório único para dados brutos e tratados, na nuvem ou no próprio país.
2. Acrescente um catálogo e a linhagem, para que cada número de um relatório regulatório e cada entrada de um modelo possa ser rastreado até o sistema de origem.
3. Dê às equipes de produtos, risco e finanças relatórios de autoatendimento baseados nos mesmos números de clientes e saldos.

A parte mais difícil é a visão única do cliente. Pense em uma mulher com uma conta corrente e um cartão de crédito no seu banco. Ela também é fiadora do empréstimo empresarial do irmão e diretora de um dos seus clientes corporativos.

Na maioria dos bancos, ela são quatro registros. O sistema central grafa o nome dela de um jeito, a plataforma de cartões de outro, e o cadastro corporativo tem o número do passaporte, mas não a data de nascimento. Um agente de IA verificando a exposição total dela deixaria a fiança completamente de fora.

A solução é tediosa. Defina regras de correspondência por número de documento, data de nascimento e endereço, depois monte um registro mestre único com um responsável do negócio nomeado. Faça isso uma vez na base e todos os modelos herdam o resultado.

Veja um segundo caso. O seu relatório de risco e o seu razão contábil mostram exposições diferentes para o mesmo cliente corporativo. A plataforma de cartões lança durante a madrugada, e o sistema de crédito ao meio-dia.

Com a linhagem implantada, um analista rastreia os dois números até a origem e vê a diferença de horário. Sem ela, alguém reconstrói o número em uma planilha antes de cada reunião do conselho.

1. 01Core bancárioContas, saldos e transações
2. 02Cartões e pagamentosGastos com cartão, transferências e salários
3. 03Crédito e CRMEmpréstimos, limites e histórico de contatos
4. 04Zona de entradaCópias brutas com linhagem desde o primeiro dia
5. 05Visão única do clienteUma pessoa, todos os papéis que ela ocupa
6. 06Relatórios e declaraçõesNúmeros de produtos, risco e regulatórios que batem entre si

Dados confiáveis que você consegue rastrear para o regulador

O núcleo do primeiro ano é uma camada semântica. É uma linguagem de negócio única, compartilhada por pessoas e agentes de IA, em que cliente, conta, produto, limite, exposição, transação e reclamação têm, cada um, uma definição.

Por que isso importa? Pergunte a três equipes quantos clientes ativos vocês têm.

O marketing conta quem abriu o aplicativo nos últimos 90 dias. Finanças conta quem tem saldo, e risco conta quem tem um produto ativo.

Um agente que responde a essa pergunta para o conselho precisa usar a definição do relatório do conselho. A camada semântica é onde você a registra uma única vez.

A governança de IA chega no mesmo ano, moldada em torno do seu regulador. Nos Emirados Árabes Unidos, isso significa as diretrizes conjuntas para instituições financeiras que adotam tecnologias habilitadoras. No Reino Unido, são os princípios de gestão de risco de modelo da PRA (SS1/23).

Na União Europeia, o AI Act trata as avaliações de capacidade de crédito de pessoas físicas como de alto risco. Meu conselho é manter um único registro de casos de uso de IA. Dê a cada um deles um responsável, uma classificação de risco, resultados de testes e uma etapa de revisão humana, e depois mapeie o registro a cada regra a que você responde.

Depois busque ganhos rápidos que funcionários e clientes percebam. Eu escolheria entre estes:

1. Um copiloto para funcionários, um assistente que responde a perguntas com base nas políticas, nas condições dos produtos e no histórico do cliente.
2. Resumos de reclamações que dão a quem trata o caso a história inteira em uma única tela.
3. Um consultor de gastos pessoal dentro do aplicativo que os clientes já usam.
4. Alertas de retenção que avisam o gerente de relacionamento quando um cliente parece prestes a sair.

Veja um copiloto para funcionários em uma central de atendimento. Uma cliente liga por causa de uma tarifa sobre um pagamento com cartão que ela fez no exterior. O copiloto encontra a cláusula da tarifa, verifica a categoria do cartão dela e mostra a resposta com a cláusula citada.

Devolver ou não a tarifa como cortesia continua sendo decisão do atendente, e acho que deve continuar assim.

O consultor de gastos trabalha com padrões que os clientes já vivem. Digamos que o salário caia no dia 25, o aluguel saia no dia 1 e as mensalidades escolares pesem todo mês de setembro. O consultor sugere guardar um pouco a cada mês para setembro.

Os alertas de retenção leem sinais mais discretos, como um salário que de repente deixa de cair no dia 25. O gerente de relacionamento fica sabendo naquela mesma semana, enquanto ainda há tempo para ligar.

