Quando um banco implementa um modelo de scoring de crédito baseado em IA generativa, a primeira questão não é mais técnica, mas regulatória. Desde a adoção da Lei de IA em 2024, o scoring de crédito e a avaliação de risco estão entre os casos de uso classificados como de alto risco na Europa. Para as equipes que trabalham em finanças técnicas, esse quadro muda a forma de conceber, documentar e auditar os modelos antes mesmo de sua implementação.
Lei de IA e scoring financeiro: o que as equipes técnicas devem entregar
A classificação como de alto risco implica obrigações concretas. Fala-se de governança dos dados de treinamento, rastreabilidade das decisões do modelo, gestão documentada dos vieses e transparência em relação ao regulador.
Na prática, isso significa que um cientista de dados que constrói um modelo de crédito não pode mais se contentar em otimizar uma métrica de desempenho. É necessário produzir uma documentação técnica estruturada, comparável a um dossiê de conformidade, que detalha os dados utilizados, as escolhas de arquitetura e os resultados dos testes de viés.
Na França e na Alemanha, autoridades nacionais começaram a publicar posições específicas sobre o uso de IA generativa na distribuição de produtos financeiros e na conformidade KYC/AML. A tendência é clara: salvaguardas humanas e auditorias de modelos tornam-se a norma. Para acompanhar essas evoluções ao longo do tempo, pode-se consultar as notícias de Finance Technique que cobrem regularmente as implicações regulatórias para os profissionais do setor.
Gestão do risco de modelo: uma profissão à parte na finança
Nos últimos anos, um número crescente de bancos e grandes seguradoras estruturou equipes dedicadas à Gestão de Risco de Modelos (MRM). Não é mais um assunto de nicho reservado aos quants. A função se organiza em torno de perfis híbridos, a meio caminho entre ciência de dados, conformidade e auditoria interna.
O que uma equipe de MRM faz concretamente
A equipe de MRM atua em todo o ciclo de vida de um modelo. Ela valida as hipóteses antes do desenvolvimento, testa as saídas em condições reais e monitora a deriva do modelo após a implementação.
- Validação inicial: verificação da qualidade dos dados de treinamento, testes de robustez em cenários de estresse, documentação das limitações conhecidas do modelo.
- Monitoramento em produção: acompanhamento dos indicadores de desempenho, detecção de vieses que aparecem com o tempo, acionamento de recalibrações quando os resultados se desviam dos limites definidos.
- Auditoria periódica: revisão completa do modelo em intervalos regulares, com atualização da documentação regulatória e relatórios ao comitê de riscos.
A MRM transforma a relação entre os desenvolvedores de modelos e a governança. Não se entrega mais um algoritmo como um produto acabado. Entrega-se um modelo acompanhado de um dossiê de risco vivo, atualizado continuamente.
Chief Model Risk Officer: um cargo que se generaliza
Várias instituições financeiras criaram o cargo de Chief AI Officer ou Chief Model Risk Officer, diretamente vinculado à direção de riscos. Essa vinculação hierárquica não é trivial. Ela garante que a governança dos modelos não fique restrita às equipes de TI, mas chegue ao nível decisional.
Os retornos variam sobre a maturidade real dessas funções conforme as instituições, mas a direção está tomada. Os reguladores europeus estão pressionando por essa estruturação, e os bancos que recrutam para esses perfis buscam candidatos capazes de dialogar tanto com um engenheiro de machine learning quanto com um inspetor da ACPR.
Tokenização de ativos reais e infraestrutura blockchain em finanças técnicas
A tokenização de ativos (imóveis, dívida privada, cotas de fundos) avança em um quadro cada vez mais normatizado. O assunto não é mais experimental. Várias plataformas reguladas na Europa agora permitem emitir e trocar títulos financeiros na forma de tokens em blockchain.
Para as equipes técnicas, o desafio é duplo. Primeiro, é necessário garantir que a infraestrutura blockchain escolhida seja compatível com os requisitos regulatórios locais (regulamento europeu sobre mercados de criptoativos, regimes piloto). Em segundo lugar, é preciso conectar essa infraestrutura aos sistemas de gestão existentes: manutenção de registros, relatórios fiscais, reconciliação contábil.
Esse último ponto é frequentemente subestimado. A tokenização não substitui os processos de back-office, ela os torna mais complexos enquanto as interfaces entre blockchain e sistemas legados não forem confiáveis. Observa-se que os projetos que avançam melhor são aqueles em que a equipe técnica trabalha desde o início com a conformidade e as operações, e não em silos.
Dados alternativos e big data: o que muda para a análise de riscos financeiros
A utilização de dados alternativos (dados de satélites, fluxos de transações anonimizados, sinais provenientes de redes sociais) na análise de riscos não é nova. O que muda é o nível de exigência sobre a rastreabilidade e a qualidade desses dados.
Os reguladores agora esperam uma documentação precisa sobre a origem dos dados alternativos. Um fundo que utiliza imagens de satélites para estimar a atividade de um porto deve ser capaz de justificar a confiabilidade de sua fonte, a frequência de atualização e as limitações conhecidas da interpretação.
- Origem: contrato de licença, cadeia de coleta, respeito ao RGPD se os dados afetarem pessoas físicas.
- Qualidade: taxa de dados ausentes, viés de cobertura geográfica ou setorial, histórico disponível para o backtesting.
- Integração: capacidade de cruzar esses dados com fontes financeiras clássicas sem criar duplicatas ou contradições nos modelos.
O big data em finanças não se resume mais a acumular volumes. O valor está na capacidade de provar a confiabilidade de cada fonte utilizada em um processo de decisão de investimento ou de gestão de riscos.
Os meses que vêm provavelmente fortalecerão essa convergência entre exigências técnicas e exigências regulatórias. As equipes que estruturaram sua governança de dados e modelos antecipadamente serão aquelas que implementarão mais rapidamente, sem bloqueios no momento da auditoria.
