Prateek Shrivastava | Julho de 2026 | Washington DC<\/p>\n\n\n\n
A intelig\u00eancia artificial j\u00e1 est\u00e1 produzindo resultados reais e mensur\u00e1veis no setor financeiro, e as evid\u00eancias mais fortes disso s\u00e3o mais substanciais do que o circuito de confer\u00eancias costuma credit\u00e1-las. O ap\u00eandice deste artigo cont\u00e9m a base de dados de estudos de caso mencionados no texto.<\/p>\n\n\n\n
As evid\u00eancias mais confi\u00e1veis encontram-se em dois lugares: os reguladores que utilizam a IA para melhorar a supervis\u00e3o e os prestadores de servi\u00e7os financeiros e de seguros que a utilizam para avaliar riscos, estender o cr\u00e9dito, conceber coberturas e processar reclama\u00e7\u00f5es. Este artigo re\u00fane os exemplos mais fortes de ambos os grupos.<\/p>\n\n\n\n
Ao analisar as evid\u00eancias, consideramos \u00fatil classificar cada caso em um dos dois grupos. Implementa\u00e7\u00f5es medidas<\/strong> S\u00e3o sistemas ativos ou substancialmente operacionais, com m\u00e9tricas de ado\u00e7\u00e3o, precis\u00e3o, servi\u00e7o ou portf\u00f3lio publicadas, o mais claro comprova\u00e7\u00e3o de que a IA j\u00e1 est\u00e1 funcionando. Pilotos medidos<\/strong> S\u00e3o implementa\u00e7\u00f5es reais com resultados t\u00e9cnicos cred\u00edveis, muitas vezes na vanguarda do rumo que uma implementa\u00e7\u00e3o medida seguir\u00e1. Relat\u00f3rios mais amplos, provenientes do Banco Mundial, do Banco de Pagamentos Internacionais (BIS), da Organiza\u00e7\u00e3o para a Coopera\u00e7\u00e3o e Desenvolvimento Econ\u00f4mico (OCDE) e de outras entidades, s\u00e3o importantes para compreender o rumo do mercado e complementam esse exerc\u00edcio, n\u00e3o sendo parte dele.<\/p>\n\n\n\n Essa distin\u00e7\u00e3o \u00e9 importante: os implanta\u00e7\u00f5es medidas abaixo s\u00e3o prova de que a IA j\u00e1 funciona neste setor. Os pilotos experimentais medidos s\u00e3o um bom sinal de que isso poder\u00e1 se tornar mais comum no futuro.<\/p>\n\n\n\n A pesquisa mostra que, no momento, os exemplos mais fortes do lado dos reguladores n\u00e3o s\u00e3o os futuristas \u201csupervisores de IA\u201d. S\u00e3o aplicativos focados que melhoram a qualidade e a velocidade do trabalho que os reguladores j\u00e1 realizam: lidar com reclama\u00e7\u00f5es, monitorar os mercados, detectar fraudes e verificar dados. <\/p>\n\n\n\n O Banco Central do Brasil testou t\u00e9cnicas de machine learning para identificar poss\u00edveis anomalias nas informa\u00e7\u00f5es apresentadas ao seu registro p\u00fablico de cr\u00e9dito, o SCR. Trabalhando em conjunto com a International Finance Corporation (IFC), aplicou um modelo de Forest Isolation ao conjunto de dados de empr\u00e9stimos vinculados a vencimentos salariais, obtidos a partir de um conjunto de treinamento de 55 milh\u00f5es de opera\u00e7\u00f5es, comparado com um registro que processa 1,1 bilh\u00e3o de opera\u00e7\u00f5es por m\u00eas (Estudo de caso do IFC, maio de 2025<\/a>). O modelo identificou 278 empr\u00e9stimos como potenciais outliers em nove institui\u00e7\u00f5es. Desses 206 casos em que o banco central recebeu feedback de oito dessas institui\u00e7\u00f5es, 179 foram confirmados como problemas genu\u00ednos, com uma taxa de precis\u00e3o de 87%. Ap\u00f3s segmentar os mutuantes de alta renda do restante do portf\u00f3lio e realizar uma reestrutura\u00e7\u00e3o, a precis\u00e3o aumentou para 97%.