1. 01O gerente de relacionamento perguntaQuais dos meus clientes parecem prestes a sair?
2. 02Camada semânticaDefinições do banco para cliente, produto e ativo
3. 03Dados governadosContas, transações e reclamações
4. 04O copiloto respondeCom o motivo e a origem de cada um
5. 05O gerente verificaLiga para o cliente ou descarta o alerta

A mesma resposta que o relatório do conselho daria

Valor para o negócioAltoMédioBaixo

• Consultor de gastos pessoal

• Alertas de retenção
• Triagem de alertas de AML

• Apoio à decisão de crédito

• Copiloto de políticas para funcionários
• Resumos de reclamações

BaixoMédioAltoRisco regulatório

• Baixo
• Moderado
• Crítico

O segundo ano passa dos assistentes aos agentes. Um assistente responde à pergunta de uma pessoa. Um agente executa uma parte do trabalho dentro de limites que você define e depois a entrega a uma pessoa.

No setor bancário, o volume e o valor estão em quatro lugares:

1. Onboarding e KYC, as verificações de conheça seu cliente que toda conta nova exige.
2. Crédito, da coleta de documentos à redação do parecer de crédito.
3. Fraude, em que o agente pontua transações de cartão e de pagamento quase em tempo real.
4. AML (prevenção à lavagem de dinheiro), em que os alertas se acumulam mais rápido do que os investigadores conseguem resolvê-los.

Pense no onboarding de uma PME. Uma trading envia a licença comercial, o contrato social e os passaportes dos sócios. Um dos sócios é uma empresa registrada em outro país.

O agente trabalha passo a passo:

1. Ele lê cada documento e extrai nomes, datas e números de registro.
2. Ele confere a licença com o registro de empresas e verifica cada nome em listas de sanções e de monitoramento.
3. Ele segue o sócio estrangeiro pela cadeia societária até encontrar o beneficiário final, a pessoa real que é dona do negócio.
4. Ele encontra uma correspondência parcial em uma lista de sanções para um diretor, com o mesmo nome e outra data de nascimento.
5. Ele prepara o dossiê com essa correspondência sinalizada e as evidências anexadas.

Uma analista de compliance examina o alerta e decide. O agente fez a coleta, e ela faz o julgamento.

O crédito funciona da mesma forma. Para uma PME que pede uma linha de capital de giro, o agente reúne extratos bancários, demonstrações auditadas e o relatório do birô de crédito. Ele organiza os números no formato padrão do banco (as equipes de crédito chamam isso de spreading) e redige o parecer de crédito.

Ele pode apontar que a maior parte das vendas vai para um único comprador. A decisão continua com o analista de crédito.

A fraude anda mais rápido. Alguém usa um cartão em uma loja no próprio país e, quarenta minutos depois, on-line em outro país. O agente retém o segundo pagamento, pede ao cliente que confirme no aplicativo e mostra a um analista por que agiu.

O AML é mais lento. Depósitos em dinheiro continuam caindo logo abaixo do limite de comunicação, em agências diferentes. O agente reúne o histórico e redige a narrativa do caso, e o investigador decide se comunica uma operação suspeita.

O mesmo ano traz o relacionamento quase em tempo real. O dono de uma pequena empresa vê uma previsão de fluxo de caixa uma semana antes do vencimento de um grande pagamento a fornecedor.

O modelo operacional também muda. Cada agente precisa de um responsável, de um limite claro do que pode fazer, de monitoramento e de um botão de desligar. As equipes de risco de modelo devem revisar os agentes com o mesmo cuidado que dedicam aos modelos.

1. 01AlertaO monitoramento de transações gera um alerta
2. 02ReunirContas, contrapartes, histórico e resultados de triagem
3. 03AvaliarPontua o alerta com base em casos anteriores
4. 04RedigirEscreve a narrativa do caso com as evidências
5. 05DecidirO investigador encerra ou escala
6. 06AprenderOs resultados ajustam a próxima triagem

O risco de modelo revisa o agente como um modelo

No terceiro ano, a IA está dentro do crédito de varejo, dos cartões, do atendimento a PMEs, da tesouraria, das operações e do risco. Pessoas e agentes trabalham lado a lado, e cada caminho de decisão tem um responsável nomeado e uma trilha de auditoria.

O compartilhamento de dados amplia o que os agentes conseguem ver. As APIs de open banking permitem que os clientes compartilhem, com consentimento, contas mantidas em outras instituições. O ISO 20022, o padrão mais recente para mensagens de pagamento, traz detalhes mais ricos sobre quem pagou a quem e por quê.

Pense em um cliente corporativo que recebe centenas de pagamentos por dia. Um agente associa cada um à fatura certa usando os detalhes de remessa do ISO 20022. Ele sinaliza o restante para a equipe de tesouraria do cliente.

O back-office também muda. No fechamento do mês, um agente concilia linha a linha as contas nostro do banco (as suas contas em outros bancos, em moedas estrangeiras). Um analista de operações trata apenas as diferenças que o agente não consegue explicar.

Os parceiros se conectam à mesma camada governada e usam as suas definições e os seus controles. Um concorrente não consegue copiar rapidamente três anos de infraestrutura.

