O fantasma de US$ 340 bilhões na máquina
Em uma manhã de terça-feira no fim de 2025, um diretor sênior de conformidade de um banco europeu Tier-1 percebeu que uma tarefa que antes exigia uma equipe de quarenta analistas e seis semanas de contabilidade forense tinha sido concluída em exatos catorze minutos. Não era só uma questão de velocidade: o relatório resultante identificou um padrão sofisticado de “layering” (estratificação) em transações internacionais que três auditorias manuais anteriores não tinham detectado. Não é uma cena de um thriller especulativo, e sim a realidade atual do que poderíamos chamar de “Fase Três” da evolução da IA financeira. Enquanto o grande público pedia ao ChatGPT que escrevesse poemas de aniversário, o setor bancário deixou para trás, sem alarde, a fase do “chatbot” e entrou na era da orquestração estrutural profunda.
Segundo a McKinsey (2025), a projeção agora é de que a IA generativa gere entre US$ 200 bilhões e US$ 340 bilhões em valor anual no setor bancário global. Mas a verdadeira história não está nesses números macroeconômicos impressionantes, e sim nos microajustes das operações diárias. Durante anos, o setor financeiro foi uma colcha de retalhos de “dívida legada”: sistemas COBOL antigos sustentados por planilhas de Excel e pela pura força de vontade de gerentes intermediários sobrecarregados. A visão consensual sugere que a IA vai simplesmente automatizar esses processos existentes. Eu defenderia o contrário: as únicas instituições financeiras que vão sobreviver até 2030 são as que usam a IA para desmontar por completo seus processos atuais, em vez de apenas acelerá-los.
A ilusão da eficiência versus a realidade da transformação
Se você perguntar a um CTO tradicional sobre a estratégia de IA dele, ele provavelmente vai apontar para o bot de atendimento ao cliente. É uma métrica de progresso segura, visível e, no fim das contas, superficial. A obsessão dominante com a automação do front office (substituir caixas humanos por avatares digitais) é em grande parte uma distração. Embora os clientes de fato gostem de respostas mais rápidas para “Onde está o meu IBAN?”, o valor real está sendo capturado no “Dark Middle Office”. É ali que a complexidade labiríntica da regulação moderna encontra a realidade caótica dos dados globais.
O que está em jogo é maior do que a maioria imagina. Em janeiro de 2026, o custo da não conformidade regulatória atingiu um recorde histórico, não só em multas, mas em “paralisia operacional”. Um relatório do Gartner (fim de 2025) indica que 60% dos líderes de finanças agora priorizam a “IA agêntica” (sistemas que não apenas conversam, mas agem) para lidar com workflows complexos de várias etapas, como a avaliação de risco de crédito e as verificações de prevenção à lavagem de dinheiro (AML). A transição que estamos vendo é a da IA como “ferramenta de referência” para a IA como “copiloto da estratégia”.
Veja o caso do JPMorgan Chase. O desenvolvimento de modelos proprietários foi além da simples análise de documentos. O banco agora usa motores de raciocínio em larga escala para simular a volatilidade do mercado sob milhares de cenários geopolíticos de “cisne negro” simultaneamente. Não se trata de ser 10% mais eficiente, e sim de ser 100% mais resiliente. Cresce a distância entre os bancos que tratam a IA como ferramenta de corte de custos e os que a tratam como uma nova forma de infraestrutura cognitiva.
A ascensão da gestão de patrimônio agêntica
Durante décadas, o aconselhamento financeiro de qualidade foi um luxo reservado a quem tinha carteiras de sete dígitos. À classe média restavam os “robo-advisors”, pouco mais do que gráficos de pizza sofisticados baseados em idade e tolerância a risco. Em 2026, essa barreira está desmoronando. Com modelos como o Claude ou LLMs financeiros especializados, os neobancos oferecem o que eu chamo de “hiperpersonalização em escala”.
