O que reguladores e instituições financeiras já comprovaram sobre a IA
Prateek Shrivastava | Julho de 2026 | Washington DC
A inteligência artificial já está produzindo resultados reais e mensuráveis no setor financeiro, e as evidências mais fortes disso são mais substanciais do que o circuito de conferências costuma creditá-las. O apêndice deste artigo contém a base de dados de estudos de caso mencionados no texto.
As evidências mais confiáveis encontram-se em dois lugares: os reguladores que utilizam a IA para melhorar a supervisão e os prestadores de serviços financeiros e de seguros que a utilizam para avaliar riscos, estender o crédito, conceber coberturas e processar reclamações. Este artigo reúne os exemplos mais fortes de ambos os grupos.
Ao analisar as evidências, consideramos útil classificar cada caso em um dos dois grupos. Implementações medidas São sistemas ativos ou substancialmente operacionais, com métricas de adoção, precisão, serviço ou portfólio publicadas, o mais claro comprovação de que a IA já está funcionando. Pilotos medidos São implementações reais com resultados técnicos credíveis, muitas vezes na vanguarda do rumo que uma implementação medida seguirá. Relatórios mais amplos, provenientes do Banco Mundial, do Banco de Pagamentos Internacionais (BIS), da Organização para a Cooperação e Desenvolvimento Econômico (OCDE) e de outras entidades, são importantes para compreender o rumo do mercado e complementam esse exercício, não sendo parte dele.
Essa distinção é importante: os implantações medidas abaixo são prova de que a IA já funciona neste setor. Os pilotos experimentais medidos são um bom sinal de que isso poderá se tornar mais comum no futuro.
Onde as autoridades reguladoras obtêm valor prático
A pesquisa mostra que, no momento, os exemplos mais fortes do lado dos reguladores não são os futuristas “supervisores de IA”. São aplicativos focados que melhoram a qualidade e a velocidade do trabalho que os reguladores já realizam: lidar com reclamações, monitorar os mercados, detectar fraudes e verificar dados.
Exemplo 1. Brasil: identificação de anomalias em um registro de crédito muito grande e precisão quanto ao número de casos que esse registro abrange.
O Banco Central do Brasil testou técnicas de machine learning para identificar possíveis anomalias nas informações apresentadas ao seu registro público de crédito, o SCR. Trabalhando em conjunto com a International Finance Corporation (IFC), aplicou um modelo de Forest Isolation ao conjunto de dados de empréstimos vinculados a vencimentos salariais, obtidos a partir de um conjunto de treinamento de 55 milhões de operações, comparado com um registro que processa 1,1 bilhão de operações por mês (Estudo de caso do IFC, maio de 2025). O modelo identificou 278 empréstimos como potenciais outliers em nove instituições. Desses 206 casos em que o banco central recebeu feedback de oito dessas instituições, 179 foram confirmados como problemas genuínos, com uma taxa de precisão de 87%. Após segmentar os mutuantes de alta renda do restante do portfólio e realizar uma reestruturação, a precisão aumentou para 97%.
A amostra validada é de 206 casos, não do registro completo. Este é um exemplo forte de suptech, pois o problema é específico, o modelo suporta um processo de controle existente e o desempenho pode ser medido. Deve ser descrito como um piloto medido a menos que haja evidências públicas de que essa abordagem tenha sido implementada de forma ampla em todo o registro e tenha produzido melhorias sustentadas ao longo do tempo.
Exemplo 2. As Filipinas: tornando o atendimento de reclamações acessível
O Bangko Sentral ng Pilipinas’ Online Buddy, ou BOB, é um dos exemplos mais claros de proteção ao consumidor com uso de IA em mercados emergentes. Ele oferece aos consumidores um canal digital para apresentar reclamações e utiliza processamento de linguagem natural para categorizar e encaminhar os casos.
Uma avaliação da Innovations for Poverty Action analisou recentemente 1.372.534 mensagens enviadas ao BOB durante o seu primeiro ano de funcionamento, entre agosto de 2020 e julho de 2021 (IPA, 2022). O BOB categorizou corretamente 55% das reclamações imediatamente, aumentando para 74% após perguntas de acompanhamento. Só 20% das interações com o chatbot chegaram ao último comunicado no fluxo de conversação. Essa taxa de desassistência é tão informativa quanto a taxa de precisão: nos informa onde o design ainda está perdendo usuários, o que é exatamente o tipo de métrica de fluxo de trabalho que um regulador deveria acompanhar e publicar regularmente. A própria avaliação já faz alguns anos e, até onde sabemos, não foi atualizada publicamente desde então. Essa combinação de relatórios do regulador e avaliação independente ainda torna o BOB extremamente útil: fornece evidências sobre adoção, desempenho do sistema e onde os usuários desistem.
