Equipe Oscilar

Software de Análise de Crédito com IA: Um Guia (Prévia)

Publicado

Publicado

Tempo de leitura:

Tempo de leitura:

7 minutos

7 minutos

Equipe Oscilar
Conteúdos

Compartilhe este artigo

Última atualização: abril de 2026

Esta é uma prévia do nosso guia prático sobre IA na análise de crédito. Ele mostra como as principais instituições de crédito estão eliminando as lacunas entre fraude, crédito e conformidade, e onde a maioria das implementações falha. Garanta o seu exemplar hoje mesmo.

A análise de crédito está começando a falhar de formas que a maioria dos credores não percebe à primeira vista.

Na superfície, tudo ainda funciona. Decisões são tomadas. Modelos atribuem riscos. As carteiras performam… até deixarem de performar. Perdas começam a surgir onde não deveriam. As justificativas demoram mais para serem geradas e parecem menos seguras quando chegam.

O que mudou não foi um único componente, mas a quantidade de elementos que agora precisam funcionar juntos ao mesmo tempo. As fraudes imitam cada vez mais o comportamento legítimo de crédito, passando despercebidas pela subscrição. A conformidade não fica mais no final do processo, já que os reguladores exigem que cada decisão seja reconstituída e justificada após o ocorrido. Além disso, os dados de crédito se expandiram muito além dos scores tradicionais, alcançando sinais que a maioria dos sistemas não foi desenvolvida para gerenciar de forma integrada.

A IA representa um salto no que os sistemas conseguem fazer. Ela permite avaliar múltiplos sinais simultaneamente, detectar padrões antes invisíveis e gerar resultados mais alinhados à tomada de decisão real. Isso amplia o alcance e a velocidade das decisões.

Contudo, a IA por si só não resolve o problema estrutural. Quando é aplicada sobre sistemas legados, ela herda sua fragmentação. As decisões continuam divididas entre diferentes fluxos. As justificativas ainda precisam ser reconstruídas posteriormente. Os sinais continuam sendo analisados de forma isolada, apenas com modelos mais sofisticados.

As instituições que estão superando esse desafio não estão apenas adotando IA: estão reformulando toda a arquitetura ao redor dela.

Em vez de tratar fraude, crédito e conformidade como sistemas separados, elas criam camadas unificadas de decisão, onde essas análises acontecem juntas, em tempo real e com base nas mesmas informações. A IA atua dentro dessa camada, e não em sistemas desconectados. As decisões são tomadas de uma só vez, com contexto completo, e registradas de forma a garantir total rastreabilidade e capacidade de explicação.

A IA expande as possibilidades, mas a arquitetura define se ela realmente funciona na prática. E a barra subiu: os modelos estão mais complexos, a governança mais exigente e as expectativas regulatórias não param de crescer, muitas vezes de forma desigual entre diferentes regiões. Os sistemas que resistem são aqueles projetados para essa complexidade desde o início.

Este guia explora os pontos fracos da abordagem tradicional, como a IA redefine o que é possível e o que é exigido, e o que diferencia os sistemas que realmente funcionam em produção. Para conferir a arquitetura completa, os processos e os modelos de implementação, baixe o guia prático completo.

Resumo

  • A análise de crédito está sob pressão: Fraude, risco de crédito e conformidade agora convergem, mas a maioria dos sistemas ainda os trata de forma isolada.

  • O erro de classificação é a principal falha: Fraudes são registradas como perdas de crédito, contaminando os modelos e enfraquecendo as decisões ao longo do tempo.

  • O impacto é mensurável: US$ 3,3 bilhões em exposição a identidades sintéticas (TransUnion), grande parte classificada incorretamente como perda de crédito.

  • Reguladores estão mais exigentes: A Lei de IA da UE (agosto de 2026) e a Lei de IA do Colorado (junho de 2026) exigem que as decisões possam ser reconstituídas e justificadas após o fato. Outras jurisdições seguem a mesma linha, mas a maioria dos sistemas não foi feita para gerar esses registros sob demanda.

  • A arquitetura legada fragmenta decisões: Sistemas desconectados e etapas manuais geram atrasos, inconsistências e perda de controle.

  • O que as instituições líderes fazem diferente: Avaliam fraude, crédito e conformidade em conjunto em um único motor de decisão unificado.