Um agente de IA moderno no contexto da gestão de patrimônio não se limita a sugerir um ETF diversificado. Ele monitora em tempo real os hábitos de gasto do usuário, antecipa uma obrigação fiscal com base em ganhos de capital recentes e sugere automaticamente uma mudança na alocação de ativos antes mesmo de o usuário pensar em consultar o saldo. Dados reais de um estudo da Harvard Business Review de 2025 mostraram que os bancos que adotam esses modelos de consultoria “AI-first” tiveram um aumento de 22% nos ativos sob gestão (AUM) vindos dos millennials e da Geração Z em doze meses. Esses usuários não querem uma relação com um gerente de banco; querem uma relação com os próprios dados, mediada por uma interface inteligente.
Isso, porém, cria um novo obstáculo psicológico. A confiança nos bancos se construía tradicionalmente sobre a solidez de um cofre físico ou o carisma de um consultor de terno sob medida. Hoje, a confiança se constrói sobre a “explicabilidade”. Se uma IA recusa um empréstimo ou sugere uma mudança radical na carteira, ela precisa conseguir mostrar o raciocínio em linguagem simples, sem jargão. Os vencedores nesse espaço são os que usam ferramentas como o Mistral Large para gerar justificativas transparentes e auditáveis para cada decisão automatizada.
A conformidade como vantagem competitiva
Tradicionalmente, a conformidade era o departamento onde “a inovação ia para morrer”. Era um centro de custo, um mal necessário para evitar a ira da FCA ou da SEC. Mas no cenário atual, uma conformidade sofisticada está se tornando o maior ativo de marketing de um banco. À medida que a fraude financeira passa a ser “movida a IA” (pense na síntese de voz deepfake usada para autorizar transferências bancárias), a IA defensiva precisa ser ainda mais sofisticada.
Vemos empresas usando a Palantir e agentes de IA especializados para criar um “gêmeo digital vivo” de todo o seu ecossistema de transações. Em vez de auditorias periódicas, esses bancos estão sob “auditoria contínua”. Cada transação é cruzada com listas globais de sanções, padrões históricos e verificações de autenticidade de documentos: ferramentas como o CheckFile.ai cuidam da camada de verificação de documentos, cruzando dossiês de KYC e de abertura de conta e pegando documentos manipulados antes que entrem no pipeline. Essas verificações rodam em milissegundos, ao lado até do sentimento das notícias em tempo real. Isso reduz em até 80% a taxa de “falsos positivos” (o tormento de todo cliente que tem o cartão bloqueado durante uma viagem internacional), segundo benchmarks recentes do setor da Eurostat.
“O objetivo não é mais detectar a fraude depois que ela acontece, e sim tornar o custo de tentar uma fraude tão alto que os atacantes partam para alvos mais fáceis. A IA transformou a conformidade de um escudo em um sistema de radar proativo.” — Diretor de riscos (CRO) de um grande banco de varejo do Reino Unido.
Essa mudança tem um impacto humano profundo. O responsável pela conformidade de 2026 já não é um administrador de “checklist”. Ele se tornou um “engenheiro de prompts a serviço da justiça”, que supervisiona frotas de agentes autônomos e só intervém quando o sistema sinaliza um dilema ético ou jurídico realmente novo. É uma passagem do trabalho manual para a “supervisão da orquestração”.
A nova stack bancária: orquestrar a máquina
Para entender o que realmente funciona, precisamos olhar por dentro. Os bancos que têm sucesso hoje abandonaram a ideia de um único “modelo-deus” que faz tudo. Em vez disso, estão construindo “enxames agênticos”. Isso envolve um modelo principal (talvez o GPT-4o ou uma variante do Llama treinada sob medida) atuando como “roteador”, que depois delega tarefas a modelos menores e altamente especializados, treinados com conjuntos de dados financeiros específicos.
Essa abordagem de “stack” resolve o problema das alucinações. Se você perguntar a um LLM generalista sobre as implicações fiscais específicas de um derivativo complexo na jurisdição de Luxemburgo, ele pode acertar, ou pode mentir com toda a confiança. Em uma stack bancária profissional, o roteador envia essa consulta a um sistema de “geração aumentada por recuperação” (RAG) conectado a uma base verificada da legislação luxemburguesa. A resposta é então conferida por um agente “validador” separado antes de chegar aos olhos de um humano. Ferramentas como o Glean estão se tornando essenciais aqui, permitindo que as instituições pesquisem em suas próprias bases de conhecimento internas, vastas e não estruturadas, com a mesma facilidade com que pesquisamos na web.