<\/p>\n\n\n\n A amostra validada \u00e9 de 206 casos, n\u00e3o do registro completo. Este \u00e9 um exemplo forte de suptech, pois o problema \u00e9 espec\u00edfico, o modelo suporta um processo de controle existente e o desempenho pode ser medido. Deve ser descrito como um piloto medido<\/strong> a menos que haja evid\u00eancias p\u00fablicas de que essa abordagem tenha sido implementada de forma ampla em todo o registro e tenha produzido melhorias sustentadas ao longo do tempo.<\/p>\n\n\n\n O Bangko Sentral ng Pilipinas\u2019 Online Buddy, ou BOB, \u00e9 um dos exemplos mais claros de prote\u00e7\u00e3o ao consumidor com uso de IA em mercados emergentes. Ele oferece aos consumidores um canal digital para apresentar reclama\u00e7\u00f5es e utiliza processamento de linguagem natural para categorizar e encaminhar os casos.<\/p>\n\n\n\n Uma avalia\u00e7\u00e3o 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<\/a>). O BOB categorizou corretamente 55% das reclama\u00e7\u00f5es imediatamente, aumentando para 74% ap\u00f3s perguntas de acompanhamento. S\u00f3 20% das intera\u00e7\u00f5es com o chatbot chegaram ao \u00faltimo comunicado no fluxo de conversa\u00e7\u00e3o. Essa taxa de desassist\u00eancia \u00e9 t\u00e3o informativa quanto a taxa de precis\u00e3o: nos informa onde o design ainda est\u00e1 perdendo usu\u00e1rios, o que \u00e9 exatamente o tipo de m\u00e9trica de fluxo de trabalho que um regulador deveria acompanhar e publicar regularmente. A pr\u00f3pria avalia\u00e7\u00e3o j\u00e1 faz alguns anos e, at\u00e9 onde sabemos, n\u00e3o foi atualizada publicamente desde ent\u00e3o. Essa combina\u00e7\u00e3o de relat\u00f3rios do regulador e avalia\u00e7\u00e3o independente ainda torna o BOB extremamente \u00fatil: fornece evid\u00eancias sobre ado\u00e7\u00e3o, desempenho do sistema e onde os usu\u00e1rios desistem.<\/p>\n\n\n\n Isso tamb\u00e9m demonstra um importante princ\u00edpio de design. O valor n\u00e3o foi criado pela inven\u00e7\u00e3o de uma fun\u00e7\u00e3o de supervis\u00e3o completamente nova. Ele surgiu a partir da melhoria do acesso a um processo de reclama\u00e7\u00f5es j\u00e1 existente e da transforma\u00e7\u00e3o de mensagens n\u00e3o estruturadas em dados de supervis\u00e3o utiliz\u00e1veis.<\/p>\n\n\n\n A adi\u00e7\u00e3o mais recente \u00e0 lista de suptech aborda um problema que os outros casos aqui n\u00e3o abordam diretamente: a identifica\u00e7\u00e3o de \u201ccontas-mule\u201d, que s\u00e3o usadas para receber e transferir os rendimentos de fraudes financeiras realizadas por meio da tecnologia da informa\u00e7\u00e3o. A divis\u00e3o de inova\u00e7\u00e3o do Banco da Reserva da \u00cdndia (RBI), o Reserve Bank Innovation Hub, construiu MuleHunter<\/a>, um modelo de machine learning que analisa dados de transa\u00e7\u00f5es e contas em busca de padr\u00f5es comportamentais conhecidos para identificar essas contas de camelo. Foi implementado em dois bancos do setor p\u00fablico em 2024 e citado pelo governador do RBI na declara\u00e7\u00e3o de pol\u00edtica monet\u00e1ria de dezembro de 2024. Uma resposta sobre o direito de acesso \u00e0 informa\u00e7\u00e3o relatada em dezembro de 2025 indicou que 23 bancos j\u00e1 haviam adotado essa pr\u00e1tica. Em maio de 2026, o Departamento de Servi\u00e7os Financeiros orientou publicamente os bancos a acelerarem a implementa\u00e7\u00e3o.