Por que os sistemas legados de análise de crédito falham em 2026

A maioria dos sistemas de subscrição continua operando quase da mesma forma que operava há cinco anos. Os modelos de crédito focam no risco de inadimplência. Os sistemas antifraude focam na integridade da identidade. A área de conformidade tenta reconstituir as decisões depois de tomadas, muitas vezes a partir de dados que nunca foram pensados para serem explicados.

Essa estrutura funcionava quando cada desafio podia ser tratado separadamente. Ela falha quando os três convergem. Uma identidade sintética pode passar na checagem de crédito porque age como um tomador legítimo. Um caso de fraude primária pode ser registrado como perda de crédito porque nenhum alerta de fraude foi disparado. Uma notificação de recusa pode recorrer a justificativas genéricas porque o sistema não consegue reconstituir os fatores reais da decisão. Cada componente cumpre sua função, mas a decisão em si fica dispersa entre sistemas, equipes e cronogramas, sem um ponto único de responsabilidade pelo resultado.

Três padrões se repetem constantemente. Cada um reforça o outro e, embora a maioria das equipes os reconheça, poucas redesenharam seus sistemas de forma estrutural para solucioná-los.

Mudanças em políticas de crédito demoram demais nos sistemas legados

Em muitas organizações, até mesmo um ajuste simples na política de crédito exige navegar por um processo operacional complexo: abrir chamados de engenharia, aguardar testes, alinhar lançamentos entre equipes. O que deveria ser um ajuste estratégico vira um trabalho de semanas — ou mais, quando a mudança impacta vários produtos ou jurisdições.

Nesse intervalo, a carteira carrega um risco não gerenciado. Algumas equipes mantêm regras desatualizadas por mais tempo do que deveriam; outras apressam as mudanças sem a devida validação. Nenhuma das abordagens é visível em tempo real, mas ambas acabam pesando nos resultados da carteira.

A questão não é apenas a velocidade, mas a dependência estrutural. Quando a lógica da política está atrelada a processos de engenharia, a adaptação se torna naturalmente lenta.

A revisão manual se torna um gargalo em grande escala

A lentidão nas mudanças de políticas é agravada pelo peso crescente da revisão manual. O que começa como um processo para lidar com exceções gradualmente se torna um depósito para qualquer incerteza.

Com o aumento do volume, as filas crescem. Analistas diferentes tomam decisões distintas para solicitações semelhantes, gerando inconsistências que muitas vezes passam despercebidas até serem apontadas por auditorias ou órgãos reguladores. Os próprios casos estão mais difíceis do que há dois anos. Documentos gerados por IA, identidades sintéticas e históricos financeiros manipulados são criados para parecerem reais aos olhos de quem analisa sob pressão de tempo. O desafio não é o erro humano: os analistas costumam decidir com base em dados incompletos ou propositalmente enganosos. Conforme os casos ambíguos aumentam, a revisão manual deixa de ser uma proteção eficaz.

Scores de crédito tradicionais já não são suficientes para a análise de crédito

Os scores tradicionais continuam sendo uma base importante, mas já não bastam por si só. O mercado já está mudando. Em julho de 2025, a FHFA aprovou o uso do VantageScore 4.0 junto com o FICO para hipotecas do GSE pela primeira vez. Em março de 2026, o senador Josh Hawley abriu uma investigação sobre a precificação do FICO, apontando que o custo por consulta dobrou.

A subscrição baseada no fluxo de caixa vem ganhando força para atender quem fica de fora do score tradicional, analisando transações bancárias, padrões de renda, hábitos de consumo e fontes alternativas, como histórico de aluguel e contas de consumo. Essas informações extras trazem insights valiosos, principalmente para perfis com pouco acesso a crédito.

Elas também trazem novos desafios. Cada sinal precisa ser validado, governado e integrado ao processo de decisão. Ter mais dados melhora o poder preditivo, mas também aumenta a margem para erros, inconsistências e cobranças regulatórias. O segredo não é coletar mais dados, mas geri-los de forma a manter a coerência e a clareza em cada decisão.

Regulamentação de IA na análise de crédito em 2026

O cenário regulatório em 2026 é marcado não por uma única regra, mas pela convergência de exigências entre diferentes jurisdições. Apesar das diferenças legais, surge um requisito comum: decisões automatizadas de crédito devem ser explicáveis, rastreáveis e auditáveis após o ocorrido.

