Como os Bancos Podem Alcançar as Fintechs em Inteligência Artificial

As tendências mais recentes de IA em bancos contam uma história clara: a inteligência artificial (IA), e a IA agente em particular, está transformando como as instituições financeiras ganham dinheiro e o conservam. Mas essa mudança não está acontecendo de forma uniforme. Analisamos mais de 600 projetos de IA em cerca de 30 clusters de ideias para ver onde as coisas realmente estão. Acompanhamos iniciativas lançadas após o lançamento do ChatGPT no final de 2022 até meados de 2025, comparando o que as fintechs estavam construindo contra o que os bancos tradicionais e empresas de pagamento estavam entregando. A brecha é real. As fintechs não estão experimentando mais rápido. Elas estão implantando em escala enquanto muitos bancos tradicionais ainda estão presos no modo piloto. Segundo a análise da McKinsey, o mercado de IA em bancos deve atingir US$ 315,5 bilhões até 2033, com crescimento anual de 31,83%. Essa é uma oportunidade enorme. Bancos que não se moverem agora correm o risco de perdê-la completamente. Vamos detalhar o que está funcionando, o que não está, e o que os bancos precisam fazer para fechar a brecha com seus concorrentes fintechs.

Os bancos incumbentes ainda estão muito atrás das fintechs quando se trata de implementação de IA com impacto mensurável nos negócios. A imagem do nosso conjunto de dados torna isso óbvio: analisamos aproximadamente 4.000 das maiores fintechs do mundo por receita e avaliação. Embora as fintechs representem apenas 40% do conjunto de dados, elas respondem por quase 70% de todas as iniciativas de IA. Chocante, mas não surpreendente se você observou como esses dois grupos operam. As fintechs se movem rápido porque podem. Elas não carregam décadas de dívida técnica. Suas equipes são menores, mais planas, construídas em torno de enviar produtos em vez de gerenciar comitês. Quando uma fintech quer testar um modelo de pontuação de crédito baseado em IA, o tempo da decisão à implantação é medido em semanas. Em um grande banco, a mesma decisão pode levar meses apenas para obter aprovação interna.

Por Que os Bancos Ficam para Trás na IA Bancária

Os bancos enfrentam uma restrição tripla que as fintechs largamente evitam:

• Sobrecarga regulatória. Cada modelo de IA que toca dados do cliente precisa de revisão de conformidade, documentação de explicabilidade e trilhas de auditoria. A Lei de IA da UE, que entra em vigor completo para sistemas bancários de alto risco em agosto de 2026, adiciona outra camada. Pontuação de crédito, monitoramento de AML e ferramentas automatizadas de empréstimo devem agora atender a requisitos rigorosos de transparência e supervisão humana, com penalidades chegando a até 7% do faturamento anual global.
• Pilhas de tecnologia fragmentadas. A maioria dos grandes bancos opera em um emaranhado de sistemas legados, alguns datando dos anos 1990 ou anterior. Integrar modelos de aprendizado de máquina em plataformas bancárias centrais baseadas em COBOL é difícil e caro. A transformação digital requer middleware, camadas de API, e frequentemente uma migração completa para a nuvem antes que qualquer modelo de IA possa acessar dados de produção.
• Inércia organizacional. Os bancos são hierárquicos por design. Obter alinhamento entre risco, conformidade, TI e unidades de negócio em uma única iniciativa de IA requer capital político que a maioria dos patrocinadores de projetos simplesmente não tem.
• Preocupações com a qualidade dos dados. Bancos têm dados espalhados em dezenas de sistemas herdados de fusões e aquisições. Formato inconsistente, registros incompletos e armazenamento em silos tornam difícil treinar modelos de ML confiáveis.

Após um período de intensa experimentação, a taxa geral de adoção de IA em serviços financeiros está se achatando. Muitas aplicações tornaram-se padrão. Assistentes conversacionais baseados em IA, automação de fechamento financeiro e ferramentas básicas de triagem de fraude são agora recursos padrão, implantados no mesmo ritmo que produtos que não visam especificamente a IA. O crescimento interessante está acontecendo nas bordas.

