Open Finance e IA em tempo real: quando dados consentidos viram decisões inteligentes

Em um momento em que o FEBRABAN TECH 2026 propõe a discussão sobre “Agentes inteligentes, liderança humana”, o setor financeiro brasileiro chega a uma nova fronteira: transformar a infraestrutura de dados criada pelo Open Finance em decisões inteligentes, seguras e em tempo real.

Durante anos, instituições financeiras tomaram decisões olhando para o passado. Segmentações baseadas em renda, idade, perfil transacional e histórico de relacionamento ajudaram bancos a escalar produtos e fazer análises, mas existe um limite nesse modelo que impede as Instituições Financeiras de entender o que os clientes precisam a cada instante. 

A combinação entre Open Finance, Inteligência Artificial e processamento de dados em tempo real está criando uma nova camada de competitividade no setor: a capacidade de interpretar contexto e transformar sinais em decisões instantâneas. O Open Finance criou a infraestrutura para que os dados circulem com consentimento, segurança e interoperabilidade. O Real-Time Intelligent Banking é a camada que transforma esses dados em decisões contextuais, confiáveis e em tempo real. A primeira agenda organiza o fluxo; a segunda dá inteligência ao fluxo.

De acordo com Leandro Duran, Head of Digital Strategy da CI&T, “até então, as instituições financeiras viam o cliente pelo retrovisor. Agora, o banco deixa de perguntar ‘quem é esse cliente?’ e passa a perguntar' ‘o que está acontecendo com esse cliente agora?’”.

---

Real-Time Intelligent Banking e o fim da segmentação estática

Entender quando o cliente precisa (e não apenas o que precisa) é uma das grandes diferenciações do Real-Time Intelligent Banking, pois o contexto passa a importar tanto quanto o histórico do cliente. Uma mudança repentina no padrão transacional, uma viagem inesperada, oscilações de renda, tentativas de compra fora do comportamento usual ou sinais de vulnerabilidade financeira tornam-se eventos relevantes para a tomada de decisão em tempo real.

“Historicamente, boa parte da personalização bancária esteve associada à melhor oferta possível. Mas a melhor experiência nem sempre é vender alguma coisa; pode ser proteger, simplificar ou antecipar uma necessidade real do cliente”, explica Duran.

Mas todo esse contexto, que promete reduzir fricções, aumentar a segurança e melhorar as decisões, exige velocidade, um desafio para a arquitetura tecnológica das instituições.  

---

Transformando o Open Finance em oportunidades concretas

Como um dos principais motores do Real-Time Intelligent Banking, o Open Finance já alcançou uma escala relevante no Brasil. Segundo o Banco Central, após cinco anos, o ecossistema soma mais de 100 milhões de autorizações de compartilhamento de dados e pagamentos, conecta 65 milhões de contas e movimenta cerca de R$ 1,2 bilhões por mês em pagamentos. Esses números mostram que o desafio deixa de ser apenas conectividade e passa a ser a capacidade de transformar dados consentidos em inteligência aplicada ao cliente.

No entanto, é comum ver instituições do setor que não conseguem capturar todas as oportunidades trazidas por essa inovação. Duran explica que “o desafio é transformar esses dados em decisões confiáveis, em tempo real e com impacto concreto para o cliente”, pois, segundo o executivo, há quatro grandes barreiras para isso. 

A primeira é a qualidade e a prontidão dos dados. Dados incompletos, inconsistentes ou não preparados para uso analítico comprometem qualquer iniciativa de IA ou de automação inteligente. 

A segunda é a arquitetura. Grande parte do setor financeiro ainda opera com sistemas legados, integrações em lote e estruturas que não foram projetadas para baixa latência.

“Trabalhar em tempo real não é apenas ter APIs”, explica. “É ter arquitetura orientada a eventos, plataforma de dados moderna, observabilidade, segurança e capacidade de tomada de decisão automatizada.” 

A terceira barreira é a governança. O Open Finance amplia o potencial de uso de dados, mas também a responsabilidade quanto ao consentimento, à finalidade e à rastreabilidade das informações.

É nesse ponto que a discussão sobre segurança e interoperabilidade precisa evoluir. Para Duran, não se trata de escolher entre proteger dados ou permitir que eles circulem. O desafio é construir modelos em que a circulação segura dos dados seja justamente o que amplia a proteção, a concorrência e a qualidade da experiência. “Interoperabilidade sem confiança vira risco; segurança sem interoperabilidade vira barreira”, afirma.

E ainda existe um quarto desafio (e talvez o mais estratégico): muitas organizações começam pela pergunta errada. “Em vez de perguntar ‘o que eu posso fazer com esse volume de dados?’, a pergunta deveria ser: ‘qual decisão de negócio ou experiência pode ser melhorada com esses dados?’”, afirma.