Nos Estados Unidos, a Regulation B (ECOA) serve de base ao exigir que os motivos de recusa sejam específicos e reflitam os fatores reais usados na decisão. O CFPB deixou claro que isso vale para sistemas algorítmicos e que justificativas genéricas não bastam. A fiscalização segue ativa, com multas milionárias reforçando que essas exigências valem independentemente de novas regras. Em nível estadual, a Lei de IA do Colorado (em vigor a partir de junho de 2026) exige avaliações de impacto, divulgações aos consumidores e mecanismos de revisão humana, enquanto os novos regulamentos da CCPA da Califórnia (a partir de janeiro de 2027) incluem avisos prévios e o direito de recusar decisões automatizadas.

Na Europa, a Lei de IA da UE (totalmente aplicável em agosto de 2026) classifica a avaliação de solvência como de alto risco. O texto exige documentação técnica, registro de eventos, sistemas de gestão de qualidade e reporte de incidentes, valendo para qualquer instituição que atenda consumidores na UE, onde quer que ela esteja sediada.

O desafio é acumulativo. Mesmo quem atua em uma única jurisdição lida com exigências federais, estaduais e, por vezes, internacionais sobrepostas. Ainda assim, a direção comum é evidente: os órgãos reguladores esperam que qualquer decisão automatizada possa ser reconstituída, com comprovação dos dados, da lógica e da versão do modelo utilizada.

A maioria das empresas entende isso na teoria, mas poucas conseguem cumprir na prática. Reunir esses registros costuma exigir a junção manual de dados de vários sistemas, gerando lentidão e riscos. Conforme a fiscalização aumenta e mais instituições ampliam suas operações, fica impossível ignorar essa lacuna.

Como a fraude dribla sistemas de análise de crédito em 2026

Os novos padrões de fraude em 2026 não atacam a subscrição de forma externa. Eles apresentam os dados certos, no formato esperado, para sistemas que analisam esses pontos de forma isolada. A fraude passa direto. É registrada, precificada e modelada como qualquer outra conta legítima.

Como a fraude de identidade sintética passa despercebida pela análise de crédito

Um documento de identificação real combinado com dados falsificados cria um perfil que passa nas verificações de KYC e constrói um histórico de crédito legítimo ao longo de meses ou anos. O perfil age como um tomador real porque a infraestrutura o trata assim. Quando a fraude estoura, a perda entra como inadimplência comum. Nenhum alarme de fraude dispara.

A TransUnion estima US$ 3,3 bilhões em exposição de credores ligada a suspeitas de identidades sintéticas. A Equifax relata que o uso dessas identidades em pedidos de crédito cresceu 14% ao ano desde 2020 — quase 50% em quatro anos. A infraestrutura que sustenta essa prática virou um mercado acessível: pacotes de dados, perfis com histórico antigo e geradores de documentos falsos são vendidos nas mesmas plataformas que oferecem serviços comuns.

Essas perdas são registradas como risco de crédito. O modelo aprende com isso. A decisão seguinte é tomada com base em informações um pouco piores, e o ciclo se retroalimenta. Quando o problema fica visível no desempenho da carteira, ele já está enraizado nos modelos.

Por que a fraude primária é classificada como risco de crédito

O tomador existe. O documento é válido. O que não é real é a situação financeira: renda inflada, dívidas ocultas e empregos inventados.

A LexisNexis revelou que a fraude primária se tornou a mais frequente no mundo, representando 36% de todas as fraudes reportadas — contra 15% no ano anterior. Quando esses tomadores não pagam, o time de crédito registra uma perda normal. O time de fraude não registra nada. A empresa ajusta seus modelos de crédito para acomodar o padrão de perda, adaptando-se a um sinal que nunca foi um evento de crédito real. O gestor de risco vê a inadimplência subir em determinado segmento, mas não tem como enxergar, sem sinais integrados de crédito e fraude, que parte relevante daquilo nem sequer era inadimplência legítima.