Isso também demonstra um importante princípio de design. O valor não foi criado pela invenção de uma função de supervisão completamente nova. Ele surgiu a partir da melhoria do acesso a um processo de reclamações já existente e da transformação de mensagens não estruturadas em dados de supervisão utilizáveis.
Exemplo 3. Índia: detecção de “contas de camelo” antes que fundos fraudulentos desapareçam
A adição mais recente à lista de suptech aborda um problema que os outros casos aqui não abordam diretamente: a identificação de “contas-mule”, que são usadas para receber e transferir os rendimentos de fraudes financeiras realizadas por meio da tecnologia da informação. A divisão de inovação do Banco da Reserva da Índia (RBI), o Reserve Bank Innovation Hub, construiu MuleHunter, um modelo de machine learning que analisa dados de transações e contas em busca de padrões comportamentais conhecidos para identificar essas contas de camelo. Foi implementado em dois bancos do setor público em 2024 e citado pelo governador do RBI na declaração de política monetária de dezembro de 2024. Uma resposta sobre o direito de acesso à informação relatada em dezembro de 2025 indicou que 23 bancos já haviam adotado essa prática. Em maio de 2026, o Departamento de Serviços Financeiros orientou publicamente os bancos a acelerarem a implementação.
Esse número de adoções merece atenção por um motivo além do próprio número. Ele não foi divulgado pelo RBI ou pelo fornecedor. Surgiu a partir de um pedido de informações independente, uma forma mais robusta de proveniência do que a maioria dos dados neste setor. Por favor, observe: não encontramos uma porcentagem de precisão verificada em uma fonte primária do RBI, e qualquer número circulando em cobertura secundária deve ser considerado não confirmado até que o banco central publique um número diretamente.
Peru, Gana e Indonésia: trabalho promissor ainda em fase de construção rumo a um histórico comprovado
A Superintendência de Banca, Seguros e AFP do Peru, o Banco do Gana e a Otoritas Jasa Keuangan (OJK) da Indonésia desenvolveram ferramentas de monitoramento e reclamações de mercado com tecnologia de inteligência artificial, utilizando a extração de dados de redes sociais, análise de sentimentos, chatbots, gestão de casos de reclamações e painéis de controle para supervisão.
Estas iniciativas são credíveis e merecem atenção. Algumas já processaram volumes substanciais de comentários públicos e produziram interfaces de monitoramento úteis. O que ainda não têm publicamente é a mesma profundidade de evidências de resultados como no Brasil, nas Filipinas ou na Índia: mudanças duradouras nos resultados dos consumidores, a eficácia da aplicação da legislação ou a produtividade da supervisão medida ao longo do tempo. Isso não é tanto um veredicto sobre a tecnologia quanto um sinal de onde cada programa se situa em sua própria curva, antes do Brasil, das Filipinas e da Índia, mas no mesmo caminho. Eles devem fazer parte do banco de dados como pilotos medidos, o grupo mais provável de produzir a próxima implementação madura.
3 lições dos casos dos reguladores se destacam
Primeiro, a IA funciona melhor quando é integrado a um processo de supervisão já existente com um gargalo operacional evidente. As queixas chegam em formato de texto não estruturado. As apresentações no registro contêm anomalias. As redes de transação escondem contas falsas. As conversas públicas revelam riscos emergentes em relação à conduta. Estas são questões bem definidas.
Em segundo lugar, As métricas do fluxo de trabalho são importantes, e os que são honestos incluem os números desconfortáveis. Um regulador deve ser capaz de medir a precisão da classificação, falsos positivos, taxas de conclusão e abandono, casos encaminhados e se a ação supervisionada melhorou, não apenas os volumes totais.
