A inteligência artificial (IA) está reformulando o setor financeiro, com 91% das instituições financeiras usando IA. A combinação de computação mais barata, melhores ferramentas e pressão competitiva fez a IA passar de experimental a necessária nas áreas de fraude, crédito, pagamentos e conformidade. Isso traz oportunidades e riscos, especialmente em um setor tão regulado quanto o financeiro.

A seguir, abordaremos como a IA no setor financeiro está transformando as operações de pagamentos e risco, o que isso significa para a experiência do cliente, e alguns aspectos do cenário regulatório e de segurança para as instituições que implementam esses sistemas.

Destaques

• A IA oferece retornos claros e mensuráveis na detecção de fraudes e na avaliação de risco de crédito.

• Os requisitos regulatórios de explicabilidade e impacto diferenciado exigem atenção.

• O próximo passo para a maioria das instituições é implementar essas ferramentas orientadas por IA de forma responsável, o que é tanto um desafio organizacional e de governança quanto um desafio técnico.

Por que a adoção de IA está se acelerando no setor financeiro?

O setor financeiro sempre foi rico em dados. Mas por muito tempo, a capacidade do setor de agir sobre esses dados ficou muito atrás de sua capacidade de coletá-los.

Agora, três forças estão convergindo para mudar isso:

• Os custos de computação caíram: executar grandes modelos em cargas de trabalho de alto volume teria sido proibitivo em termos de custo para a maioria das empresas há cinco anos. Com a redução dos custos, isso agora é viável até para muitas instituições de médio porte.

• As ferramentas de processo aberto amadureceram: construir sobre infraestrutura existente costuma ser mais rápido e barato do que construir do zero. Isso reduziu a barreira de entrada para instituições sem grandes equipes internas de IA.

• A pressão competitiva aumentou: instituições com sinais mais rápidos e precisos sobre risco de crédito ou fraude têm uma vantagem significativa sobre aquelas que ainda usam sistemas legados projetados para volumes menores de dados.

Quais são as principais tendências de IA que moldam os serviços financeiros?

A IA desempenha muitas funções no setor financeiro e está mudando a forma como as coisas são feitas em todos os lugares, inclusive nas áreas de engenharia de tecnologia financeira (fintech), nos departamentos jurídicos e muito mais.

A IA está aprimorando estas áreas:

• Produtividade interna: bancos e seguradoras estão usando grandes modelos de linguagem (LLMs) para ajudar analistas a resumir chamadas de resultados, redigir memorandos de crédito e pesquisar bases de conhecimento internas.

• Modelagem preditiva: a pontuação de crédito tradicional depende de um conjunto restrito de variáveis (por exemplo, histórico de pagamento, utilização e tempo de histórico de crédito). Modelos com dados alternativos podem incorporar centenas de variáveis para gerar avaliações de crédito para clientes com histórico limitado ou inexistente, que de outra forma nunca seriam considerados para a avaliação de risco convencional.

• Detecção de fraudes em tempo real: o setor migrou quase inteiramente de sistemas baseados em regras para sistemas orientados por modelos. Os modelos de machine learning podem identificar anomalias em padrões de gastos que nenhum conjunto de regras estáticas detectaria, e eles se atualizam continuamente conforme os padrões de ataque mudam.

• Fluxos de trabalho financeiros agênticos: o setor está adotando fluxos de trabalho agênticos que podem executar ações em várias etapas (por exemplo, reconciliar contas, acionar execuções de pagamento ou encaminhar exceções) com mínimo envolvimento humano em cada etapa.

Como a IA está transformando pagamentos, risco e operações no setor financeiro?

A IA lida com volume e reconhecimento de padrões em uma velocidade e escala que os processos manuais não conseguem acompanhar. As ferramentas de pagamento com IA tiveram um impacto mensurável na experiência do cliente e nas taxas de perda.

Veja o que elas podem fazer:

• Pontuação de fraude em tempo real: as modernas bandeiras de cartão e provedores de pagamentos podem analisar rapidamente muitos pontos de dados por transação (por exemplo, impressão digital do dispositivo, velocidade da transação, padrão geográfico e hora do dia) e usá-los para gerar uma pontuação de risco antes de autorizar o pagamento. O Stripe Radar, por exemplo, usa modelos de machine learning treinados com dados de milhões de empresas para detectar anomalias e atribuir uma pontuação de risco a cada transação.

• Gestão proativa de contestações: a IA pode sinalizar transações com probabilidade de resultar em estornos antes que uma contestação seja aberta. Isso dá às empresas a oportunidade de reembolsar proativamente ou entrar em contato com o cliente, o que pode reduzir as taxas de contestação.

• Avaliação de risco de crédito: os modelos orientados por IA podem retornar uma decisão de empréstimo para o cliente rapidamente. No crédito para pequenas empresas, a análise de fluxo de caixa pode substituir ou complementar a revisão tradicional de documentos, que historicamente atrasava as aprovações.

• Gestão de tesouraria e liquidez: as equipes financeiras podem usar IA para prever posições de caixa com mais precisão, modelando padrões históricos juntamente com dados de entrada e saída em tempo real.

• Monitoramento de conformidade: o software de conformidade com IA pode examinar grandes volumes de comunicações e atividades de transação em busca de indicadores de violações de políticas ou risco regulatório, sem muitas das inconsistências de uma revisão manual.

Como o uso de IA no setor financeiro afeta a experiência do cliente e a confiança?

A IA tem o potencial de fazer os clientes se sentirem mais seguros e mais vistos. Mas as mesmas capacidades podem tornar as experiências do cliente mais confusas ou menos transparente.