<\/p>\n\n\n\n Esse n\u00famero de ado\u00e7\u00f5es merece aten\u00e7\u00e3o por um motivo al\u00e9m do pr\u00f3prio n\u00famero. Ele n\u00e3o foi divulgado pelo RBI ou pelo fornecedor. Surgiu a partir de um pedido de informa\u00e7\u00f5es independente, uma forma mais robusta de proveni\u00eancia do que a maioria dos dados neste setor. Por favor, observe: n\u00e3o encontramos uma porcentagem de precis\u00e3o verificada em uma fonte prim\u00e1ria do RBI, e qualquer n\u00famero circulando em cobertura secund\u00e1ria deve ser considerado n\u00e3o confirmado at\u00e9 que o banco central publique um n\u00famero diretamente.<\/p>\n\n\n\n A Superintend\u00eancia de Banca, Seguros e AFP do Peru, o Banco do Gana e a Otoritas Jasa Keuangan (OJK) da Indon\u00e9sia desenvolveram ferramentas de monitoramento e reclama\u00e7\u00f5es de mercado com tecnologia de intelig\u00eancia artificial, utilizando a extra\u00e7\u00e3o de dados de redes sociais, an\u00e1lise de sentimentos, chatbots, gest\u00e3o de casos de reclama\u00e7\u00f5es e pain\u00e9is de controle para supervis\u00e3o.<\/p>\n\n\n\n Estas iniciativas s\u00e3o cred\u00edveis e merecem aten\u00e7\u00e3o. Algumas j\u00e1 processaram volumes substanciais de coment\u00e1rios p\u00fablicos e produziram interfaces de monitoramento \u00fateis. O que ainda n\u00e3o t\u00eam publicamente \u00e9 a mesma profundidade de evid\u00eancias de resultados como no Brasil, nas Filipinas ou na \u00cdndia: mudan\u00e7as duradouras nos resultados dos consumidores, a efic\u00e1cia da aplica\u00e7\u00e3o da legisla\u00e7\u00e3o ou a produtividade da supervis\u00e3o medida ao longo do tempo. Isso n\u00e3o \u00e9 tanto um veredicto sobre a tecnologia quanto um sinal de onde cada programa se situa em sua pr\u00f3pria curva, antes do Brasil, das Filipinas e da \u00cdndia, mas no mesmo caminho. Eles devem fazer parte do banco de dados como pilotos medidos<\/strong>, o grupo mais prov\u00e1vel de produzir a pr\u00f3xima implementa\u00e7\u00e3o madura.<\/p>\n\n\n\n Primeiro, a IA funciona melhor quando \u00e9 integrado a um processo de supervis\u00e3o j\u00e1 existente<\/span> com um gargalo operacional evidente. As queixas chegam em formato de texto n\u00e3o estruturado. As apresenta\u00e7\u00f5es no registro cont\u00eam anomalias. As redes de transa\u00e7\u00e3o escondem contas falsas. As conversas p\u00fablicas revelam riscos emergentes em rela\u00e7\u00e3o \u00e0 conduta. Estas s\u00e3o quest\u00f5es bem definidas.<\/p>\n\n\n\n Em segundo lugar, As m\u00e9tricas do fluxo de trabalho s\u00e3o importantes<\/span>, e os que s\u00e3o honestos incluem os n\u00fameros desconfort\u00e1veis. Um regulador deve ser capaz de medir a precis\u00e3o da classifica\u00e7\u00e3o, falsos positivos, taxas de conclus\u00e3o e abandono, casos encaminhados e se a a\u00e7\u00e3o supervisionada melhorou, n\u00e3o apenas os volumes totais.<\/p>\n\n\n\n Em terceiro lugar, Dados independentemente verificados valem mais do que os relatados por si pr\u00f3prio<\/span>. O n\u00famero de aprova\u00e7\u00e3o do RBI veio de um pedido de acesso a informa\u00e7\u00f5es. A avalia\u00e7\u00e3o do BOB veio de uma organiza\u00e7\u00e3o de pesquisa independente, e n\u00e3o da pr\u00f3pria equipe de comunica\u00e7\u00e3o do regulador. Essa distin\u00e7\u00e3o deve influenciar a import\u00e2ncia que cada um de n\u00f3s atribui a uma determinada alega\u00e7\u00e3o.