A estrutura ideal para escalar experimentos de IA no Setor Financeiro

A transição de projetos piloto de Inteligência Artificial (IA) para a adoção em escala ainda representa um dos principais desafios das instituições financeiras. Embora os investimentos em IA continuem crescendo, a captura de valor permanece abaixo do esperado para a maioria das organizações. Segundo uma pesquisa da McKinsey, na América Latina, 94% das empresas relatam impactos significativos inferiores ao esperado em suas iniciativas de IA.

Para Luiz Elias, Diretor da CI&T com foco em Dados & IA, as consequências dessa baixa conversão vão muito além da perda do investimento inicial. O maior impacto está na competitividade e motivação da organização para continuar inovando.

"Cada piloto que não vinga gera uma perda de credibilidade dentro da própria organização, além da desmotivação dos times, que investiram bastante energia em uma iniciativa que acabou não indo para a frente."

Quando um projeto não ultrapassa o ambiente experimental, novas iniciativas passam a enfrentar maior resistência: a aprovação de orçamento torna-se mais difícil, as lideranças passam a questionar o retorno esperado e a organização entra em um ciclo de ceticismo que reduz sua capacidade de inovação.

Enquanto isso, concorrentes que já conseguiram colocar soluções em produção acumulam uma vantagem competitiva difícil de ser alcançada.

Como então transformar o ambiente de testes em uma máquina de inovação? A resposta está na equação entre tecnologia e fator humano.

---

Modelos não garantem sucesso nas iniciativas

Ao contrário do que muitas lideranças ainda imaginam, o sucesso de uma iniciativa de IA não está na sofisticação do algoritmo.

Luiz Elias explica que, por estarem disponíveis para todas as empresas, modelos de IA já se tornaram commodities, e o sucesso das iniciativas vem de fatores internos das companhias.

"Ninguém está ganhando vantagem competitiva por ter o melhor modelo. A vantagem vem de quem alimenta os modelos com dados estruturados, em volume e com variedade. Podemos dizer que 10% do sucesso vem dos algoritmos e 90% de outros fatores."

Na visão do executivo, os outros fatores em questão começam pela forma como as organizações financeiras estruturam seus dados e definem seus objetivos de negócio, com dois obstáculos mais recorrentes.

O primeiro é a falta de maturidade na governança das métricas. Sem um “dono” claro do lado do negócio, indicadores de retorno sobre investimento acabam sendo definidos apenas sob a ótica técnica, dificultando a comprovação do impacto gerado. Não por acaso, relatórios recentes da Gartner apontam que a ausência de governança adequada é o principal motivo do fracasso de iniciativas com IA.

O segundo desafio está nos próprios dados utilizados durante o desenvolvimento das soluções. É comum que modelos sejam treinados em conjuntos de dados cuidadosamente preparados para os pilotos, que pouco refletem a complexidade, a variedade e as inconsistências encontradas nos sistemas legados quando a solução entra em produção.

O resultado é previsível: o modelo apresenta bom desempenho no laboratório, mas não consegue manter a mesma performance diante da realidade operacional.

Para Luiz Elias, a vantagem competitiva surge justamente quando a empresa consegue alimentar seus modelos com dados proprietários de qualidade, em volume suficiente e conectados a processos de negócio redesenhados.

"Dados, processos e pessoas impactam mais no sucesso das iniciativas de IA do que os modelos — que estão disponíveis para todas as empresas e, por isso, não conferem vantagem competitiva isolada", afirma.

---

Modernizar dados é modernizar o negócio

Se os dados são responsáveis por sustentar a escalabilidade da IA, sua modernização não pode ser confundida com uma simples migração de infraestrutura para a nuvem.

Para gerar resultados concretos, esse processo passa, primeiro, pela eliminação dos silos legados. Sistemas antigos acumulam informações incompatíveis com arquiteturas modernas, dificultando tanto análises quanto aplicações de IA em escala.