Onde o Crescimento da IA Bancária Está Concentrado

As aplicações com as taxas de adoção mais rápidas são principalmente agentes e focadas em receita:

• Plataformas de negociação multiativo baseadas em IA que tomam decisões algorítmicas em tempo real
• Sistemas de análise preditiva e gestão de decisões que aplicam aprendizado de máquina e processamento de linguagem natural para detectar tendências e avaliar riscos
• Agentes autônomos de atendimento ao cliente que lidam com fluxos de trabalho completos sem transferência humana, usando PLN para entender contexto e intenção
• Integrações de open banking onde modelos de IA se sentam sobre ecossistemas de API compartilhados, puxando dados de múltiplos provedores para construir perfis de clientes mais ricos As fintechs dominam essas categorias de alto crescimento. Na nossa visão, essa brecha vem da relutância dos bancos em lançar produtos de IA diretamente aos clientes. Nosso conjunto de dados sobre lançamentos relacionados a IA inclui cerca de 600 lançamentos de produtos. Isso é cerca de 3% de todos os lançamentos de produtos e serviços no mesmo período (2022 até meados de 2025). Três por cento. Esse número deveria preocupar executivos de bancos. Significa que a vasta maioria da inovação em bancos digitais ainda está acontecendo sem IA em seu núcleo. As fintechs, enquanto isso, estão construindo modelos de negócio inteiros em torno dela.

Do que vimos, a detecção de fraude é a área onde a IA bancária tem o histórico mais comprovado. E a necessidade continua crescendo. A fraude global com cartões de crédito sozinha deve atingir US$ 43 bilhões até o final de 2026, segundo estimativas da indústria. Sistemas tradicionais baseados em regras não conseguem acompanhar o volume ou sofisticação dos padrões modernos de fraude.

Como a IA Muda a Detecção de Fraude

Modelos de aprendizado de máquina analisam padrões de transação em tempo real, sinalizando anomalias que sistemas baseados em regras perdem. A diferença é significativa.

• Pontuação em tempo real. Modelos de ML avaliam milhares de variáveis por transação em milissegundos, pegando fraude de identidade sintética e tomada de contas que regras estáticas não detectam.
• Aprendizado adaptativo. Diferente de sistemas baseados em regras, modelos de IA retreinam continuamente em novos padrões de fraude. Isso encolhe a janela entre um novo vetor de ataque e a capacidade do sistema de detectá-lo.
• Redução de falsos positivos. É aqui que o impacto financeiro fica real. Sistemas tradicionais geram volumes enormes de falsos positivos, cada um exigindo revisão manual. Bancos usando triagem de fraude baseada em IA relatam reduções de 50-70% nas taxas de falsos positivos.

Pontuação de Crédito e Avaliação de Risco

A pontuação de crédito baseada em IA é outra área onde os bancos estão começando a alcançar. Modelos tradicionais de crédito dependem de um conjunto estreito de variáveis: histórico de pagamento, dívida pendente, tempo de histórico de crédito. Modelos de aprendizado de máquina podem puxar milhares de pontos de dados alternativos, de pagamentos de serviços públicos a padrões de gastos, e construir um perfil de risco mais preciso. Para bancos atendendo populações com arquivos de crédito finos, isso importa muito. Abre segmentos inteiramente novos de clientes que antes eram impossíveis de pontuar.

Se há uma área onde o ROI da IA bancária é difícil de contestar, é a conformidade KYC e AML. Os números falam por si: bancos tipicamente designam 10-15% de seus funcionários em tempo integral para atividades de KYC e AML. Apesar de aumentar o gasto com conformidade em até 10% anualmente, a indústria financeira detecta apenas cerca de 2% dos fluxos globais de crime financeiro. Essa incompatibilidade entre investimento e resultado é extraordinária.

O Problema dos Falsos Positivos

Em fluxos de trabalho tradicionais de AML, até 95% dos alertas são falsos positivos. Construir um único Relatório de Atividade Suspeita (SAR) pode levar quatro ou mais dias. Multiplique isso pelos milhares de alertas que um grande banco processa mensalmente, e você tem uma função de conformidade que consome recursos enormes enquanto pega muito pouco crime real. A IA muda a economia disso completamente. A pesquisa da Accenture sobre IA agente em bancos documentou uma redução de 99% no tempo de ingestão KYC para instituições que implantaram análise de documentos e verificação de identidade baseadas em IA.