<\/p>\n\n\n\n No lado dos prestadores de servi\u00e7os financeiros (FSP), os credores, os emitentes de cart\u00f5es, as empresas de agrofinan\u00e7as e os seguradores, a base de evid\u00eancias \u00e9 mais ampla, particularmente no processo de aprova\u00e7\u00e3o de cr\u00e9dito e no design de produtos. Mas tamb\u00e9m aqui a atribui\u00e7\u00e3o se torna incerta. Um credor pode ter um grande portf\u00f3lio, um crescimento r\u00e1pido e um modelo de intelig\u00eancia artificial. Isso n\u00e3o significa automaticamente que a intelig\u00eancia artificial tenha causado os resultados do portf\u00f3lio.<\/p>\n\n\n\n O modelo \u201c3-1-0\u201d da MYbank, que consiste em um processo de aprova\u00e7\u00e3o de tr\u00eas minutos, uma aprova\u00e7\u00e3o de um segundo e nenhuma interven\u00e7\u00e3o manual, \u00e9 um dos exemplos mais proeminentes de subscri\u00e7\u00e3o automatizada de pequenas e m\u00e9dias empresas (PME). Este modelo utiliza dados de transa\u00e7\u00f5es e do ecossistema para avaliar empresas que podem n\u00e3o possuir demonstra\u00e7\u00f5es financeiras ou garantias convencionais.<\/p>\n\n\n\n O n\u00famero mais recente que consigo obter \u00e9 de 53 milh\u00f5es de PMEs atendidas cumulativamente, divulgado pela Ant Group e pela MYbank em abril de 2024 como parte do relat\u00f3rio anual de 2023 da MYbank (Businesswire, abril de 2024<\/a>). Uma refer\u00eancia anterior da IFC de 2020 citava 45 milh\u00f5es de PMEs atendidas e uma taxa de inadimpl\u00eancia pr\u00f3xima de 1,5%, aproximadamente 60% abaixo da m\u00e9dia do setor na \u00e9poca. N\u00e3o temos encontrado nenhuma atualiza\u00e7\u00e3o independente mais recente para nenhum desses n\u00fameros, portanto estamos apresentando ambos explicitamente, em vez de apresent\u00e1-los como desempenho atual.<\/p>\n\n\n\n Vale acrescentar que as maiores cifras s\u00e3o provenientes das divulga\u00e7\u00f5es da MYbank e do pr\u00f3prio Ant Group, reais e substanciais, embora n\u00e3o auditadas independentemente. A afirma\u00e7\u00e3o mais clara, e uma afirma\u00e7\u00e3o forte em seus pr\u00f3prios termos, \u00e9 que o underwriting com tecnologia de intelig\u00eancia artificial foi implementado com sucesso em uma das maiores opera\u00e7\u00f5es de cr\u00e9dito para pequenas e m\u00e9dias empresas do mundo.<\/p>\n\n\n\n Uma interessante contradi\u00e7\u00e3o sobre a quest\u00e3o da verifica\u00e7\u00e3o independente \u00e9 a JUMO, a plataforma de infraestrutura de cr\u00e9dito pan-africana que opera em Gana, Qu\u00eania, Tanz\u00e2nia, Z\u00e2mbia, Uganda, Costa do Marfim, \u00c1frica do Sul e Camar\u00f5es. A JUMO relata $7,9 bilh\u00f5es desembolsados para mais de 31 milh\u00f5es de pessoas desde 2015, um valor divulgado pela empresa com a mesma cita\u00e7\u00e3o que a MYbank.<\/p>\n\n\n\n O que o diferencia \u00e9 que a JUMO se tornou primeiro provedor de servi\u00e7os financeiros digitais avaliado de acordo com o padr\u00e3o de prote\u00e7\u00e3o ao cliente Cerise+SPTF<\/span>, um exame administrado externamente, obteve uma pontua\u00e7\u00e3o de 92,2%. Essa \u00e9 uma rara ocorr\u00eancia neste campo, onde um terceiro, e n\u00e3o a pr\u00f3pria empresa, \u00e9 quem produz o n\u00famero principal.