---

O limite entre relevância e invasão 

Para que essa engrenagem de dados em tempo real funcione, o consentimento do cliente no Open Finance é mandatório, e Leandro lembra que “o cliente não compartilha dados porque o banco pediu, e sim quando entende claramente o benefício da troca.”

Ou seja, o consentimento precisa fazer parte da proposta de valor do produto, deixando claras as condições especiais, como taxas mais competitivas, visão consolidada da vida financeira, redução da fricção nas jornadas de crédito e recomendações relevantes.

A portabilidade de crédito é um exemplo concreto dessa nova fase. Quando dados consentidos reduzem fricção, ampliam a comparação de ofertas e dão ao cliente mais poder de escolha, o Open Finance deixa de ser apenas uma infraestrutura regulatória e passa a impactar decisões econômicas relevantes na vida das pessoas.

Essa jornada possui três momentos críticos: 

• Antes do consentimento, quando o banco precisa explicar com clareza quais dados serão utilizados e por quê;

• Durante o consentimento, quando a experiência deve ser transparente, simples e segura;

• E depois do consentimento, quando o valor precisa ser entregue rapidamente.

Outro ponto que deve ser considerado é o limite da personalização. Para não cruzar a linha da privacidade, a discussão ética não pode ocorrer apenas depois que os modelos já estão em produção, e sim desde o desenho da arquitetura, das políticas de uso, dos critérios de decisão e dos mecanismos de auditoria.

Vale lembrar que as segmentações de momento podem ajudar instituições a proteger clientes contra endividamento, detectar fraudes ou simplificar jornadas financeiras, mas os mesmos sinais também podem ser usados para expor momentos de vulnerabilidade.

“A inteligência contextual deve gerar confiança, não sensação de vigilância”, afirma. 

A interoperabilidade amplia o valor do ecossistema, mas também aumenta a superfície de risco. Em um ambiente com mais instituições, APIs, consentimentos e jornadas digitais conectadas, os fraudadores passam a explorar os pontos de transição: engenharia social para induzir consentimentos indevidos, sequestro de contas, identidades sintéticas, contas "laranja" e ataques coordenados entre instituições.

Para Duran, esse cenário exige uma resposta igualmente conectada. “Quanto mais interoperável o sistema, mais a fraude se comporta como rede. A prevenção também precisa operar como rede, com dados em tempo real, IA, biometria comportamental, análise de dispositivo e autenticação adaptativa”, afirma.

---

A infraestrutura como estratégia para crescimento

Na visão de Duran, para garantir que sua empresa seja líder (e não apenas sobrevivente) na era do ecossistema hiperconectado e inteligente de 2026, a prioridade número um de C-levels será construir plataformas de dados e decisão em tempo real com segurança e governança desde a origem. 

Isso significa conectar: 

• Arquitetura orientada a eventos; 
• APIs; 
• Gestão de consentimento; 
• Identidade digital; 
• Prevenção a fraudes; 
• Observabilidade; 
• Governança de IA; 
• E capacidade de escalar modelos com eficiência econômica. 

Essa eficiência econômica será central para a adoção de IA em escala. Em bancos, um modelo pode funcionar bem em piloto, mas se tornar caro demais quando aplicado a milhões de interações. Custo de inferência, latência, observabilidade, segurança, explicabilidade, governança e suporte operacional impactam diretamente a conta.

Por isso, nem todo problema exige o modelo mais complexo disponível. LLMs podem fazer sentido em casos de linguagem natural, atendimento, copilotos e síntese de informações; SLMs podem ser mais eficientes quando o objetivo é menor custo, menor latência e maior controle; e modelos tradicionais de machine learning seguem extremamente relevantes para fraude, crédito, propensão e detecção de anomalias.

“O ROI da IA não vem de usar o maior modelo. Vem de escolher o modelo certo, para a decisão certa, no momento certo e com custo sustentável”, afirma Duran.

Em um dos setores mais competitivos do mercado, sobreviver significará estar conectado. Liderar, no entanto, exigirá transformar essa conectividade em capacidade contínua de decisão, com dados confiáveis, modelos bem governados, segurança e velocidade operacional.

E talvez essa seja a principal mudança do setor financeiro daqui para frente: os bancos deixam de competir apenas por produtos e passam a competir pela capacidade de interpretar o momento certo.

“O diferencial competitivo não estará apenas na capacidade de acessar dados, e sim na velocidade e na confiança com que cada instituição consegue transformar contexto em decisão”, finaliza. 

A CI&T acumula mais de 30 anos de expertise na transformação digital de empresas do setor financeiro. Para saber mais sobre como podemos ajudar sua instituição, clique aqui e entre em contato com nossos especialistas.