Em terceiro lugar, Dados independentemente verificados valem mais do que os relatados por si próprio. O número de aprovação do RBI veio de um pedido de acesso a informações. A avaliação do BOB veio de uma organização de pesquisa independente, e não da própria equipe de comunicação do regulador. Essa distinção deve influenciar a importância que cada um de nós atribui a uma determinada alegação.
Onde os credores e os seguradores têm evidências mais fortes
No lado dos prestadores de serviços financeiros (FSP), os credores, os emitentes de cartões, as empresas de agrofinanças e os seguradores, a base de evidências é mais ampla, particularmente no processo de aprovação de crédito e no design de produtos. Mas também aqui a atribuição se torna incerta. Um credor pode ter um grande portfólio, um crescimento rápido e um modelo de inteligência artificial. Isso não significa automaticamente que a inteligência artificial tenha causado os resultados do portfólio.
MYbank: crédito automatizado para PMEs em escala significativa, apresentado de forma honesta
O modelo “3-1-0” da MYbank, que consiste em um processo de aprovação de três minutos, uma aprovação de um segundo e nenhuma intervenção manual, é um dos exemplos mais proeminentes de subscrição automatizada de pequenas e médias empresas (PME). Este modelo utiliza dados de transações e do ecossistema para avaliar empresas que podem não possuir demonstrações financeiras ou garantias convencionais.
O número mais recente que consigo obter é de 53 milhões de PMEs atendidas cumulativamente, divulgado pela Ant Group e pela MYbank em abril de 2024 como parte do relatório anual de 2023 da MYbank (Businesswire, abril de 2024). Uma referência anterior da IFC de 2020 citava 45 milhões de PMEs atendidas e uma taxa de inadimplência próxima de 1,5%, aproximadamente 60% abaixo da média do setor na época. Não temos encontrado nenhuma atualização independente mais recente para nenhum desses números, portanto estamos apresentando ambos explicitamente, em vez de apresentá-los como desempenho atual.
Vale acrescentar que as maiores cifras são provenientes das divulgações da MYbank e do próprio Ant Group, reais e substanciais, embora não auditadas independentemente. A afirmação mais clara, e uma afirmação forte em seus próprios termos, é que o underwriting com tecnologia de inteligência artificial foi implementado com sucesso em uma das maiores operações de crédito para pequenas e médias empresas do mundo.
JUMO: empréstimo digital em grande escala na África com avaliação independente de proteção ao cliente
Uma interessante contradição sobre a questão da verificação independente é a JUMO, a plataforma de infraestrutura de crédito pan-africana que opera em Gana, Quênia, Tanzânia, Zâmbia, Uganda, Costa do Marfim, África do Sul e Camarões. A JUMO relata $7,9 bilhões desembolsados para mais de 31 milhões de pessoas desde 2015, um valor divulgado pela empresa com a mesma citação que a MYbank.
O que o diferencia é que a JUMO se tornou primeiro provedor de serviços financeiros digitais avaliado de acordo com o padrão de proteção ao cliente Cerise+SPTF, um exame administrado externamente, obteve uma pontuação de 92,2%. Essa é uma rara ocorrência neste campo, onde um terceiro, e não a própria empresa, é quem produz o número principal.
Konfío: o caso raro com um grupo de comparação real
A maioria dos exemplos de empréstimo neste campo compara um portfólio com si mesmo, antes e depois ou em relação à média da indústria. A Konfío, uma instituição de crédito fintech mexicana que utiliza pontuação de crédito baseada em inteligência artificial para micro, pequenas e médias empresas (PMEs), é uma das poucas com algo mais próximo de um projeto de avaliação genuíno. Uma análise do IDB Invest, o braço do setor privado do Banco Interamericano de Desenvolvimento, comparou empresas que receberam um empréstimo da Konfío com candidatos semelhantes que foram rejeitados. Dois anos depois, os mutuários que receberam financiamento As vendas cresceram 19,4% mais do que o grupo de comparação rejeitado, e 41,9% mais entre as empresas de propriedade feminina. (IDB Invest).
Esse design de grupo de comparação exige um nível de evidência substancialmente superior a uma simples história de antes e depois, e é por isso que colocamos a Konfío acima da maioria dos exemplos de pontuação de crédito que circulam neste setor. Isso não tira todas as dúvidas. A IDB Invest também é investidora da empresa, portanto a avaliação não é totalmente imparcial. Mas sim a situação mais próxima neste ranking a uma situação alternativa, e ela deve ser o ponto de referência quando um credor afirma que seu modelo de avaliação de risco “melhora os resultados”.”