<\/p>\n\n\n\n A maioria dos exemplos de empr\u00e9stimo neste campo compara um portf\u00f3lio com si mesmo, antes e depois ou em rela\u00e7\u00e3o \u00e0 m\u00e9dia da ind\u00fastria. A Konf\u00edo, uma institui\u00e7\u00e3o de cr\u00e9dito fintech mexicana que utiliza pontua\u00e7\u00e3o de cr\u00e9dito baseada em intelig\u00eancia artificial para micro, pequenas e m\u00e9dias empresas (PMEs), \u00e9 uma das poucas com algo mais pr\u00f3ximo de um projeto de avalia\u00e7\u00e3o genu\u00edno. Uma an\u00e1lise do IDB Invest, o bra\u00e7o do setor privado do Banco Interamericano de Desenvolvimento, comparou empresas que receberam um empr\u00e9stimo da Konf\u00edo com candidatos semelhantes que foram rejeitados. Dois anos depois, os mutu\u00e1rios que receberam financiamento As vendas cresceram 19,4% mais do que o grupo de compara\u00e7\u00e3o rejeitado, e 41,9% mais entre as empresas de propriedade feminina.<\/em> (IDB Invest<\/a>).<\/p>\n\n\n\n Esse design de grupo de compara\u00e7\u00e3o exige um n\u00edvel de evid\u00eancia substancialmente superior a uma simples hist\u00f3ria de antes e depois, e \u00e9 por isso que colocamos a Konf\u00edo acima da maioria dos exemplos de pontua\u00e7\u00e3o de cr\u00e9dito que circulam neste setor. Isso n\u00e3o tira todas as d\u00favidas. A IDB Invest tamb\u00e9m \u00e9 investidora da empresa, portanto a avalia\u00e7\u00e3o n\u00e3o \u00e9 totalmente imparcial. Mas sim a situa\u00e7\u00e3o mais pr\u00f3xima neste ranking a uma situa\u00e7\u00e3o alternativa, e ela deve ser o ponto de refer\u00eancia quando um credor afirma que seu modelo de avalia\u00e7\u00e3o de risco \u201cmelhora os resultados\u201d.\u201d<\/em><\/p>\n\n\n\n Eshandi utiliza a pontua\u00e7\u00e3o baseada em aprendizado de m\u00e1quina em um produto de microcr\u00e9dito com dinheiro m\u00f3vel e j\u00e1 desembolsou quase um milh\u00e3o de empr\u00e9stimos para mulheres. Uma an\u00e1lise feita em n\u00edvel de mutu\u00e1rio em um relat\u00f3rio do IFC de 2026 constatou que as mulheres obt\u00eam pontua\u00e7\u00f5es mais altas no pr\u00f3prio sistema de pontua\u00e7\u00e3o de cr\u00e9dito do modelo e t\u00eam maior probabilidade de se tornarem mutu\u00e1rias recorrentes (IFC, \u201cCracking the Credit Code\u201d, maio de 2026<\/a>). O relat\u00f3rio \u00e9 cuidadoso ao definir o que isso significa, observando que a maioria desses modelos \u00e9 neutra em rela\u00e7\u00e3o ao g\u00eanero e que os ganhos de inclus\u00e3o desse tipo s\u00e3o, em grande parte, consequ\u00eancia de fatores aleat\u00f3rios, e n\u00e3o resultado de a\u00e7\u00f5es intencionais.<\/p>\n\n\n\n Essa \u00e9 a dose correta de cautela. As evid\u00eancias mostram que associa\u00e7\u00e3o<\/strong> entre o modelo de pontua\u00e7\u00e3o, o comportamento de repeti\u00e7\u00e3o de empr\u00e9stimos e o g\u00eanero. Isso n\u00e3o prova por si s\u00f3 que a IA aumentou a inclus\u00e3o financeira das mulheres ou causou melhores resultados econ\u00f4micos. O caso \u00e9 \u00fatil precisamente porque levanta as quest\u00f5es corretas: quem entra no funil, quem \u00e9 aprovado, quem repassa e se o modelo reproduz ou reduz as lacunas de g\u00eanero acidentalmente ou por design.<\/em><\/p>\n\n\n\n O cart\u00e3o de cr\u00e9dito digital da Vexi combina a an\u00e1lise de dados alternativos com pesquisas diretas com os clientes. O mesmo relat\u00f3rio do IFC de 2026 entrevistou mais de 3.000 tomadores de empr\u00e9stimos da Vexi e constatou que as mulheres que administravam empresas pessoais ou familiares utilizavam o cart\u00e3o para despesas comerciais em taxas mais elevadas do que os homens no mesmo levantamento, al\u00e9m de que seus limites de cr\u00e9dito m\u00e9dios ultrapassaram os dos homens ap\u00f3s cerca de quatro anos de uso do cart\u00e3o.