Também exige uma mudança de mentalidade. Em vez de tratar dados como um ativo exclusivamente técnico, eles passam a ser encarados como produtos, com proprietários claramente definidos e preparados para atender múltiplos casos de uso dentro da organização.

Por fim, muda-se também a forma de medir o sucesso. Indicadores tradicionais de infraestrutura, como disponibilidade de sistemas (uptime) ou quantidade de pipelines migrados, deixam de ser suficientes. O foco passa às métricas de negócio, como redução no tempo de aprovação de crédito, aceleração de processos ou melhoria da experiência do cliente.

---

A infraestrutura ideal para escalar POCs de IA

Para uma instituição financeira que busca se preparar para a IA Generativa e a IA Agêntica, Luiz Elias detalha seis elementos arquiteturais indispensáveis para garantir que os modelos operem com segurança, contexto e assertividade:

1. Acesso unificado e governança

O primeiro é uma camada de acesso unificado com governança, de forma que sistemas legados não sejam expostos diretamente aos agentes de IA. Isso ocorre porque esses sistemas possuem esquemas feitos para comunicação entre máquinas, repletos de códigos indecifráveis e lógicas de negócio espalhadas, o que pode levar os agentes a interpretarem dados incorretamente por falta de contexto.

2. Dicionário comum de negócio

O segundo é uma camada semântica comum, que estabelece de forma única para toda a instituição o significado de cada termo. Sem isso, diferentes agentes podem interpretar conceitos como "cliente", "saldo" ou "risco" de formas distintas, dependendo do sistema consultado.

3. Arquitetura orientada a eventos

É necessário também que a arquitetura não se limite ao processamento em lotes (batches), e sim que seja capaz de lidar com eventos em tempo real. Dessa forma, agentes envolvidos em decisões que exigem dados "frescos", como avaliações de crédito instantâneas, não vão se basear em informações desatualizadas do dia anterior.

4. Governança unificada

Outro requisito é a governança integrada de dados, modelos, prompts e agentes. Toda decisão precisa ser rastreável de ponta a ponta, permitindo reconstruir o caminho percorrido desde o dado original até a ação executada pelo agente (fundamental para atender auditorias e órgãos reguladores).

5. Gestão de identidade e permissão para agentes

Agentes de IA precisam de mecanismos próprios de identidade e autorização, assim como usuários humanos, definindo controles sobre quais sistemas podem acessar e quais ações estão autorizados a executar.

6. Gestão de risco

Por fim, uma estratégia consistente de gestão de risco deve acompanhar continuamente o comportamento dos modelos para identificar deteriorações de desempenho ao longo do tempo e garantir que decisões continuem sendo confiáveis mesmo após longos períodos de operação.

---

O maior gargalo continua sendo humano

Embora a qualidade da fundação de dados seja determinante para escalar a Inteligência Artificial, ela, sozinha, não garante o sucesso das iniciativas.

O estudo conduzido pela CI&T em parceria com a MIT Sloan Management Review Brasil revela que 95% dos projetos de IA não escalam porque as empresas ainda encontram dificuldades para transformar a forma como trabalham, aprendem e lideram, e não porque as ferramentas falham.

Luiz Elias aponta que a adoção da IA em escala exige uma estratégia consistente de gestão da mudança, capaz de requalificar profissionais, desenvolver novas competências e aproximar as áreas de negócio da transformação tecnológica.

“Mais do que um projeto conduzido exclusivamente pela TI, a IA precisa ser encarada como uma iniciativa de transformação do negócio”, finaliza.

A CI&T combina expertise no setor financeiro, inteligência artificial e governança para ajudar empresas a transformarem pilotos em soluções escaláveis. A partir de uma abordagem integrada, conectamos tecnologia e visão de negócio para acelerar a captura de valor com IA, de forma segura e em conformidade. Para saber mais, clique aqui e fale com nossos especialistas.