Com o título “Quando a IA começar a negar crédito sozinha, quem responderá pela decisão?”, eis artigo de Marco Antonio Pereira, Pesquisador e CEO e cofundador da Itera.
Confira:
O estudo Global AI in Finance 2026, da KPMG, confirma uma mudança relevante na forma como a inteligência artificial vem sendo incorporada pelas áreas financeiras. Se até pouco tempo a tecnologia era utilizada principalmente para automatizar tarefas operacionais, hoje ela já participa de atividades que exigem julgamento, como avaliação de riscos, previsões financeiras e apoio à tomada de decisão. A pesquisa registra essa evolução. Mas também evidencia um desafio que, na minha avaliação, ainda não ocupa o centro do debate: à medida que algoritmos passam a influenciar decisões cada vez mais relevantes, quem responde por elas? Essa pergunta é particularmente importante quando falamos de crédito corporativo.
Durante muitos anos, a transformação digital no mercado financeiro foi medida pela capacidade de reduzir custos, acelerar processos e eliminar atividades repetitivas. A inteligência artificial ampliou esse movimento ao automatizar análises documentais, identificar padrões e produzir recomendações em escala. O ganho de eficiência é inegável e explica por que a adoção da tecnologia cresceu de forma tão acelerada.
Mas eficiência operacional não é o mesmo que responsabilidade decisória. Existe uma diferença fundamental entre utilizar IA para organizar informações e permitir que ela influencie decisões que afetam patrimônio, liquidez, acesso a capital e continuidade dos negócios. É aí onde se encontra o crédito. Aprovar ou negar uma operação nunca foi apenas uma questão de velocidade computacional. É uma decisão baseada na interpretação de evidências financeiras, na avaliação de riscos e na capacidade de justificar tecnicamente a conclusão alcançada. Nesse ponto acredito que exista um equívoco recorrente na discussão sobre inteligência artificial.
Boa parte do mercado continua perguntando se os modelos estão mais inteligentes. A pergunta mais relevante, porém, talvez seja outra: estamos preparando a infraestrutura informacional necessária para confiar nas decisões produzidas por esses modelos?
A própria pesquisa da KPMG aponta que qualidade dos dados, governança e auditabilidade permanecem entre os principais fatores que diferenciam organizações capazes de transformar inteligência artificial em resultados concretos daquelas que ainda enfrentam dificuldades para capturar valor.
Não por acaso, esse também tem sido o foco crescente de reguladores e organismos internacionais. Documentos recentes da OCDE e do AI Act da União Europeia convergem para a necessidade de transparência, supervisão humana e mecanismos claros de prestação de contas quando algoritmos influenciam decisões de alto impacto. Essa convergência demonstra que o tema deixou de ser exclusivamente tecnológico para se tornar uma questão de governança corporativa.
A própria pesquisa da KPMG aponta que qualidade dos dados, governança e auditabilidade permanecem entre os principais fatores que diferenciam organizações capazes de transformar inteligência artificial em resultados concretos daquelas que ainda enfrentam dificuldades para capturar valor. Não por acaso, esse também tem sido o foco crescente de reguladores e organismos internacionais. Documentos recentes da OCDE, do Banco de Compensações Internacionais (BIS) e o AI Act da União Europeia convergem para a necessidade de transparência, supervisão humana e mecanismos claros de responsabilização pelas decisões automatizadas. Em outras palavras, cresce a expectativa de que organizações sejam capazes de demonstrar quem responde (accountability) quando algoritmos influenciam decisões de alto impacto. Essa convergência demonstra que o debate deixou de ser exclusivamente tecnológico para se tornar uma questão de governança corporativa
Quando essa diversidade não é adequadamente tratada, o risco deixa de estar apenas na inteligência do modelo. Passa a estar na qualidade da evidência sobre a qual ele constrói sua conclusão.
Esse ponto costuma receber menos atenção porque é menos visível do que os avanços dos grandes modelos de linguagem ou dos agentes autônomos. No entanto, é nele que reside boa parte da confiabilidade das decisões automatizadas.
Nenhum algoritmo interpreta a realidade de forma direta. Ele interpreta a representação digital dessa realidade. Se essa representação estiver incompleta, mal estruturada ou descontextualizada, a sofisticação matemática do modelo não elimina o problema. Apenas aumenta a velocidade com que conclusões potencialmente equivocadas podem ser produzidas.
Essa reflexão ganha importância em um momento em que o mercado começa a discutir agentes capazes de executar etapas inteiras de processos financeiros com autonomia crescente. A tendência é positiva. Haverá ganhos expressivos de produtividade, escalabilidade e capacidade analítica. Mas também será necessário redefinir os mecanismos de governança dessas decisões.
Não basta saber que um algoritmo concluiu que determinada empresa representa um risco elevado. Será cada vez mais importante compreender quais evidências sustentaram essa conclusão, quais critérios tiveram maior peso na análise, quais informações foram consideradas insuficientes e, principalmente, se todo esse processo pode ser reconstruído e auditado. Em um ambiente regulatório cada vez mais atento ao uso de inteligência artificial em atividades críticas, a capacidade de explicar uma decisão tende a se tornar tão importante quanto a capacidade de produzi-la.
Em outras palavras, a discussão deixa de ser sobre automação e passa a ser sobre confiança institucional. Organizações podem adquirir os mesmos modelos de inteligência artificial. O que continuará diferenciando umas das outras será a qualidade da informação, a robustez da governança e a capacidade de demonstrar que decisões críticas permanecem sob controle humano.
Esse é um aspecto que merece atenção especial das instituições financeiras. Durante décadas, a confiança no crédito foi construída pela combinação entre informação, metodologia e responsabilidade profissional. A inteligência artificial altera profundamente a forma como esses elementos interagem, mas não elimina a necessidade de responder por eles. Ao contrário: quanto maior a autonomia concedida aos sistemas, maior será a exigência de demonstrar que as decisões continuam sendo tecnicamente defensáveis.
Por isso, acredito que a discussão sobre inteligência artificial no crédito está entrando em uma nova fase.
Durante a primeira onda de adoção, perguntávamos se a IA conseguiria analisar informações mais rapidamente do que as pessoas. Em seguida, passamos a medir seu impacto sobre produtividade e retorno financeiro. A próxima etapa será menos tecnológica e mais institucional. Ela tratará da governança das decisões automatizadas, da rastreabilidade das evidências, da transparência dos modelos e da definição clara das responsabilidades quando uma decisão influenciada por IA produzir consequências relevantes.
O verdadeiro diferencial competitivo deixará de estar apenas na capacidade de automatizar análises. Estará na capacidade de demonstrar que decisões apoiadas por inteligência artificial continuam sendo transparentes, rastreáveis e institucionalmente responsáveis.
No fim, crédito continua sendo um exercício de confiança. A inteligência artificial transformará profundamente a forma como essa confiança é construída, mas dificilmente substituirá aquilo que sustenta qualquer decisão financeira relevante: a responsabilidade de quem responde por ela.
*Marco Antonio Pereira
Pesquisador e CEO e cofundador da Itera, que atua há 18 anos no desenvolvimento e aplicação de inteligência artificial para análise financeira, automação de processos e tomada de decisão no mercado financeiro.