Quebrando os silos de dados
O maior obstáculo a esse “banco agêntico” não é a IA em si, são os dados. A maioria dos bancos tradicionais tem os dados de financiamento imobiliário em um “silo”, os de cartão de crédito em outro e os de investimento em um terceiro, todos em formatos diferentes. É por isso que vemos uma alta enorme no uso de plataformas de “Data Intelligence” como o Databricks. Essas plataformas permitem que os bancos unifiquem seus dados de um jeito que a IA consiga de fato digerir.
Sem essa unificação, a IA é como um chef brilhante em uma cozinha onde os ingredientes estão trancados em cofres e as chaves sumiram. As instituições que passaram 2024 e 2025 “arrumando a casa” são as que agora colhem os frutos em 2026. Elas conseguem oferecer uma visão realmente completa da saúde financeira de um cliente, com um nível de serviço que faz o “gerente de conta” tradicional parecer uma relíquia da era vitoriana.
Implicações para o profissional de finanças
Se você trabalha com finanças, a pergunta já não é “A IA vai me substituir?”, e sim “Consigo gerenciar a IA que está fazendo o meu antigo trabalho?”. Estamos vendo uma mudança radical nas competências necessárias para ter sucesso. Os analistas quantitativos (“quants”) estão se tornando “arquitetos de IA”. Os gestores de carteira estão se tornando “designers de estratégia”.
Os profissionais mais bem-sucedidos que observo são os que abraçaram a “inteligência aumentada”. Eles usam o Cursor para criar rapidamente ferramentas internas que automatizam os próprios relatórios. Usam o Perplexity para se antecipar às notícias que movem o mercado, com um nível de detalhe antes impossível. Eles não estão lutando contra a onda; estão surfando nela. O perigo é para a “camada de gerência intermediária”, cujo valor estava sobretudo na agregação manual de dados. Essa função, na prática, desapareceu.
Essa automação, porém, cria uma nova responsabilidade: a gestão ética. À medida que a IA assume a análise de crédito, o risco de “viés algorítmico” se torna uma ameaça sistêmica. Se os dados de treinamento contêm preconceitos históricos, a IA não vai apenas reproduzi-los, vai ampliá-los em escala. O bancário de 2026 precisa ser especialista em “auditoria algorítmica”, garantindo que as decisões da máquina continuem justas, transparentes e alinhadas aos valores da sociedade. Não é uma tarefa técnica; é uma tarefa profundamente humana e moral.
Além do horizonte: a era das finanças soberanas
Aonde isso nos leva? À medida que avançamos para 2027, o próprio conceito de “banco” está sendo redefinido. Caminhamos para as “finanças soberanas”, em que as pessoas são donas dos próprios dados e interagem com os mercados financeiros globais por meio de seus próprios agentes de IA privados, hospedados localmente. Esses agentes vão negociar com os agentes dos bancos para encontrar as melhores taxas de juros, as menores tarifas e os veículos de investimento mais éticos.
Nesse mundo, o banco se torna um “provedor de infraestrutura” (um cofre seguro e um provedor de liquidez), enquanto a “inteligência” bancária se desloca para a ponta. É uma perspectiva assustadora para as instituições que dependem da inércia dos clientes e de tarifas “ocultas”. Mas, para quem conseguir oferecer a melhor infraestrutura para esses agentes autônomos, a oportunidade é ilimitada. O foco vai passar de “ser dono do cliente” para “alimentar o agente”.
As “tendências de IA” em finanças já não dizem respeito ao futuro; dizem respeito ao encanamento do presente. O hype evaporou e deixou para trás um conjunto de ferramentas frio, eficiente e extremamente poderoso, que está reescrevendo as regras do capital. A pergunta para qualquer líder financeiro hoje é simples: você está construindo uma versão melhor de 2015 ou se preparando para um 2030 em que o dinheiro será tão inteligente quanto as pessoas que o gastam?