1. Diretor de operaçõesResponde pelo portfólio de agentes e pelos seus resultados
   Risco de modelo e complianceValidação, monitoramento e um botão de desligar
2. Diretores de negócioRespondem pelos agentes da sua linha de negócio

• Agente de onboardingSob responsabilidade do diretor de onboarding
• Agente de créditoSob responsabilidade do diretor de crédito
• Agente de fraudeSob responsabilidade do diretor de prevenção a fraudes
• Agente de AMLSob responsabilidade do MLRO

1. 04Agentes e copilotos de IAAgentes de onboarding, crédito, fraude, AML e relacionamento, com pontos de aprovação humana
2. 03Camada de inteligência governadaModelo semântico de clientes, contas, produtos e transações, mais o registro de IA
3. 02Base de dadosLakehouse com linhagem, catálogo e qualidade de dados, no próprio país quando exigido
4. 01Sistemas centraisCore bancário, cartões, pagamentos, crédito, CRM e canais digitais

Quatro compromissos atravessam qualquer estratégia de IA para bancos.

1. Opções de IA no próprio país e soberanas. Muitos reguladores esperam que os dados dos clientes fiquem no país. Escolha plataformas e modelos que possam rodar ali, incluindo modelos abertos hospedados por você.
2. Uma arquitetura aberta e com várias plataformas. Os modelos mudam a cada poucos meses, então mantenha o banco livre para trocar de fornecedor de IA.
3. Governança alinhada ao seu regulador. Um registro de IA e um processo de risco de modelo, mapeados a cada regra a que você responde.
4. Pessoas que sabem trabalhar com agentes. Gerentes de relacionamento, analistas e investigadores precisam saber quando confiar em um agente e quando contrariá-lo.

Veja como é contrariar um agente. Um agente de AML classifica um alerta como de baixo risco porque os depósitos coincidem com o salário habitual do cliente. A investigadora sabe que o empregador fechou no mês passado, então reabre o caso.

O primeiro erro é começar com um chatbot voltado para o cliente. Sem uma camada semântica, ele dá respostas diferentes para a mesma pergunta.

Pergunte o limite do seu cartão duas vezes e você pode receber dois valores. Um veio da plataforma de cartões, o outro de uma cópia desatualizada do CRM.

Eu começaria a estratégia de IA do seu banco dentro do banco. Copilotos para funcionários e agentes de operações são lugares mais seguros para aprender, porque uma pessoa verifica cada resposta antes que um cliente a veja.

O segundo erro é construir IA fora da gestão de risco de modelo. Um piloto que pulou a validação não pode entrar em produção, então a equipe recomeça do zero. Traga risco e compliance desde o primeiro caso de uso, mesmo que pareça lento.

Como dá erradoO que funciona

1. 01Como dá errado: Um chatbot para clientes como primeiro projeto→O que funciona: Copilotos internos e agentes de operações primeiro
2. 02Como dá errado: Pilotos construídos fora da gestão de risco de modelo→O que funciona: Risco de modelo envolvido desde o primeiro caso de uso
3. 03Como dá errado: Cada modelo com a sua própria definição de cliente→O que funciona: Uma visão de cliente governada para todos os modelos
4. 04Como dá errado: Risco e compliance chamados no final→O que funciona: Risco, compliance e o negócio como donos em conjunto

Se você quer saber em que etapa o seu banco está hoje, agende uma conversa comigo. Traga a sua lista atual de casos de uso de IA e eu digo por onde eu começaria.

O que a estratégia de IA de um banco deve incluir?

Uma boa estratégia de IA para bancos precisa de uma base de dados governada, de uma camada semântica e de governança de IA alinhada ao seu regulador. Depois ela acrescenta agentes de onboarding, crédito, fraude e AML. Opções no próprio país, uma arquitetura aberta e o treinamento das equipes sustentam tudo isso.

Por onde um banco deve começar com IA?

Comece pela base de dados e pelos casos de uso internos. Copilotos para funcionários, resumos de reclamações e um consultor de gastos pessoal trazem valor com risco administrável. As decisões de crédito vêm depois, com os controles mais fortes e uma pessoa aprovando cada uma.

A IA para score de crédito é de alto risco segundo o EU AI Act?

Sim, o EU AI Act classifica como de alto risco os sistemas de IA que avaliam a capacidade de crédito de pessoas físicas ou definem o seu score de crédito. A detecção de fraude é uma exceção. Sistemas de alto risco exigem gestão de riscos, governança de dados, documentação, supervisão humana e monitoramento.

Qual a diferença entre agentes de IA e assistentes de IA no setor bancário?

Um assistente responde a perguntas para uma pessoa. Um agente executa ações dentro de limites que você define, como reunir documentos de KYC, fazer a triagem de alertas ou redigir um parecer de crédito. No setor bancário, os agentes devem preparar as decisões e uma pessoa deve aprová-las.

Os bancos podem usar IA e manter os dados no país?

Sim. Muitos provedores de nuvem oferecem regiões no próprio país, e modelos abertos podem rodar em servidores que o banco controla. Decida quais dados podem sair do país antes de escolher plataformas e modelos.