<\/p>\n\n\n\n Isso torna o Vexi mais do que apenas uma hist\u00f3ria sobre pontua\u00e7\u00e3o de cr\u00e9dito. \u00c9 um exemplo de design de produto que mostra como o acesso a cr\u00e9dito digital flex\u00edvel pode apoiar as empresas dom\u00e9sticas e as empresas de propriedade feminina ao longo do tempo, n\u00e3o apenas no momento da aprova\u00e7\u00e3o. A mesma cautela aplica-se ao caso do Eshandi: O aumento da utiliza\u00e7\u00e3o e do limite de cr\u00e9dito pesquisados s\u00e3o evid\u00eancias do uso inclusivo de produtos, e n\u00e3o prova de que o modelo de apuramento de cr\u00e9dito sozinho causou o crescimento dos neg\u00f3cios.<\/em><\/p>\n\n\n\n Duas institui\u00e7\u00f5es financeiras e seguradoras africanas, a Apollo Agriculture e a Pula, pertencem \u00e0 mesma categoria do FSP e demonstram um verdadeiro alcance, ilustrando por que os pedidos de indeniza\u00e7\u00e3o por IA precisam ser separados dos resultados dos produtos e por que um objetivo e um resultado n\u00e3o s\u00e3o a mesma coisa.<\/p>\n\n\n\n A Apollo combina a avalia\u00e7\u00e3o de cr\u00e9dito baseada em dados com informa\u00e7\u00f5es agron\u00f4micas e seguros para pequenos agricultores no Qu\u00eania e, mais recentemente, na Z\u00e2mbia. Um estudo de caso da British International Investment de 2024 cita como meta alcan\u00e7ar mais de 2,3 milh\u00f5es de agricultores at\u00e9 2026. Essa meta \u00e9 uma proje\u00e7\u00e3o para o futuro e n\u00e3o uma realidade atual. Os dados mais recentes dispon\u00edveis indicam uma cobertura efetiva de aproximadamente 400.000 agricultores em ambos os mercados at\u00e9 2025, enquanto a opera\u00e7\u00e3o na Z\u00e2mbia ainda tem menos de 30.000 agricultores ap\u00f3s os seus primeiros 18 meses. Os dados sobre rendimento e qualidade de vida apresentados pela Apollo e pelos seus investidores, incluindo um rendimento m\u00e9dio reportado 2,6 vezes superior ao de outros agricultores quenianos, s\u00e3o extra\u00eddos de pesquisas realizadas pela empresa e pelos investidores, e n\u00e3o de avalia\u00e7\u00f5es independentes. A afirma\u00e7\u00e3o defens\u00e1vel \u00e9 que a Apollo construiu um modelo de agricultura financeira digital e escal\u00e1vel que ainda est\u00e1 em crescimento, de acordo com as suas ambi\u00e7\u00f5es declaradas, e n\u00e3o que a IA tenha sido comprovadamente capaz de aumentar os rendimentos ou a resist\u00eancia clim\u00e1tica. Esses resultados s\u00e3o influenciados pela combina\u00e7\u00e3o de cr\u00e9dito, sementes, fertilizantes, aconselhamento, clima, seguros e comportamento do agricultor.<\/p>\n\n\n\n A Pula utiliza dados satelitales, meteorol\u00f3gicos e agron\u00f4micos na concep\u00e7\u00e3o de seguros agr\u00edcolas, no c\u00e1lculo de pre\u00e7os e nos processos de sinistros. De acordo com a pr\u00f3pria divulga\u00e7\u00e3o atual da empresa, ela j\u00e1 assegurou 20,1 milh\u00f5es de agricultores em 22 pa\u00edses, pagou $133,9 milh\u00f5es em sinistros a 2,8 milh\u00f5es de agricultores e protejou $2,6 bilh\u00f5es em investimentos agr\u00edcolas. Em outubro de 2024, a Pula processou o que descreve como a maior indeniza\u00e7\u00e3o de seguro agr\u00edcola da \u00c1frica, mais de $29 milh\u00f5es para mais de 800.000 agricultores na Z\u00e2mbia ap\u00f3s uma grave seca. Essas evid\u00eancias s\u00e3o importantes, pois o seguro s\u00f3 cria resili\u00eancia quando as pol\u00edticas s\u00e3o distribu\u00eddas em escala e os sinistros s\u00e3o pagos com rapidez suficiente para fazer diferen\u00e7a, mas o n\u00famero de agricultores assegurados e o valor pago demonstram a escala e o desempenho da opera\u00e7\u00e3o de seguro. N\u00e3o isolam a contribui\u00e7\u00e3o incremental do aprendizado de m\u00e1quina ou da an\u00e1lise por sat\u00e9lite. A Pula \u00e9 um forte caso de seguro clim\u00e1tico com um modelo operacional habilitado pela IA, e n\u00e3o um teste controlado do impacto da IA na resili\u00eancia.