Considere estas questões:

• Personalização vs. privacidade: mecanismos de personalização podem apresentar produtos relevantes com base no comportamento da conta, em vez de depender de amplos segmentos demográficos. Mas a personalização orientada por IA depende de dados comportamentais detalhados, e alguns clientes se sentem desconfortáveis com a forma como esses dados são usados.

• Limitações do atendimento ao cliente: assistentes virtuais com IA podem lidar com consultas de saldo e solicitações de rotina com precisão e agilidade, mas muitas vezes não conseguem responder a perguntas complexas ou ambíguas. Quando um cliente não consegue falar com um humano após a falha do assistente, o relacionamento pode ser prejudicado.

• Falta de transparência em decisões relevantes: os clientes provavelmente não sabem quando a IA está envolvida em uma decisão que os afeta, como uma recusa de crédito, um alerta de fraude ou uma conta sinalizada. Quando essas decisões estão erradas, a falta de transparência pode dificultar a contestação e criar uma sensação de arbitrariedade que pode reduzir a confiança na instituição.

Quais são as considerações regulatórias, de segurança e éticas em torno da IA no setor financeiro?

Os marcos regulatórios em torno da IA no setor financeiro estão mudando rapidamente, assim como as preocupações de segurança e éticas. As instituições que implementam IA devem levar em conta esse dinamismo.

Veja o que é importante observar:

• Orientação dos EUA sobre ação adversa: o Consumer Financial Protection Bureau (CFPB) deixou claro que o uso de um algoritmo não isenta um credor de fornecer razões específicas e precisas para ações de crédito adversas nos termos do Equal Credit Opportunity Act. Nos EUA, produzir resultados explicáveis é um requisito de conformidade.

• Lei de IA da UE: a Lei de IA da UE classifica os sistemas de IA usados na pontuação de crédito e na avaliação de solvência como de alto risco, o que impõe requisitos de transparência, supervisão humana e documentação que vão além do que muitas instituições financeiras possuem. Os cronogramas de conformidade estão ativos para algumas disposições.

• Viés de modelo e impacto diferenciado: dados de treinamento que refletem padrões históricos de concessão de crédito podem codificar discriminações históricas. Modelos treinados com aprovações passadas aprenderão a replicar esses padrões, a menos que o processo de treinamento leve isso em conta explicitamente. Essa é uma preocupação tanto ética quanto regulatória, pois os reguladores estão tratando o impacto diferenciado como uma questão de fiscalização.

• IA como superfície de ataque: os modelos de detecção de fraudes podem ser investigados e manipulados por agentes sofisticados que entendem como funcionam e testam entradas projetadas para escapar da detecção. Essa é uma área ativa de pesquisa adversarial.

Como as instituições financeiras devem se preparar para a adoção contínua de IA?

As instituições que estão à frente construíram a infraestrutura e a capacidade organizacional para implementar IA de forma responsável em escala.

Veja os pontos principais a observar.

• Qualidade dos dados: um modelo bem projetado e treinado com dados limpos e bem rotulados supera um modelo sofisticado treinado com dados inconsistentes. Muitas instituições investem pouco em infraestrutura de dados em relação ao desenvolvimento de modelos, um problema que se agrava com o tempo.

• Supervisão humana real: os marcos regulatórios exigem revisão humana de decisões de IA com consequências significativas. Isso significa projetar fluxos de trabalho nos quais os revisores tenham o contexto, o tempo e a autoridade para substituir as decisões do modelo.

• Avaliação criteriosa de fornecedores: quando instituições financeiras implementam um sistema de IA de um fornecedor terceirizado, elas são responsáveis pelo que esse sistema faz. As avaliações de fornecedores devem incluir explicabilidade, metodologia de teste de viés, práticas de tratamento de dados e o posicionamento regulatório do fornecedor.

• Responsabilidade multifuncional: implementações de IA que existem inteiramente dentro das equipes de tecnologia tendem a ignorar implicações de conformidade, jurídicas e de experiência do cliente. As instituições que constroem capacidades duradouras de IA tratam isso como programas multifuncionais.

• Trilhas de auditoria para cada decisão relevante: seja uma recusa de crédito, um alerta de fraude ou uma retenção automática de pagamento, as instituições devem ser capazes de reconstruir por que um modelo produziu um determinado resultado. Isso é importante para reguladores, clientes e para os processos de revisão da própria instituição.

Como o Stripe Payments pode ajudar

O Stripe Payments oferece uma solução global e unificada de pagamentos que ajuda qualquer empresa, desde startups em crescimento até grandes corporações, a aceitar pagamentos online, presencialmente e em qualquer lugar do mundo.

O Stripe Payments pode ajudar você a:

• Otimizar sua experiência de checkout: crie uma experiência do cliente sem atritos e economize milhares de horas de engenharia com interfaces de pagamento (UIs) prontas, acesso a mais de 125 formas de pagamento e o Link, uma carteira desenvolvida pela Stripe.

• Expandir para novos mercados com mais agilidade: alcance clientes em todo o mundo e simplifique a gestão de múltiplas moedas, reduzindo custos e complexidade com opções de pagamento internacionais disponíveis em 195 países e mais de 135 moedas.

• Unificar pagamentos presenciais e online: crie uma experiência de comércio unificada em canais online e presenciais para personalizar interações, recompensar a fidelidade e aumentar a receita

• Melhorar o desempenho dos pagamentos: aumente a receita com ferramentas configuráveis, proteção contra fraudes no-code e recursos avançados que elevam as taxas de autorização.

• Crescer com uma plataforma flexível e confiável: opere sobre uma infraestrutura projetada para escalar, com 99,999% de disponibilidade histórica e alta confiabilidade.

Saiba mais sobre como o Stripe Payments pode potencializar seus pagamentos online e presenciais ou comece já.