Passei boa parte da minha carreira trabalhando com tecnologia, dados e crédito, incluindo seis anos dentro de um dos maiores bureaus do mundo. E uma coisa que aprendi nesse período é que dado bom ajuda muito a decidir, mas dado isolado também pode contar uma história incompleta.
Por isso, quando vejo toda a discussão sobre inteligência artificial aplicada ao crédito, tenho uma provocação: será que estamos usando IA para resolver o problema certo?
Automatizar análises, ganhar velocidade e colocar agentes dentro dos motores de decisão são evoluções importantes. Mas, se usarmos uma tecnologia completamente nova apenas para executar mais rápido as mesmas políticas, olhando basicamente para as mesmas informações e concentrando toda a inteligência no momento da aprovação, podemos estar simplesmente automatizando um modelo antigo.
É uma das conversas que quero levar para a Febraban Tech este ano.
Passei anos trabalhando com score e continuo acreditando muito no seu valor. O mercado brasileiro de crédito evoluiu enormemente com bureaus, modelos analíticos e novas fontes de informação. O ponto não é substituir isso, mas reconhecer que hoje temos capacidade de enxergar muito mais.
Durante muito tempo, a principal pergunta era: “Com as informações que tenho hoje, devo conceder crédito para esse cliente?” Hoje podemos acrescentar outra: “O que está mudando nesse cliente desde a última vez que olhei para ele?”
Essa diferença muda bastante a lógica do risco.
Uma empresa pode investir enorme capacidade analítica para decidir se concede R$ 100 mil a um cliente. Consulta bureau, score, cadastro, histórico, aplica sua política e aprova. A partir daí, porém, aquele cliente continua mudando. Seu fluxo financeiro muda, seu endividamento muda, seu comportamento de pagamento muda, suas relações comerciais mudam.
O risco não fica congelado no momento da aprovação.
Por isso acredito que uma das grandes transformações dos próximos anos será sair de uma lógica predominantemente de concessão de crédito para uma lógica de gestão contínua do crédito. Não olhar apenas para o D0, mas entender o que mudou no D+30, D+60 e D+90 — idealmente antes que essa mudança apareça na inadimplência.
Para mim, a discussão mais relevante não é se a IA vai substituir o analista ou se conseguiremos aprovar uma proposta em três segundos em vez de trinta. Isso é eficiência, e obviamente tem valor.
A oportunidade maior está em usar IA para perceber aquilo que antes não conseguíamos acompanhar em escala. Um agente pode identificar uma mudança de comportamento, cruzá-la com outras informações, buscar novos sinais, comparar com o histórico e recomendar uma ação. E, quando houver contradição ou exceção, trazer o humano para a decisão.
Isso é diferente de simplesmente automatizar uma política existente. É começar a sair de uma decisão estática para uma decisão adaptativa.
Vim de uma indústria em que possuir dados sempre representou uma enorme vantagem competitiva. Continua representando. Mas hoje existem dados em todos os lados: bureaus, bancos, Open Finance, ERPs, adquirentes, marketplaces e, principalmente, dentro das próprias empresas.
A questão passa a ser menos quem possui mais dados e mais quem consegue conectar sinais diferentes, interpretá-los e transformá-los em ação.
É justamente nessa interseção que tenho trabalhado hoje na Zoox. Não vejo essa nova camada de dados como substituta do bureau, do score ou dos modelos tradicionais que conheço tão bem. Vejo como complemento. Score traz um sinal, cadastro traz outro, comportamento e relacionamento acrescentam novas dimensões. Isoladamente, cada informação ajuda. Quando cruzadas e acompanhadas ao longo do tempo, elas começam a contar uma história.
É a diferença entre olhar uma fotografia e acompanhar o filme.
A primeira é quase uma provocação, principalmente vinda de alguém que passou anos trabalhando com bureau: se amanhã retirássemos o score tradicional da sua política de crédito, quais dados sustentariam sua decisão?
Não estou defendendo fazer isso. A pergunta serve para entender quanto da inteligência da decisão está efetivamente distribuída entre diferentes sinais.
A segunda, para mim, é ainda mais importante: depois que sua empresa concede crédito, quantas vezes volta a analisar aquele cliente antes que ele atrase?
Talvez o próximo salto do mercado não esteja simplesmente em construir um score melhor ou colocar IA sobre o processo atual. Talvez esteja em deixar de tratar crédito como uma decisão tomada hoje sobre um cliente e começar a tratá-lo como uma relação que precisa ser continuamente compreendida.
É essa conversa que quero ter na Febraban Tech.