Por Gary Kazantsev*

Grande parte do debate público ainda trata a inteligência artificial (IA) como se ela tivesse acabado de chegar ao setor financeiro e isso não corresponde a ralidade. A IA não é novidade no setor financeiro e o machine learning está presente no setor há anos, muitas vezes de forma discreta, em fluxos de trabalho que envolvem a extração de insights a partir de dados complexos e não estruturados, execução, análise e gestão de riscos.

O que tem mudado nos últimos anos não é a presença da IA, mas a interface e o ritmo da mudança. Sistemas que antes exigiam conhecimento especializado agora podem ser acessados de forma mais direta e aplicados amplamente, colocando esses recursos nas mãos de mais pessoas, enquanto a última geração de ferramentas de IA ampliou o leque de aplicações possíveis. Mas a adoção continua desigual.

No setor financeiro, o progresso depende não apenas dos recursos dos modelos, mas também da qualidade desses dados, do conhecimento especializado, da governança e do julgamento humano. Muitas instituições ainda estão lidando com os problemas mais complexos de acesso a talentos, dados, validação e controle. No setor financeiro, a confiança deve fazer parte do produto.

O Brasil é um lugar interessante para observar essa transformação, já que sua infraestrutura financeira está se modernizando rapidamente e seus órgãos reguladores já tratam a IA como uma questão real e atual. O Banco Central criou um Centro de Excelência em Ciência de Dados e IA em 2024, ao mesmo tempo em que incluiu o uso da IA por instituições financeiras em sua agenda regulatória para 2025/2026. Paralelamente, o Open Finance ultrapassou 100 milhões de autorizações e 65 milhões de contas conectadas em apenas cinco anos.

Em um contexto global, a Bloomberg processa atualmente centenas de bilhões de registros de dados de mercado por dia, provenientes de bolsas de valores de todo o mundo (em abril de 2025, ultrapassou a marca de 650 bilhões de registros processados em um único dia), além de milhões de notícias em mais de 40 idiomas diferentes, transcrições de teleconferências sobre resultados financeiros, documentos, relatórios de pesquisa, etc.

A escala se torna um grande desafio: os mercados modernos geram informações legíveis por meio de uma máquina em um volume que nenhuma equipe humana consegue absorver sem ajuda. O desafio não é mais o acesso aos dados, mas organizá-los e interpretá-los e de forma confiável e em tempo real.

Os avanços recentes em machine learning e IA tornaram as informações financeiras em grande escala mais fáceis de manipular. Os sistemas de IA, impulsionados pelos avanços na compreensão da linguagem natural, são capazes de pesquisar, relacionar, resumir e analisar dados em grande escala, transformando o que é possível realizar sob pressão de tempo. Tarefas que antes exigiam dias ou semanas de pesquisa lenta e minuciosa, hoje podem ser concluídas em minutos ou horas.

Ainda assim, muitos desafios do setor permanecem difíceis em um sentido mais profundo. O problema não se resume ao volume, à velocidade ou à variedade dos dados — os famosos “3 Vs”. Os processos que geram essas informações são não estacionários, adaptativos e ruidosos, e os erros podem ter custos muito elevados. O resultado é um nível irreduzível de incerteza e um amplo risco de que modelos de IA se apeguem a padrões acidentais e temporários, em vez de refletirem processos reais. Tornar esse ambiente navegável não é o mesmo que torná-lo plenamente compreensível diante da incerteza e de custos de erro assimétricos.

Os mercados financeiros também operam sob estruturas rigorosas de regulação e governança, que por sua vez estão evoluindo sob pressão tecnológica. Exigências de explicabilidade, transparência, atribuição e precisão são inegociáveis. Por isso, o sucesso na implementação de sistemas de IA depende não apenas do poder dos modelos, mas, sobretudo, do conhecimento de domínio e da disciplina de engenharia que os cercam.

A supervisão, a validação e a verificação humanas continuam sendo indispensáveis. Sistemas de IA confiáveis para o setor financeiro devem ser robustos diante de mudanças de regime, transparentes quanto à proveniência das informações e suficientemente rastreáveis para serem auditados e aprimorados. Também devem se comportar de maneira adequada quando o comportamento do mercado se desviar das condições sob as quais foram desenvolvidos. Em vez de mascarar incertezas com linguagem fluida ou falsa precisão, esses sistemas precisam evidenciá-las.

Quando ocorrem erros — que inevitavelmente ocorrerão —, analistas, engenheiros e gestores de carteiras precisam ser capazes de reproduzir os resultados, identificar se a falha se originou do modelo, dos dados ou do sistema circundante e corrigi-la rapidamente. Em uma área como a nossa, sistemas que não podem ser inspecionados, validados e modificados para corrigir falhas não estão prontos para uso em aplicações de alto risco.

Por outro lado, quando bem projetados e utilizados, esses sistemas transferem o gargalo da recuperação para a interpretação. Profissionais do mercado financeiro conseguem avançar mais rapidamente por dados de mercado, registros, transcrições, pesquisas e notícias, além de fazer perguntas mais sofisticadas em linguagem natural e conectar evidências que antes teriam permanecido dispersas em fluxos de trabalho separados.

O ganho não é apenas de velocidade, mas a síntese sob pressão de tempo. Quando as respostas permanecem fundamentadas em fontes identificáveis, a IA pode ajudar os profissionais a transformar informações fragmentadas para insights conectados, sem renunciar aos hábitos de verificação dos quais depende o bom senso.

O ambiente de mercado do Brasil está evoluindo rapidamente, e as instituições brasileiras precisam se adaptar. No entanto, a resposta correta não é a automação máxima. À medida que os sistemas de IA reduzem o tempo necessário para recuperar, sintetizar e analisar informações, o valor da expertise humana só aumenta. O discernimento, o contexto e a responsabilidade são fundamentais.

Os profissionais da área financeira devem compreender tanto os mercados quanto as ferramentas cada vez mais utilizadas para navegar neles, incluindo os limites desses instrumentos as ferramentas em situações de incerteza, viés e risco de modelo. As instituições que terão sucesso não buscarão otimização apenas para a automação, mas para um aprimoramento confiável, com sistemas que ampliem o alcance analítico, mantendo a responsabilidade humana firmemente no processo.

*Gary Kazantsev, chefe global de Tecnologia Quantitativa, Escritório do CTO, Bloomberg.

Siga o Future of Money nas redes sociais: Instagram | X | YouTube |  Tik Tok