Fraude documental com IA e ataques por volume de propostas

Em novembro de 2024, a FinCEN emitiu o primeiro alerta formal do Tesouro dos EUA sobre fraudes com mídias sintéticas geradas por IA. Holerites, extratos bancários e documentos de identificação agora são falsificados com alta qualidade e baixo custo. Eles passam pela extração automatizada e enganam muitas revisões manuais. Plataformas que combinam agentes de análise de documentos com processos de validação de identidade conseguem barrar esses padrões por meio de metadados, sinais comportamentais e cruzamento de dados, mas apenas se esses recursos estiverem disponíveis no exato momento da decisão.

Já os ataques por volume de propostas aproveitam a falta de comunicação entre instituições. Uma mesma identidade solicita crédito em cinco credores em 48 horas. Cada pedido parece perfeitamente normal isoladamente, e nenhum credor sozinho tem contexto suficiente para bloquear.

Comparativo dos tipos de fraude na análise de crédito

Tipo de fraude

Por que passa

O que contamina

Identidade sintética

Passa no KYC e no score tradicional durante a fase de criação de histórico

Os modelos de perda de crédito aprendem com padrões fraudulentos

Falsidade de dados (fraude primária)

Não há documento roubado a ser detectado; parece risco de crédito normal

Distorce os modelos de provisão e a calibração de risco

Documentos falsos por IA

Falsificações passam na extração automatizada e na revisão manual

A camada de verificação falha silenciosamente

Volume excessivo de propostas

Cada proposta parece normal isoladamente

O crédito é liberado antes que qualquer credor perceba o padrão

Como realmente resolver isso

O padrão por trás de cada falha acima é sempre o mesmo: decisões tomadas em sistemas isolados que não compartilham contexto. Fraude, crédito e conformidade operam com visões parciais, e é nessas lacunas que surgem perdas, classificações erradas e riscos com órgãos reguladores.

Na teoria, a maioria das equipes sabe o que precisa ser feito. Fazer isso funcionar na prática, em carteiras reais e sob exigências regulatórias rigorosas, é onde a maior parte das tentativas falha. E mesmo entre plataformas que unificam decisões, há outro ponto cego que muitos só notam tarde demais: a distância entre tomar uma decisão e aprender com ela.

Os sistemas também precisam aprender com as decisões em tempo real: avaliando resultados, testando alterações contra dados reais de produção e medindo o impacto de cada nova regra sem depender de ferramentas externas de análise ou processos de engenharia. Sem esse ciclo contínuo de aprendizado, até os sistemas integrados correm o risco de operar sem entender de fato o próprio desempenho.

O que o guia prático de IA na Análise de Crédito traz

O guia completo detalha como esses sistemas são construídos na prática:

  • Arquitetura em produção: Como orquestração de dados em tempo real, machine learning explicável e avaliação unificada de fraude e crédito se conectam em uma única camada de plataforma, além da governança que torna cada decisão auditável.

  • Testes e inteligência de decisão: Como realizar testes retrospectivos com dados históricos, testes A/B em tempo real e análises integradas para fechar o ciclo entre decidir e avaliar os resultados, sem precisar exportar dados ou acionar a equipe de engenharia.

  • IA agêntica no crédito: Como agentes de IA inseridos em ambientes de decisão com governança aceleram o trabalho de análise, mantendo a decisão final sob controle humano.

  • Avaliação de plataformas e migração: Onde se escondem as armadilhas após a contratação e como instituições como a Balance migraram 100% de sua operação em 32 dias.

  • Prontidão regulatória: O que normativas como SR 11-7, ECOA, Lei de IA da UE e legislações estaduais exigem dos sistemas automatizados de crédito, e quais relatórios eles precisam gerar.

Decisões de crédito nativas em IA: Resultados práticos

Nos clientes da Oscilar, o padrão é evidente. Ao unificar as decisões e aproximá-las do tempo real, as equipes eliminam gargalos inteiros. Mudanças de política que antes levavam semanas passam a ser feitas em dias. As revisões manuais passam a focar apenas nos casos realmente duvidosos. E, com a mesma importância, ganha-se total visibilidade sobre decisões que antes eram difíceis de justificar.

O que se vê no dia a dia não são apenas métricas melhores, mas um modelo operacional totalmente novo.