Eshandi na Zâmbia: evidências promissores sobre gênero, mas não prova causal
Eshandi utiliza a pontuação baseada em aprendizado de máquina em um produto de microcrédito com dinheiro móvel e já desembolsou quase um milhão de empréstimos para mulheres. Uma análise feita em nível de mutuário em um relatório do IFC de 2026 constatou que as mulheres obtêm pontuações mais altas no próprio sistema de pontuação de crédito do modelo e têm maior probabilidade de se tornarem mutuárias recorrentes (IFC, “Cracking the Credit Code”, maio de 2026). O relatório é cuidadoso ao definir o que isso significa, observando que a maioria desses modelos é neutra em relação ao gênero e que os ganhos de inclusão desse tipo são, em grande parte, consequência de fatores aleatórios, e não resultado de ações intencionais.
Essa é a dose correta de cautela. As evidências mostram que associação entre o modelo de pontuação, o comportamento de repetição de empréstimos e o gênero. Isso não prova por si só que a IA aumentou a inclusão financeira das mulheres ou causou melhores resultados econômicos. O caso é útil precisamente porque levanta as questões corretas: quem entra no funil, quem é aprovado, quem repassa e se o modelo reproduz ou reduz as lacunas de gênero acidentalmente ou por design.
Vexi no México: o uso do produto é tão importante quanto a aprovação
O cartão de crédito digital da Vexi combina a análise de dados alternativos com pesquisas diretas com os clientes. O mesmo relatório do IFC de 2026 entrevistou mais de 3.000 tomadores de empréstimos da Vexi e constatou que as mulheres que administravam empresas pessoais ou familiares utilizavam o cartão para despesas comerciais em taxas mais elevadas do que os homens no mesmo levantamento, além de que seus limites de crédito médios ultrapassaram os dos homens após cerca de quatro anos de uso do cartão.
Isso torna o Vexi mais do que apenas uma história sobre pontuação de crédito. É um exemplo de design de produto que mostra como o acesso a crédito digital flexível pode apoiar as empresas domésticas e as empresas de propriedade feminina ao longo do tempo, não apenas no momento da aprovação. A mesma cautela aplica-se ao caso do Eshandi: O aumento da utilização e do limite de crédito pesquisados são evidências do uso inclusivo de produtos, e não prova de que o modelo de apuramento de crédito sozinho causou o crescimento dos negócios.
Financiamento agrícola e seguro climático: escala real e atribuição mais difícil à IA
Duas instituições financeiras e seguradoras africanas, a Apollo Agriculture e a Pula, pertencem à mesma categoria do FSP e demonstram um verdadeiro alcance, ilustrando por que os pedidos de indenização por IA precisam ser separados dos resultados dos produtos e por que um objetivo e um resultado não são a mesma coisa.
A Apollo combina a avaliação de crédito baseada em dados com informações agronômicas e seguros para pequenos agricultores no Quênia e, mais recentemente, na Zâmbia. Um estudo de caso da British International Investment de 2024 cita como meta alcançar mais de 2,3 milhões de agricultores até 2026. Essa meta é uma projeção para o futuro e não uma realidade atual. Os dados mais recentes disponíveis indicam uma cobertura efetiva de aproximadamente 400.000 agricultores em ambos os mercados até 2025, enquanto a operação na Zâmbia ainda tem menos de 30.000 agricultores após os seus primeiros 18 meses. Os dados sobre rendimento e qualidade de vida apresentados pela Apollo e pelos seus investidores, incluindo um rendimento médio reportado 2,6 vezes superior ao de outros agricultores quenianos, são extraídos de pesquisas realizadas pela empresa e pelos investidores, e não de avaliações independentes. A afirmação defensável é que a Apollo construiu um modelo de agricultura financeira digital e escalável que ainda está em crescimento, de acordo com as suas ambições declaradas, e não que a IA tenha sido comprovadamente capaz de aumentar os rendimentos ou a resistência climática. Esses resultados são influenciados pela combinação de crédito, sementes, fertilizantes, aconselhamento, clima, seguros e comportamento do agricultor.