<\/p>\n\n\n\n Para \u00f3rg\u00e3os reguladores, autoridades de supervis\u00e3o e empresas de servi\u00e7os financeiros, aplicaremos cinco crit\u00e9rios antes de considerar uma iniciativa de IA como bem-sucedida.<\/p>\n\n\n\n As evid\u00eancias s\u00e3o agora suficientemente fortes para ultrapassar a fase de experimenta\u00e7\u00e3o gen\u00e9rica, mas n\u00e3o suficientemente fortes para suspender o julgamento.<\/p>\n<\/blockquote>\n\n\n\n Para os reguladores, a gest\u00e3o de reclama\u00e7\u00f5es, os controlos de qualidade dos dados, a detec\u00e7\u00e3o de fraudes e contas falsas e a monitoriza\u00e7\u00e3o espec\u00edfica do mercado constituem pontos de partida pr\u00e1ticos. Utilizam dados j\u00e1 existentes, solucionam os pontos de gargalo vis\u00edveis e permitem que os supervisores humanos continuem a ser respons\u00e1veis.<\/p>\n\n\n\n Para os credores e os seguradores, a avalia\u00e7\u00e3o de dados alternativos e a tomada de decis\u00f5es automatizada j\u00e1 est\u00e3o a expandir o seu alcance, particularmente para consumidores com pouca documenta\u00e7\u00e3o, mulheres, PMEs e agricultores familiares. Os exemplos mais fortes medem a inclus\u00e3o ao longo de todo o processo, desde a apresenta\u00e7\u00e3o da candidatura at\u00e9 \u00e0 aprova\u00e7\u00e3o, aos limites, aos pre\u00e7os, \u00e0 repeti\u00e7\u00e3o da utiliza\u00e7\u00e3o, ao reembolso e aos resultados para o cliente. A avalia\u00e7\u00e3o de grupos de compara\u00e7\u00e3o da Konf\u00edo \u00e9 o padr\u00e3o a seguir, e mais do sector \u00e9 capaz de faz\u00ea-lo do que atualmente tenta.<\/p>\n\n\n\n Para os investidores e institui\u00e7\u00f5es de desenvolvimento que financiam ambos os lados dessa equa\u00e7\u00e3o, a pergunta sobre a dilig\u00eancia \u00fatil pergunta o que mudou na decis\u00e3o, quais evid\u00eancias mostram que \u00e9 melhor e quem se beneficia, em vez de simplesmente perguntar se a empresa utiliza IA.<\/p>\n\n\n\n Os reguladores j\u00e1 est\u00e3o a detetar fraudes e a resolver atrasos de reclama\u00e7\u00f5es mais rapidamente. Os credores est\u00e3o a alcan\u00e7ar os mutu\u00e1rios que eram invis\u00edveis para os procedimentos convencionais de aprova\u00e7\u00e3o de cr\u00e9dito. As seguradoras est\u00e3o a pagar as indemniza\u00e7\u00f5es num prazo de dias, em vez de meses. As evid\u00eancias sobre a aplica\u00e7\u00e3o da IA nos servi\u00e7os financeiros s\u00e3o mais s\u00f3lidas e mais espec\u00edficas do que o circuito de confer\u00eancias costuma atribuir. A tarefa agora \u00e9 continuar a construir essa base de dados com a mesma rigorosidade com que estes exemplos foram avaliados, de modo que a pr\u00f3xima onda de casos consiga ter o seu lugar ao lado deles. Os vencedores neste setor podem n\u00e3o ser as institui\u00e7\u00f5es com os maiores or\u00e7amentos em IA. Poder\u00e3o ser aqueles que conseguem demonstrar o seu trabalho.