Empresa

Descrição

Resultado

Área de impacto

SoFi

Banco digital e plataforma financeira completa atendendo a mais de 10 milhões de membros

Lançamento 50% mais rápido; processamento mais de 30% mais ágil

Agilidade em políticas

Nuvei

Provedora global de tecnologia para pagamentos

Tempo de análise manual reduzido em 50%; aumento de até 15% na aprovação automática; zero descumprimento de prazos

Velocidade e automação na análise

Cashco

Credora para o consumidor final atendendo a mais de 100 mil clientes

Custos de decisão reduzidos em 70%; implementação em poucos dias

Custo e agilidade

Balance

Plataforma de financiamento e pagamentos B2B

Migração completa de plataforma em 32 dias usando operação paralela

Velocidade de migração

Parker

Cartão corporativo e soluções de crédito para comércio eletrônico

Fila de análise reduzida em 70%; processamento 40% mais rápido

Eficiência operacional

Transend

Fintech de pagamentos B2B e capital de giro

Atualização de modelos de risco em horas, não semanas; horas de engenharia reduzidas a um terço

Rapidez de lançamento

Clara

Plataforma de gestão de despesas corporativas na América Latina

Onboarding 3 vezes mais rápido; capacidade de processamento de 3 a 4 vezes maior com a mesma equipe

Escala e velocidade

Esses resultados vêm da mudança na forma como as decisões são tomadas: saindo de processos fragmentados para um sistema unificado, onde fraude, crédito e conformidade são avaliados juntos, e ajustes podem ser testados e aplicados em tempo real.

O que a infraestrutura de análise de crédito precisa suportar em 2026

A análise de crédito não está enfrentando problemas por causa de uma única questão, mas porque todo o cenário ao redor mudou. A fraude está cada vez mais sofisticada. O volume de dados superou a capacidade dos sistemas tradicionais. A conformidade passou a exigir justificativas detalhadas para cada decisão tomada. A maioria das plataformas ainda trata essas frentes de forma isolada, e essas divisões são justamente onde perdas, erros de classificação e riscos regulatórios se acumulam.

É preciso mudar o modelo mental de tomada de decisão. As decisões não podem ser montadas depois a partir de sistemas desconectados. Elas precisam acontecer de uma só vez, em tempo real, com todo o contexto, e registradas de forma a garantir rastreabilidade, capacidade de testes e respaldo técnico.

Os sistemas que realmente se sustentam em produção são projetados dessa maneira. O restante vai acumulando riscos em silêncio: pela perda de precisão dos modelos, por fraudes tratadas como inadimplência e por apontamentos de auditoria que só aparecem meses depois.

Se a sua equipe não consegue reproduzir uma decisão tomada há seis meses, separar perdas de crédito de fraudes nos dados, gerar notificações claras de recusa alinhadas aos regulamentos ou testar novas políticas sem depender da engenharia, converse com um especialista da Oscilar e saiba como eliminar essas lacunas.


IA na Análise de Crédito, apresentado por Oscilar e Mastercard

Descubra como os principais credores estão modernizando a análise de crédito com IA para detectar fraudes, atender às novas exigências regulatórias e tomar decisões mais rápidas, precisas e explicáveis em escala.

MATERIAL GRATUITO

IA na Análise de Crédito, apresentado por Oscilar e Mastercard

Descubra como os principais credores estão modernizando a análise de crédito com IA para detectar fraudes, atender às novas exigências regulatórias e tomar decisões mais rápidas, precisas e explicáveis em escala.

MATERIAL GRATUITO

IA na Análise de Crédito, apresentado por Oscilar e Mastercard

Descubra como os principais credores estão modernizando a análise de crédito com IA para detectar fraudes, atender às novas exigências regulatórias e tomar decisões mais rápidas, precisas e explicáveis em escala.

MATERIAL GRATUITO


Perguntas Frequentes: IA na análise de crédito

Como os modelos de IA atendem às exigências de justificativa de recusa sob a ECOA e a Regulation B?

O CFPB esclareceu que os motivos de recusa devem refletir os fatores específicos utilizados pelo modelo, em vez de códigos genéricos de formulários padrão. Técnicas de explicabilidade, como valores SHAP, conseguem apontar os motivos individuais diretamente ligados às variáveis determinantes de cada decisão. O desafio está em traduzir esses fatores técnicos em uma linguagem clara para o consumidor e adequada aos regulamentos — etapa que muitos sistemas legados tentam fazer manualmente, gerando erros e atrasos. Plataformas que automatizam essa tradução por produto e jurisdição eliminam esse gargalo. Conforme as variáveis dos modelos vão além do histórico de crédito tradicional, listas estáticas de justificativas tornam-se cada vez mais inadequadas.