A Pula utiliza dados satelitales, meteorológicos e agronômicos na concepção de seguros agrícolas, no cálculo de preços e nos processos de sinistros. De acordo com a própria divulgação atual da empresa, ela já assegurou 20,1 milhões de agricultores em 22 países, pagou $133,9 milhões em sinistros a 2,8 milhões de agricultores e protejou $2,6 bilhões em investimentos agrícolas. Em outubro de 2024, a Pula processou o que descreve como a maior indenização de seguro agrícola da África, mais de $29 milhões para mais de 800.000 agricultores na Zâmbia após uma grave seca. Essas evidências são importantes, pois o seguro só cria resiliência quando as políticas são distribuídas em escala e os sinistros são pagos com rapidez suficiente para fazer diferença, mas o número de agricultores assegurados e o valor pago demonstram a escala e o desempenho da operação de seguro. Não isolam a contribuição incremental do aprendizado de máquina ou da análise por satélite. A Pula é um forte caso de seguro climático com um modelo operacional habilitado pela IA, e não um teste controlado do impacto da IA na resiliência.
Um melhor teste para estudos de casos de IA
Para órgãos reguladores, autoridades de supervisão e empresas de serviços financeiros, aplicaremos cinco critérios antes de considerar uma iniciativa de IA como bem-sucedida.
- O sistema está realmente em uso? Um protótipo funcional é útil, mas não é uma produção em série.
- A componente de IA está claramente identificada? “Os termos ”digital“ e ”com inteligência artificial” são frequentemente usados de forma muito vaga.
- Os resultados dizem respeito ao modelo ou apenas à instituição? O crescimento do portfólio de um credor não prova que seu algoritmo funcionou.
- As métricas são verificadas independentemente? Os números divulgados pela empresa podem ser valiosos, mas devem ser apresentados como tal, e um grupo de comparação genuíno, como o da avaliação da Konfío, ou uma cifra obtida independentemente, como a da implementação do programa de mules no Brasil, devem ter mais peso do que um comunicado de imprensa da própria empresa.
- Os resultados são medidos tanto para os clientes quanto para a instituição? Um processamento mais rápido é útil. Um acesso melhor, decisões mais justas, menores perdas e uma maior resiliência são mais importantes.
O que isso significa para os reguladores e os FSPs
As evidências são agora suficientemente fortes para ultrapassar a fase de experimentação genérica, mas não suficientemente fortes para suspender o julgamento.
Para os reguladores, a gestão de reclamações, os controlos de qualidade dos dados, a detecção de fraudes e contas falsas e a monitorização específica do mercado constituem pontos de partida práticos. Utilizam dados já existentes, solucionam os pontos de gargalo visíveis e permitem que os supervisores humanos continuem a ser responsáveis.
Para os credores e os seguradores, a avaliação de dados alternativos e a tomada de decisões automatizada já estão a expandir o seu alcance, particularmente para consumidores com pouca documentação, mulheres, PMEs e agricultores familiares. Os exemplos mais fortes medem a inclusão ao longo de todo o processo, desde a apresentação da candidatura até à aprovação, aos limites, aos preços, à repetição da utilização, ao reembolso e aos resultados para o cliente. A avaliação de grupos de comparação da Konfío é o padrão a seguir, e mais do sector é capaz de fazê-lo do que atualmente tenta.
Para os investidores e instituições de desenvolvimento que financiam ambos os lados dessa equação, a pergunta sobre a diligência útil pergunta o que mudou na decisão, quais evidências mostram que é melhor e quem se beneficia, em vez de simplesmente perguntar se a empresa utiliza IA.
Os reguladores já estão a detetar fraudes e a resolver atrasos de reclamações mais rapidamente. Os credores estão a alcançar os mutuários que eram invisíveis para os procedimentos convencionais de aprovação de crédito. As seguradoras estão a pagar as indemnizações num prazo de dias, em vez de meses. As evidências sobre a aplicação da IA nos serviços financeiros são mais sólidas e mais específicas do que o circuito de conferências costuma atribuir. A tarefa agora é continuar a construir essa base de dados com a mesma rigorosidade com que estes exemplos foram avaliados, de modo que a próxima onda de casos consiga ter o seu lugar ao lado deles. Os vencedores neste setor podem não ser as instituições com os maiores orçamentos em IA. Poderão ser aqueles que conseguem demonstrar o seu trabalho.