<\/p>\n\n\n\n <\/p>","protected":false},"excerpt":{"rendered":" Prateek Shrivastava | Julho de 2026 | Washington DC. A intelig\u00eancia artificial j\u00e1 est\u00e1 produzindo resultados reais e mensur\u00e1veis nos servi\u00e7os financeiros, e as evid\u00eancias mais s\u00f3lidas s\u00e3o mais substanciais do que o circuito de confer\u00eancias costuma reconhecer. O ap\u00eandice deste artigo cont\u00e9m a base de dados dos estudos de caso citados no texto. Os mais confi\u00e1veis\u2026<\/p>","protected":false},"author":2,"featured_media":2638,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"nf_dc_page":"","_kad_blocks_custom_css":"","_kad_blocks_head_custom_js":"","_kad_blocks_body_custom_js":"","_kad_blocks_footer_custom_js":"","_monsterinsights_skip_tracking":false,"_EventAllDay":false,"_EventTimezone":"","_EventStartDate":"","_EventEndDate":"","_EventStartDateUTC":"","_EventEndDateUTC":"","_EventShowMap":false,"_EventShowMapLink":false,"_EventURL":"","_EventCost":"","_EventCostDescription":"","_EventCurrencySymbol":"","_EventCurrencyCode":"","_EventCurrencyPosition":"","_EventDateTimeSeparator":"","_EventTimeRangeSeparator":"","_EventOrganizerID":[],"_EventVenueID":[],"_OrganizerEmail":"","_OrganizerPhone":"","_OrganizerWebsite":"","_VenueAddress":"","_VenueCity":"","_VenueCountry":"","_VenueProvince":"","_VenueState":"","_VenueZip":"","_VenuePhone":"","_VenueURL":"","_VenueStateProvince":"","_VenueLat":"","_VenueLng":"","_VenueShowMap":false,"_VenueShowMapLink":false,"_kadence_starter_templates_imported_post":false,"_swpsp_post_exclude":false,"_kad_post_transparent":"","_kad_post_title":"","_kad_post_layout":"","_kad_post_sidebar_id":"","_kad_post_content_style":"","_kad_post_vertical_padding":"","_kad_post_feature":"","_kad_post_feature_position":"","_kad_post_header":false,"_kad_post_footer":false,"_kad_post_classname":"","footnotes":""},"categories":[7],"tags":[],"class_list":["post-2636","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-impact"],"yoast_head":"\nOnde as autoridades reguladoras obt\u00eam valor pr\u00e1tico<\/mark><\/h3>\n\n\n\n
Exemplo 1. Brasil: identifica\u00e7\u00e3o de anomalias em um registro de cr\u00e9dito muito grande e precis\u00e3o quanto ao n\u00famero de casos que esse registro abrange.<\/h4>\n\n\n\n
Exemplo 2. As Filipinas: tornando o atendimento de reclama\u00e7\u00f5es acess\u00edvel<\/h4>\n\n\n\n
Exemplo 3. \u00cdndia: detec\u00e7\u00e3o de \u201ccontas de camelo\u201d antes que fundos fraudulentos desapare\u00e7am<\/h4>\n\n\n\n
Peru, Gana e Indon\u00e9sia: trabalho promissor ainda em fase de constru\u00e7\u00e3o rumo a um hist\u00f3rico comprovado<\/h4>\n\n\n\n
3 li\u00e7\u00f5es dos casos dos reguladores se destacam<\/mark><\/h3>\n\n\n\n
Onde os credores e os seguradores t\u00eam evid\u00eancias mais fortes<\/mark><\/h3>\n\n\n\n
MYbank: cr\u00e9dito automatizado para PMEs em escala significativa, apresentado de forma honesta<\/h4>\n\n\n\n
JUMO: empr\u00e9stimo digital em grande escala na \u00c1frica com avalia\u00e7\u00e3o independente de prote\u00e7\u00e3o ao cliente<\/h4>\n\n\n\n
Konf\u00edo: o caso raro com um grupo de compara\u00e7\u00e3o real<\/h4>\n\n\n\n
Eshandi na Z\u00e2mbia: evid\u00eancias promissores sobre g\u00eanero, mas n\u00e3o prova causal<\/h4>\n\n\n\n
Vexi no M\u00e9xico: o uso do produto \u00e9 t\u00e3o importante quanto a aprova\u00e7\u00e3o<\/h4>\n\n\n\n
Financiamento agr\u00edcola e seguro clim\u00e1tico: escala real e atribui\u00e7\u00e3o mais dif\u00edcil \u00e0 IA<\/h4>\n\n\n\n
Um melhor teste para estudos de casos de IA<\/mark><\/h3>\n\n\n\n
\n
O que isso significa para os reguladores e os FSPs<\/mark><\/h3>\n\n\n\n
\n
Anexo: Tabela de casos de uso (julho de 2026)<\/h3>\n\n\n\n