80% dos bancos no Brasil já integraram IA nas decisões de crédito, diz Febraban/Deloitte — o cálculo do risco mudou de planilhas para simulações algorítmicas impulsionadas por Open Finance e Pix 🧵

Imagem indisponível

O que exatamente mudou? Modelos de machine learning passam a usar padrões de Pix, comportamento em apps e sinais não-econômicos para prever inadimplência. A granularidade melhora previsão, mas transforma opiniões humanas em caixas pretas.

Hora crítica: quais sinais são válidos? Dados comportamentais podem refletir desigualdades estruturais. Se o histórico financeiro for escasso, algoritmos podem penalizar quem já está à margem — reforçando exclusão em vez de democratizar acesso.

Imagem indisponível

Do ponto de vista técnico há um trade-off: modelos complexos (deep learning) aumentam acurácia e reduzem explicabilidade. Para crédito, interpretabilidade importa — precisamos de métricas de fairness, explicações e monitoramento contínuo.

Open Finance e fintechs criam oportunidade real de inclusão, oferecendo alternativas a quem era preterido pelos modelos tradicionais. Mas atenção: concentração de dados e provedores únicos pode gerar novos gatekeepers e assimetrias de poder.

Imagem indisponível

Não é só tecnologia: é governança. Servem regras claras sobre privacidade, direito à explicação, auditorias independentes e limites para uso de sinais sensíveis. Políticas públicas e padrões éticos devem acompanhar a inovação.

Reflexão final: se 80% dos bancos já usam IA, a próxima fronteira é confiança. A escolha entre ampliar inclusão ou reproduzir desigualdades dependerá de transparência, regulação e participação social — não só de modelos mais precisos.

Imagem indisponível