IA nos serviços financeiros: moldando o futuro das finanças

Os serviços financeiros aproveitam a IA para detectar e impedir crimes financeiros, melhorar a experiência do cliente por meio de assistentes virtuais e personalização, melhorar a gestão de riscos, impulsionar a negociação algorítmica e a otimização comercial, fortalecer a segurança cibernética e aumentar a produtividade dos funcionários. Os principais benefícios da IA nas finanças incluem novas eficiências operacionais, experiências aprimoradas para o cliente, melhor mitigação de riscos, fontes de receita e oportunidades de negócios adicionais, tomada de decisões mais rápida e novas vantagens competitivas. A adoção da IA nas finanças requer abordar riscos de conformidade regulatória, erros e preconceitos potenciais, desafios de dados, falta de talentos em IA e encargos legados.

No entanto, manter uma posição de liderança na revolução da IA no setor bancário e nos serviços financeiros é um desafio. A adoção da IA nas finanças requer uma avaliação cuidadosa dos riscos e a seleção do caso de uso comercial certo para começar.

A aprendizagem automática (ML) e a inteligência artificial analítica (IA) não são coisas novas nas finanças. Já são usadas para classificar dados, automatizar processos, detectar padrões e prever eventos. Os serviços bancários, financeiros e de seguros representam 18% do mercado global de ML, classificando-se como um dos maiores utilizadores de tecnologia, perdendo apenas para TI e telecomunicações (19%).

Formulários de IA usados por instituições financeiras

• Análise de dados (69%)
• Processamento de dados (57%)
• Processamento de linguagem natural (47%)
• Modelos de linguagem grandes (46%)
• IA generativa (43%)

A estratégia de adoção de IA e ML mais comum entre as organizações de serviços financeiros é o desenvolvimento de aplicações usando serviços de IA e ML baseados na nuvem. Essa abordagem foi identificada como a principal estratégia por 44% das empresas pesquisadas, de acordo com a S&P Global. Utilização atual da solução de IA no setor financeiro:

• Operações (48%)
• Risco e conformidade (45%)
• Marketing (34%)
• Vendas (27%)

A IA genérica continua na linha da frente

A IA generativa é a tecnologia chave que está a moldar o futuro da IA nas finanças. A penetração atual da IA generativa e dos grandes modelos de linguagem nas organizações de serviços financeiros chega a quase 43% e 46%, respetivamente. IA generativa no setor bancário:

• Co-pilotos de codificação para digitalização acelerada
• Soluções de chat-your-data para democratizar os dados empresariais
• Geração de dados sintéticos para treino de modelos de IA/ML
• Geração de relatórios de risco e conformidade
• Assistentes virtuais pessoais do cliente
• Campanhas de vendas e marketing hiperpersonalizadas
• Criação automatizada de relatórios de sinistros de seguros
• Relatórios virtuais de danos em reclamações de seguros

Os analistas da McKinsey estimam que a IA generativa produzirá um crescimento de 2,8 a 4,7% no setor bancário global e de 1,8 a 2,8% no setor de seguros. Marketing, vendas, operações de atendimento ao cliente e engenharia de software provavelmente serão os mais impactados.

Prevenção de crimes financeiros

Só em 2023, esquemas fraudulentos causaram perdas de US$ 485,6 bilhões. Mais de US$ 3,1 trilhões em dinheiro ilegal circularam no sistema financeiro global em 2011. Com 90% das organizações financeiras a identificarem a prevenção de crimes financeiros como alta prioridade, aproveitar a análise de dados para deteção e prevenção torna-se crucial. Dois terços das organizações planeiam usar essa abordagem, com metade a investir em IA para expandir a capacidade de deteção de fraudes. A prevenção de fraudes por IA inclui:

• Análise de big data para acompanhamento de despesas e desempenho de contas
• Análise preditiva para avaliação de risco de crimes financeiros
• Sinalização de transações/contas para análise posterior
• Antilavagem de dinheiro (AML) e conheça o seu cliente (KYC) automatizados

Exemplo: O Barclays lançou uma aplicação de IA que rastreia transações comerciais online usando análise preditiva para ver se tem possibilidade de fraude. O PayPal usou IA para diminuir em 30 vezes os casos de fraude não detectados e ainda cortou os custos de hardware em três vezes.