Como Parece a Conformidade Baseada em IA

• KYC perpétuo. Em vez de revisões periódicas, a IA permite reavaliação contínua de risco ao longo do ciclo de vida do cliente. Pega mudanças em padrões de comportamento que revisões pontuais perdem.
• Processamento inteligente de documentos. Modelos de ML extraem e validam informações de documentos de identidade e registros corporativos em velocidades que nenhuma equipe humana consegue acompanhar.
• Análise de rede. Modelos de IA baseados em grafos mapeiam redes de transação para identificar padrões de lavagem de dinheiro que abrangem múltiplas contas e jurisdições. Para líderes de tecnologia empresarial avaliando por onde começar com IA, a automação de conformidade oferece o caminho mais claro para retornos mensuráveis.

Há muita confusão no mercado sobre o que esses termos realmente significam, e a distinção importa para a estratégia de IA bancária. IA Generativa produz conteúdo. Ela redige emails, resume documentos e gera código. Em bancos, ela alimenta co-pilotos de codificação, interfaces de chat-com-seus-dados e marketing personalizado. Útil, sim, mas é fundamentalmente uma ferramenta de produtividade. Você pergunta, ela responde. IA Agente produz resultados. Ela vai além de gerar uma resposta: percebe uma situação, toma uma decisão e age. Um sistema de IA agente pode validar um pedido de empréstimo, encaminhá-lo para processamento, executar verificações de conformidade e notificar o cliente sem intervenção humana.

As Implicações Bancárias

Considere um exemplo prático. Uma ferramenta de IA generativa pode redigir uma carta personalizada de aprovação de empréstimo. Um sistema de IA agente processa o empréstimo inteiro: recebimento da aplicação, análise de risco, aprovação, desembolso. A mudança de generativa para agente é onde acontece a transformação real de IA em bancos. Segundo a BCG, aproximadamente 70% das empresas de serviços financeiros estão agora explorando IA agente, mas apenas 14% a implantaram em escala completa. O número de 14% é onde está a oportunidade. Bancos que se moverem para sistemas agente de nível de produção agora terão uma vantagem real sobre aqueles que ainda estão executando experimentos de IA generativa.

Onde Cada Tipo Se Encaixa

A experiência do cliente é onde a vantagem fintech é mais visível para os usuários finais. As fintechs estabeleceram o padrão de banco digital: aprovações instantâneas, insights proativos de gastos, notificações em tempo real. Clientes agora esperam essa mesma experiência de seus bancos.

Assistentes Virtuais e Chatbots

A Erica do Bank of America é o exemplo mais citado, e com boa razão. O assistente de IA lidou com mais de 676 milhões de interações com clientes desde o lançamento. Erica responde perguntas, envia alertas, ajuda com orçamentos e encaminha questões complexas para assessores humanos. Mas a Erica é a exceção. A maioria dos chatbots bancários são páginas de FAQ glorificadas que frustram mais do que ajudam clientes. A brecha entre o que é possível e o que a maioria dos bancos realmente entrega é enorme.

Personalização em Escala

A personalização baseada em IA vai além de recomendações de produtos. Sistemas modernos analisam padrões de gastos e fluxos de renda para entregar orientação financeira oportuna e relevante. O Discovery Bank na África do Sul oferece uma ferramenta de bem-estar financeiro através do WhatsApp, onde clientes perguntam coisas como "Quanto eu gastei em café no mês passado?" e recebem respostas instantâneas e personalizadas. Esse tipo de interação contextual e conversacional é onde a experiência do cliente encontra valor real de negócio. Bancos que implementam isso bem veem melhorias mensuráveis em engajamento e retenção.

A Brecha de Personalização

O problema para a maioria dos bancos não é a tecnologia de IA. São os dados. Dados de clientes estão tipicamente espalhados em dezenas de sistemas isolados: contas, cartões, hipotecas, investimentos. Construir uma visão unificada do cliente que alimente um motor de personalização requer trabalho significativo de engenharia de dados, e geralmente um investimento em software customizado que a maioria dos bancos tem sido relutante em fazer.

