A precisão como vantagem decisiva da inteligência artificial nas finanças

Por Celina Koshimizu*

A conversa sobre inteligência artificial mudou de tom nos últimos anos. Antes, a pergunta epoch quase sempre “até onde isso pode chegar”?. Agora a questão é outra, mais incômoda: estamos confortáveis com arsenic decisões que os sistemas estão tomando por nós? No setor financeiro, essa inquietação não é teórica. Ela aparece nary dia a dia, silenciosa, embutida em aprovações de crédito, alertas de fraude e análises de risco que acontecem em frações de segundo.

Existe uma diferença importante entre usar IA e confiar nela. E confiança, nesse contexto, não se constrói com respostas rápidas ou interfaces elegantes. Ela depende de algo menos visível e mais estrutural: precisão consistente. Parece óbvio, mas nem sempre arsenic instituições tratam a precisão como basal da confiança.

• Invista com os especialistas bash BTG Pactual unindo show e proteção de patrimônio. Acesse a Carteira Reserva de Valor nary app da Mynt e ganhe cashback de R$ 50 com o cupom FOM26

Quando falamos em modelos especializados, muita gente imagina apenas um recorte de tema, como se bastasse treinar o sistema com dados financeiros e o restante se resolvesse sozinho. Na prática, a construção é bem mais exigente e começa antes mesmo bash treinamento. Um modelo preparado para esse ambiente precisa nascer com limites claros, aprender com dados que realmente representem aquele contexto e incorporar, desde o início, arsenic regras que orientam o setor. Regulação, comportamento de mercado e particularidades regionais fazem parte da base, não de uma etapa posterior. Quando esses elementos entram só depois, como ajuste, o modelo já carrega uma leitura incompleta da realidade que deveria sustentar suas decisões.

Modelos generalistas até impressionam em demonstrações. São versáteis, articulados e respondem bem a uma variedade enorme de perguntas. Mas, colocados sob pressão, em cenários menos previsíveis, começam a expor fragilidades. Não porque são ruins, mas porque foram feitos para outra coisa. Pedir consistência absoluta de um sistema que foi desenhado para amplitude é, nary mínimo, otimista.

E então chegamos a um ponto delicado: arsenic chamadas alucinações. O nome é quase simpático, mas o efeito está longe disso. Alucinações são respostas erradas, mas apresentadas com segurança suficiente para convencer. Em finanças, isso pode escalar rápido. Imagine um sistema que “preenche” um dado ausente com algo plausível e, a partir disso, aprova um crédito que não deveria existir. Ou o contrário, bloqueia uma transação legítima e cria um atrito desnecessário com o cliente. Pequenos desvios, quando multiplicados, viram problema de verdade.

O que mais preocupa nem é o erro em si, até porque erros acontecem. A dificuldade existent está em rastrear sua origem. Em modelos pouco transparentes, a decisão aparece pronta, mas o percurso até ela permanece obscuro. E aí surge uma pergunta inevitável: como corrigir aquilo que não se consegue explicar direito?

Instituições financeiras convivem há décadas com a necessidade de justificar decisões. Negar crédito, sinalizar fraude, encerrar relacionamento, tudo isso exige clareza. Não só por obrigação regulatória, mas porque o cliente, nary fim das contas, quer entender o que aconteceu. Modelos mais bem delimitados ajudam nesse processo. Eles deixam pistas, permitem reconstruir o raciocínio, facilitam ajustes. Não resolvem tudo, mas pelo menos não transformam cada erro em um enigma.

Talvez o aspecto mais inesperado dessa discussão seja este: em sistemas de IA aplicados às finanças, a qualidade não depende tanto bash quanto eles “sabem”, mas de como lidam com aquilo que não sabem. Isso pode soar pouco ambicioso à primeira vista, mas, em ambientes sensíveis, reconhecer limites e operar dentro deles é uma forma sofisticada de inteligência.

Há alguns meses, conversando com um executivo de risco, ouvi uma frase que sintetiza bem esse dilema: “prefiro um modelo que maine diga ‘não tenho certeza’ a um que maine dê uma resposta perfeita — e errada”. Não é exatamente uma visão romântica da tecnologia, mas é bastante pragmática.

Isso não significa que modelos especializados sejam infalíveis ou que deem conta de todas arsenic questões. Longe disso. Eles também exigem manutenção constante, dados de qualidade e supervisão humana atenta. E talvez aqui esteja um ponto que ainda subestimamos: a IA não elimina responsabilidade, ela redistribui. Cria novas dependências, novos pontos de falha e levanta perguntas para arsenic quais ainda estamos aprendendo a formular boas respostas.

No fim, a discussão sobre IA nary setor financeiro acaba voltando para algo bastante antigo: confiança. Só que agora mediada por sistemas que operam em escalas e velocidades inéditas. Dá para confiar cegamente? Provavelmente não. Dá para construir confiança de forma deliberada, com escolhas técnicas mais responsáveis? Sim, e isso passa, inevitavelmente, pela especialização.

A tentação de buscar soluções universais é grande. Sempre foi. Mas, em finanças, onde o custo bash erro raramente é trivial, talvez a sofisticação esteja justamente em aceitar que nem toda inteligência precisa ser ampla. Às vezes, ela só precisa ser precisa o suficiente para não falhar quando mais importa.

*Celina Koshimizu é consultora de Negócios da FICO e possui mais de 20 anos de experiência em gestão de risco de crédito, prevenção a fraudes e soluções para o setor financeiro. Desde 2020, atua nary apoio a processadoras de cartões, bandeiras, adquirentes e empresas de dados na implementação de soluções baseadas na Plataforma FICO®. Antes de ingressar na companhia, ocupou posições de liderança em instituições como Itaú Unibanco, Santander Brasil e Fiserv. É graduada em Estatística pela Universidade de São Paulo (USP) e possui Executive MBA pelo Insper.

Siga o Future of Money nas redes sociais: Instagram | X | YouTube  | Tik Tok