Assistentes virtuais

Os chatbots com inteligência artificial aprimorados com Gen AI oferecem serviços de consultoria financeira pessoal 24 horas por dia, 7 dias por semana. Ao contrário das versões anteriores baseadas em regras, a Gen AI permite chatbots mais sofisticados que adaptam as respostas às solicitações diretas e indiretas dos clientes com interações semelhantes às humanas. Recursos do chatbot com IA:

• Recomendações sobre escolhas de investimento
• Gestão de contas bancárias
• Consultoria em gestão financeira pessoal
• Suporte ao cliente self-service
• Cobrança automatizada de dívidas

Hiperpersonalização em escala

Quase 73% dos clientes de serviços financeiros querem que os fornecedores entendam as suas necessidades e expectativas pessoais. Além disso, 62% mudariam de fornecedor se se sentissem tratados de forma impessoal. A personalização baseada em IA permite:

• Microssegmentação de clientes por necessidades e preferências
• Marketing personalizado e recomendações de produtos
• Prevenção da perda de clientes através de análises preditivas
• Conselhos sobre investimentos pessoais e gestão financeira

Gestão de riscos

As decisões tradicionais sobre empréstimos e seguros dependem de conjuntos de dados limitados, como ocupação e histórico de crédito. Os dispositivos de IA podem recolher e avaliar grandes quantidades de dados para obter classificações de crédito e avaliações de risco mais precisas, incluindo fontes não tradicionais, como a atividade nas redes sociais. Aplicações de gestão de risco de IA:

• Gestão de riscos corporativos com identificação de riscos inovadores
• Sugestões de estratégias de mitigação
• Ferramentas de avaliação de risco do cliente para decisões de investimento e empréstimo

Exemplo: O Banco Santander fornece a ferramenta Kairos a clientes corporativos para melhorar a tomada de decisões.

Otimização comercial e negociação algorítmica

Os algoritmos dominam as negociações há anos. O J.P. Morgan usou redes neurais profundas em 2019 para permitir que programas de negociação automática detectassem as rotas de execução de negociação mais lucrativas. Capacidades de negociação de IA:

• Processamento de centenas de pontos de dados de mercado
• Identificação de tendências históricas e atuais
• Análise de dados não estruturados (notícias) através do processamento de linguagem natural
• Precificação de ativos usando informações históricas e em tempo real
• Alocação ideal de ativos para maximização do ROI
• Avaliação do risco de liquidez
• Detecção de manipulação do mercado
• Automação de negociação de alta frequência

Cibersegurança

As violações de dados custam em média US$ 4,88 milhões, o que representa um aumento de 10% em relação a 2023. As organizações de serviços financeiros priorizam ficar à frente dos invasores, melhorando a segurança de terceiros, métricas e relatórios, além da gestão de acesso. Aplicações de cibersegurança de IA:

• Gestão de identidade e acesso com deteção de comportamentos suspeitos
• Segurança de terminais e identificação de malware
• Informações sobre vulnerabilidades de segurança na nuvem
• Detecção de ameaças e resposta automática
• Segurança da informação e prevenção contra roubo de dados
• Investigação de incidentes e otimização da resposta

As ferramentas modernas de cibersegurança Gen AI também:

• Processe as informações em sugestões de investigação
• Redigir a documentação do incidente
• Analise as vulnerabilidades de segurança da base de código
• Forneça orientações sobre segurança cibernética em linguagem natural

Ferramentas de produtividade dos funcionários

A IA ajuda os funcionários a serem mais produtivos em várias funções, desde risco e conformidade até atendimento ao cliente, marketing e vendas. Aplicações de produtividade Gen AI:

• Resumo de documentos (regulamentos, relatórios, pesquisas)
• Sugestões de resposta em tempo real do suporte ao cliente
• Ajuda na geração de trechos de código e revisão
• Processamento e classificação de dados não estruturados

Benefícios adicionais de eficiência da IA:

• Processamento visual de dados para avaliação de danos e verificação de identidade
• Processamento inteligente de documentos para dados estruturados/não estruturados
• Reconhecimento de voz para triagem do atendimento ao cliente
• Análise preditiva para recomendações da próxima melhor ação

Eficácia operacional melhorada

Os modelos de IA automatizam processos anteriormente manuais, incluindo a verificação de dados para abertura de contas e geração de relatórios de risco/conformidade, proporcionando novas eficiências operacionais.