Não há escassez de projeções otimistas sobre o valor potencial da IA em bancos. A McKinsey estima US$ 200-340 bilhões em potencial anual para bancos globais da adoção de IA. Mas o que as instituições estão realmente vendo hoje?

Retornos de Adotantes Precoces

Os dados de empresas que se moveram além de pilotos são encorajadores. Segundo pesquisa compilada pelo Neurons Lab, adotantes precoces de IA agente em serviços financeiros estão reportando retornos de 2,3x em seus investimentos em IA dentro de 13 meses. Um ciclo de retorno rápido para tecnologia empresarial, por qualquer medida. Alguns estudos de caso específicos dão mais cor a esses números:

• JPMorgan Chase aloca aproximadamente US$ 2 bilhões para IA de um orçamento de tecnologia de US$ 18 bilhões. Mais de 150.000 funcionários usam modelos de linguagem grande semanalmente. O sistema LAW do banco lida com revisão de documentos legais com 92,9% de precisão, e seu assistente EVEE libertou centenas de agentes de call center para prospecção proativa de clientes.
• Klarna: O assistente de IA da Klarna lida com dois terços de todos os chats de atendimento ao cliente no primeiro mês de lançamento, fazendo o trabalho equivalente a 700 agentes em tempo integral. Economia anual estimada: US$ 40 milhões.
• Bank of America comprometeu US$ 4 bilhões com IA e iniciativas relacionadas, implementando o Agentforce da Salesforce para 1.000 assessores financeiros.

Onde o ROI É Mais Forte

Os maiores retornos não vêm de recursos chamativos voltados ao cliente. Vêm de operações:

• Redução de 30-50% nas cargas de trabalho manuais para tarefas como processamento de documentos e revisão de conformidade
• 50-70% menos falsos positivos em detecção de fraude, cortando diretamente custos de investigação
• 99% mais rápida ingestão de documentos KYC em instituições usando processamento baseado em IA Para bancos avaliando sua estratégia de IA, a lição é clara: comece onde a dor operacional é maior, não onde a história de marketing é mais brilhante.

Entender as tendências de IA bancária é uma coisa. Realmente implementar IA em uma grande instituição financeira é outra. As barreiras são reais, e ignorá-las é por que tantos projetos de IA em bancos travam após a fase piloto.

Modernização de Sistemas Legados

A maioria dos grandes bancos executa operações bancárias centrais em sistemas mainframe com 20-40 anos. Esses sistemas funcionam. Processam milhões de transações diariamente. Mas nunca foram projetados para integrar com modelos de IA modernos. Tirar dados em tempo real de um sistema baseado em COBOL e colocá-los em um pipeline de aprendizado de máquina requer middleware, APIs, e frequentemente uma estratégia de migração para nuvem. O custo da transformação digital é substancial. Mas o custo de não modernizar está crescendo mais rápido, porque a cada ano a brecha entre o que a IA pode fazer e o que a infraestrutura legada permite fica maior.

Qualidade dos Dados e Governança de Dados

Modelos de IA são tão bons quanto os dados nos quais são treinados. Em bancos, problemas de qualidade de dados são comuns:

• Formatos inconsistentes entre sistemas adquiridos. A maioria dos grandes bancos completou múltiplas fusões, cada uma trazendo seu próprio esquema de dados.
• Registros ausentes ou incompletos em bancos de dados de clientes.
• Armazenamento em silos, onde informações de clientes para contas, cartões e empréstimos vivem em sistemas separados e desconectados. Construir uma base de dados confiável e um framework claro de governança de dados não é trabalho glamouroso, mas é o pré-requisito para toda iniciativa de IA que se segue. Sem governança de dados centralizada, mesmo os melhores modelos produzem saídas não confiáveis.

Governança e Explicabilidade

Reguladores esperam que bancos expliquem como modelos de IA tomam decisões, especialmente para determinações de crédito e fraude. Isso significa que modelos caixa-preta não são aceitáveis em muitos contextos bancários. Bancos precisam de frameworks de IA explicável e processos de gestão de risco de modelos, mais monitoramento contínuo. Segundo pesquisas da indústria, 48% das instituições financeiras citam governança como sua principal barreira para adoção de IA, e 30% citam a dificuldade de explicar decisões de modelos a reguladores. Esses não são problemas técnicos que podem ser resolvidos com mais engenharia. São problemas organizacionais que requerem investimento em pessoas, processos e cultura.