Como a diretriz SR 11-7 se aplica a modelos de crédito baseados em IA e ML?

A diretriz SR 11-7 vale para qualquer modelo usado em decisões de crédito, seja ele desenvolvido internamente ou por terceiros. As principais exigências são documentação completa, validação independente e monitoramento contínuo. No caso da IA, os auditores avaliam se há mecanismos de explicabilidade, detecção de desvios nos dados, testes de viés contra grupos protegidos e critérios claros para retreinamento. O obstáculo prático é que a SR 11-7 foi pensada para modelos estatísticos tradicionais. Riscos típicos de IA, como a mudança de conceitos ao longo do tempo ou a interação entre variáveis complexas, exigem adaptações que muitas instituições ainda tentam entender. Plataformas que geram relatórios de validação e alertas de monitoramento como parte natural da operação facilitam muito esse processo de auditoria.

Qual é a diferença entre usar modelos de IA na análise de crédito e adotar uma plataforma nativa de decisão com IA?

Usar modelos de IA na análise geralmente significa inserir um algoritmo de pontuação dentro de uma estrutura já existente. O modelo gera um score, mas a triagem de fraudes, o compliance, as justificativas de recusa e os ajustes de políticas continuam rodando em sistemas separados. Já uma plataforma nativa de decisão com IA unifica essas funções: fraude, crédito e conformidade são avaliados no mesmo processo, com os mesmos dados e um registro unificado de auditoria. O diferencial crítico é fechar o ciclo entre decidir e aprender: monitorar métricas, testar hipóteses com dados reais e avaliar o impacto das alterações na hora, sem depender de ferramentas externas. As falhas apontadas neste guia nascem justamente do abismo entre sistemas isolados. A distância entre aplicar uma política e entender seu impacto na prática costuma ser o último gargalo que as empresas resolvem — e o mais custoso de manter aberto.

Como os credores identificam desvios de desempenho (model drift) em sistemas de crédito com IA?

Esses desvios acontecem quando a relação entre os dados de entrada e os resultados muda, normalmente por variações no perfil do público ou no cenário econômico. Na análise de crédito, o desvio é especialmente perigoso quando se cruza com fraudes: se golpes com identidades sintéticas forem registrados como inadimplência comum, o modelo aprende com dados corrompidos e passa a perseguir referências erradas. Para detectar isso, é preciso acompanhar o comportamento das variáveis, os padrões de previsão e os resultados reais frente às bases de validação. As empresas que identificam desvios com agilidade têm esse monitoramento automatizado dentro da própria plataforma de decisão, em vez de tentar adicioná-lo depois como uma camada isolada.

Quanto tempo leva a migração para uma plataforma de decisão de crédito nativa em IA?

A Balance fez a migração completa em 32 dias, rodando o sistema antigo e o novo em paralelo para comparar os resultados antes de mudar a operação definitiva. Os prazos variam conforme a complexidade da carteira e das integrações, mas a capacidade de rodar ambos lado a lado e validar cada decisão antes da virada é o fator que traz mais segurança e rapidez.

Equipe Oscilar

A equipe da Oscilar é formada por especialistas em diversas áreas de gestão de risco. Estes artigos refletem pontos de vista e conhecimentos de várias fontes e colaboradores de toda a organização.

AVISO

O conteúdo deste site é fornecido apenas para fins informativos e não constitui aconselhamento legal, tributário, financeiro, de investimento ou outro tipo de aconselhamento profissional. Quaisquer visões ou opiniões expressas por indivíduos citados, colaboradores ou terceiros são exclusivamente suas e não refletem necessariamente os pontos de vista da nossa organização.

Nada aqui deve ser interpretado como um endosso, recomendação ou aprovação de qualquer estratégia, produto, serviço ou ponto de vista em particular. Os leitores devem consultar seus próprios consultores qualificados antes de tomar decisões financeiras ou de investimento.

A Oscilar não faz representações ou garantias quanto à precisão, integridade ou atualidade das informações fornecidas e se isenta de qualquer responsabilidade por qualquer perda ou dano decorrente da confiança neste conteúdo. Este site pode conter links para sites de terceiros, que a Oscilar não controla ou endossa.

Continue lendo