Melhores experiências para os clientes

A personalização alimentada por IA, os assistentes virtuais e a automação inteligente criam experiências sem atritos, ao mesmo tempo que aceleram as operações administrativas. Isso aumenta o valor da vida útil do cliente, reduzindo a rotatividade e os custos de aquisição.

Riscos mitigados

A IA protege as organizações contra perdas financeiras e de reputação por meio da deteção precisa de fraudes e estruturas robustas de AML/KYC. No entanto, a implementação da IA em si requer mitigação de riscos.

Novas fontes de receita

A IA impulsiona modelos operacionais, produtos e serviços qualitativamente novos. O seguro automóvel baseado na utilização, com prémios determinados pela IA com base no comportamento do condutor, é um exemplo desta inovação.

Tomada de decisão mais rápida

As soluções Chat-your-data e análises poderosas permitem uma tomada de decisão mais rápida em todas as funções empresariais. A modelação preditiva apoia especificamente a estratégia de mitigação de riscos e as decisões de subscrição.

Vantagem competitiva

A IA proporciona melhores experiências ao cliente, menores despesas operacionais através de economias de eficiência e produtos e serviços inovadores alimentados por IA, criando vantagens competitivas para os primeiros a adotá-la.

Recuperação de documentos de seguros com geração aumentada (RAG)

Uma seguradora simplificou a extração de dados de milhares de documentos que datam de 2005. A solução RAG integrou a recuperação de informações com IA generativa, permitindo que analistas de negócios acessassem dados por meio de interfaces de perguntas e respostas em linguagem natural. Resultados: Os funcionários localizam as secções apropriadas da documentação em 38,3 ms enquanto pesquisam mais de um milhão de vetores, respondendo facilmente a consultas complexas, como comparações de preços de perfis de segurados.

Detecção e prevenção de fraudes em transações comerciais

A MasterCard fez uma parceria com a Amazon Web Services (AWS) para melhorar a capacidade de IA/ML para a prevenção de fraudes em transações comerciais, indo além dos sistemas baseados em regras para lidar com técnicas sofisticadas de fraude. Resultados: aumento de três vezes nas taxas de deteção de fraudes e redução de dez vezes nos falsos positivos, melhorando a experiência do comerciante com os serviços MasterCard.

Melhoria da experiência do cliente e ofertas preditivas

O Scotia Bank utilizou o Google Cloud para melhorar a experiência dos clientes com os serviços bancários de IA, transferindo os dados dos clientes para a infraestrutura em nuvem com três iniciativas principais:

• Recomendações de produtos individuais usando modelos de ML
• Automatização da experiência do cliente com processamento de linguagem natural, reconhecimento de voz e visão computacional
• Unificação de dados para melhores insights e aconselhamento financeiro

Otimização do portfólio

O HSBC colaborou com a EquBot para melhorar o desempenho da carteira usando big data. O Índice de Ações dos EUA com Inteligência Artificial (AiPEX) usa a IA da EquBot para selecionar ações com alto potencial de crescimento do índice Russell 1000. Resultados: O AiPEX superou o índice S&P 500 em 123% na última década, graças à identificação superior de ações de alto crescimento usando linguagem natural e dados não estruturados.

Produtividade do desenvolvedor

A Westfield Insurance adotou a IA generativa através da IBM para alcançar maior produtividade dos programadores e flexibilidade nos negócios, auxiliando no desenvolvimento de aplicações e na integração de programadores em COBOL, soluções Assembler e JCL. Resultados: redução de 80% no tempo de familiarização com a aplicação e redução de 30% no tempo de descrição e documentação do código, ao mesmo tempo que se acelera a modernização da aplicação e se reduzem os custos de gestão de alterações.

Riscos de conformidade regulamentar

Os reguladores em todo o mundo estão focados no uso da IA nas finanças. A Lei de Inteligência Artificial da UE representa o início de uma nova legislação sobre IA, enquanto os reguladores estaduais dos EUA evitam danos aos consumidores causados pela IA. Estratégias de mitigação:

• Examine todos os aspectos regulatórios que afetam o desenvolvimento e a implementação do modelo de IA
• Garanta uma governança robusta da IA
• Adote princípios de IA responsáveis e interpretáveis
• Crie conselhos de ética em IA com revisões regulares

Erros potenciais e preconceitos

Embora as preocupações com alucinações dominem as discussões sobre IA generativa, outros modelos de IA/ML enfrentam desafios relacionados a erros e preconceitos. Como a IA no setor bancário lida com dados confidenciais que afetam a vida dos clientes, é fundamental evitar esses problemas. Estratégias de mitigação:

• Crie conjuntos de dados de treino diversificados e representativos
• Examine regularmente os modelos quanto a preconceitos e erros, corrigindo os problemas identificados
• Usa métodos de treino anti-preconceito (reponderação, treino adversário)
• Treine os utilizadores finais sobre as limitações da ferramenta de IA
• Mantenha a supervisão humana no processo

Desafios dos dados

O sucesso dos modelos de IA e ML depende da qualidade dos dados de treino. No entanto, silos de dados, preocupações com a privacidade e volumes de dados insuficientes criam obstáculos significativos. Os problemas com dados representam o maior desafio para 38% das instituições financeiras. Estratégias de mitigação:

• Implemente uma cibersegurança robusta para proteger informações confidenciais
• Pense em gerar dados sintéticos usando Gen AI para treinar o modelo
• Consolide os silos de dados antes da aplicação da IA
• Trate as questões de privacidade de forma proativa

Falta de talento

O recrutamento e a retenção de especialistas em IA lideraram os desafios dos serviços financeiros em 2022, caindo para o segundo lugar em 2023, com 32% das organizações ainda enfrentando dificuldades. Estratégias de mitigação:

• Desenvolva propostas de valor atraentes para o empregador
• Avalie o potencial dos candidatos e as competências técnicas existentes
• Combine os requisitos comerciais com os requisitos de competências de forma adequada
• Procure por talentos em locais distantes e internacionais
• Pense em contratar talentos em IA através de prestadores de serviços

Encargos herdados

Os bancos e seguradoras tradicionais operam com sistemas de TI antigos, com idade média superior a 10 anos. A implementação de ferramentas de IA torna-se difícil ou impossível sem primeiro resolver a dívida técnica e modernizar a infraestrutura legada. Estratégias de mitigação:

• Realize uma análise abrangente da maturidade digital
• Reduza sistematicamente a complexidade do parque informático
• Defina com precisão o escopo, o prazo e o orçamento dos esforços de modernização do legado
• Quebre os silos organizacionais juntamente com os silos de software e dados

As principais tendências que definem o futuro da IA nos serviços bancários e financeiros incluem o impulso em direção a uma IA explicável e responsável, possibilidades de biometria física e comportamental e desenvolvimento da computação quântica.

IA explicável e responsável

A confiança do consumidor é um fator importante para a adoção bem-sucedida da IA. No entanto, só 21% dos clientes de serviços financeiros confiam nos chatbots de IA genérica. Com as questões éticas a ganharem destaque, aumenta a pressão por uma IA explicável e responsável. De acordo com uma pesquisa da NVIDIA, 84% das instituições financeiras implementaram medidas para garantir a confiabilidade dos modelos de IA. No entanto, a IA explicável continua a ser uma tecnologia imatura que precisa de soluções para reduzir a velocidade computacional e os compromissos de precisão para aumentar a interpretabilidade.

Biometria

O roubo de identidade sintética surge como um crime financeiro em rápida expansão nos EUA, com a IA generativa a tornar-se uma arma eficaz para os criminosos. As perdas projetadas de quase US$ 23 bilhões até 2030 podem ser superadas usando biometria física e comportamental. Esses sistemas usam IA para monitorar continuamente o comportamento do cliente e realizar uma triagem completa de KYC e AML. A biometria comportamental cria perfis exclusivos de clientes com base na velocidade de entrada de senha e nos padrões de navegação do aplicativo móvel. O reconhecimento facial oferece autenticação e autorização fáceis e seguras. Organizações como a MasterCard e o BNP Paribas já usam biometria para segurança avançada dos titulares de cartões.

Inteligência Artificial e Fusão Quântica (AQ)

As tecnologias quânticas representam o futuro do desenvolvimento tecnológico, com investimentos industriais sem precedentes. Embora os computadores quânticos não se tornem realidade na próxima década, a computação quântica tem o potencial de quebrar os procedimentos de encriptação assimétrica. Empresas financeiras como o HSBC já estão a melhorar a gestão da criptografia para se prepararem para a era da criptografia quântica. Combinados com IA, os algoritmos inspirados na mecânica quântica podem impulsionar ambientes de mercado mais avançados e análises de risco de portfólio além das simulações de Monte Carlo. A qualidade aprimorada do aprendizado AQ pode melhorar significativamente os recursos de deteção de fraudes.