Então o que os bancos devem realmente fazer? A resposta não é tentar superar as fintechs em velocidade. Bancos têm vantagens estruturais que as fintechs não têm: confiança, licenças regulatórias, bases de clientes existentes e balanços. O caminho para frente é combinar essas vantagens com capacidades de IA que as fintechs pioneirizaram.

Priorize Aplicações que Geram Receita

Muitos projetos de IA em bancos focam em ganhos de eficiência interna. Esses importam, mas não fecharão a brecha competitiva. Bancos precisam investir em IA voltada ao cliente que impulsiona crescimento: recomendações de produtos personalizadas e ferramentas de planejamento financeiro baseadas em IA, mais motores de decisão em tempo real para empréstimos e seguros. As fintechs que estão vencendo em IA bancária não estão vencendo porque têm modelos melhores. Estão vencendo porque enviam esses modelos em produtos que clientes realmente usam.

Construa a Base de Dados e Governança

Você não pode escalar IA sem infraestrutura de dados confiável e governança clara. Isso significa investir em:

• Plataformas de dados unificadas de clientes que puxam informações de toda a organização
• Frameworks de gestão de risco de modelos que satisfaçam reguladores sem desacelerar implantação até parar
• Infraestrutura de nuvem que suporte os requisitos de computação de cargas de trabalho modernas de ML, incluindo plataformas de computação em nuvem construídas para serviços financeiros
• Pipelines de dados de open banking que deixem modelos de IA puxarem de fontes externas para construir perfis de clientes mais ricos

Desenvolva Capacidades de IA Agente

A mudança de automação para autonomia é a tendência de IA bancária mais importante para observar. Bancos precisam ir além de chatbots que respondem perguntas em direção a agentes de IA que completam fluxos de trabalho. Isso significa construir ou adquirir sistemas que podem perceber contexto e tomar decisões dentro de guardrails definidos. O PayPal Agent Toolkit, lançado em 2025, é um bom exemplo de para onde isso está indo. A ferramenta permite que desenvolvedores criem agentes que podem analisar dados transacionais, executar pagamentos e gerenciar fluxos de conformidade. Bancos que desenvolvem capacidades similares internamente, ou fazem parcerias para acessá-las, estarão em posição melhor do que aqueles que ainda estão experimentando com chatbots básicos.

A tabela abaixo detalha como as fintechs e bancos tradicionais se comparam nas principais dimensões de adoção de IA. A imagem não é inteiramente unilateral. Bancos têm vantagens reais em confiança e posição regulatória. Mas estão perdendo em velocidade e disposição para deixar IA impulsionar decisões de negócio centrais.

A brecha entre fintechs e bancos em IA não vai se fechar sozinha. Cada trimestre que os bancos passam em modo piloto é um trimestre que seus concorrentes fintechs usam para construir sistemas de produção e adquirir clientes. Mas a janela não está fechada. Bancos que se comprometerem com uma estratégia de IA clara, investirem em suas bases de dados e se moverem de experimentos de IA generativa para sistemas de IA agente ainda podem competir. Eles têm ativos que as fintechs trocariam muito para ter: licenças regulatórias e confiança de clientes respaldadas por redes massivas de distribuição. A transformação digital necessária não é um projeto único com uma linha de chegada. É um compromisso sustentado em reconstruir como o banco opera, desde análise preditiva em empréstimos até monitoramento de cibersegurança baseado em IA. Cada peça reforça a próxima. Os bancos vão adotar IA. Eles têm que adotar. A questão real é se farão isso rápido o suficiente para importar. Baseado nas tendências de IA bancária que estamos acompanhando, a resposta depende de se a liderança trata IA como um projeto de tecnologia ou como uma transformação de negócio. Essas são coisas muito diferentes. Na nossa experiência trabalhando com instituições financeiras, os bancos que entendem a diferença vão superar os que não entendem.