Última atualização: Janeiro de 2026

Os líderes de tecnologia bancária encontram-se num dilema familiar: a McKinsey estima que a IA pode adicionar de $200 bilhões a $340 bilhões em valor anual ao setor bancário global, o equivalente a 9 a 15 por cento dos lucros operacionais. A visão da consultoria de um Banco de IA do Futuro é atraente: tomada de decisões em tempo real, agentes autónomos e serviço hiperpersonalizado. No entanto, de acordo com um estudo do MIT de agosto de 2025, 95% dos projetos-piloto de IA em empresas não conseguem gerar qualquer impacto financeiro mensurável. A maioria dos bancos está presa no que o setor passou a chamar de "purgatório dos projetos-piloto", realizando dezenas de experiências isoladas que nunca ganham escala.

O senso comum diz que a única saída é a transformação de "remover e substituir": arrancar o núcleo legado, reconstruir do zero, aceitar ciclos de contratação de 18 meses e orçamentos de oito dígitos. Mas esta narrativa é ao mesmo tempo paralisante e errada.

Existe um caminho diferente. Os bancos podem captar 70 a 80 por cento do valor potencial da IA focando-se num pequeno número de subdomínios de alto impacto e implementando uma infraestrutura de IA moderna em paralelo com os sistemas legados — em vez de tentarem substituições de núcleo que demoram vários anos.

Este artigo analisa esse caminho. Baseia-se na estrutura AI Bank of the Future da McKinsey & Company, que posiciona a IA como uma infraestrutura horizontal que abrange o envolvimento do cliente, a tomada de decisões, a tecnologia de base e os modelos operacionais. Assumindo esse plano como ponto de partida, o foco aqui é a execução: como os bancos podem operacionalizar esta visão sob um escrutínio regulatório real, restrições de sistemas legados e requisitos de gestão de risco.

Profissionais com vasta experiência na construção de sistemas de dados em tempo real em grandes instituições financeiras observam consistentemente a mesma lacuna: embora os bancos tenham investido fortemente na aceleração do fluxo de dados, falharam na modernização da forma como as decisões de risco são tomadas assim que esses dados chegam. O resultado é uma proliferação de ferramentas isoladas, fluxos de dados instáveis e processos humanos lentos — precisamente no momento em que os defraudadores coordenam ataques ao longo de toda a jornada do cliente.

Resumo rápido (TL;DR)

• Os bancos estão presos no “purgatório dos projetos-piloto”. A adoção da IA estagna porque a decisão de risco continua isolada, as contratações são lentas e os modelos de governação foram concebidos para sistemas determinísticos (e não agênticos).

• A substituição do núcleo não é necessária. Os bancos podem capturar 70 a 80% do valor da IA ao sobrepor uma plataforma de decisão unificada e em tempo real aos sistemas legados.

• O ROI mais rápido está na camada de decisão. Casos de uso de fraude, AML, crédito e conformidade — especialmente em modo shadow, agentes de assistência ao analista e sobreposições de AML — proporcionam ganhos rápidos e de baixo risco.

• O progresso vem de “soluções graduais viáveis”. Implementações pequenas e controladas que funcionam em paralelo com os sistemas existentes permitem que os bancos comprovem o valor, satisfaçam a gestão de risco de modelos e cresçam com segurança.

• A governação acelera a adoção. Explicabilidade, controlos de intervenção humana (human-in-the-loop), trilhas de auditoria e torres de controlo de IA permitem uma implementação mais rápida, mantendo a conformidade.

  
  

Parte I: O Contexto Estratégico

Por que os sistemas legados não conseguem acompanhar o ritmo

O típico banco Tier 1 funciona com uma infraestrutura concebida para uma época diferente. Os dados dos clientes estão fragmentados em silos: bases de dados separadas para cartões de crédito, hipotecas, poupanças e gestão de património. Construir uma visão em tempo real e de 360 graus de qualquer cliente exige interligar sistemas que nunca foram criados para comunicar entre si. A lógica de decisão é frequentemente programada diretamente nos mainframes ou bloqueada dentro de "caixas negras" de fornecedores, tornando até mesmo simples alterações de regras num exercício de engenharia de várias semanas. Na prática, isto significa muitas vezes que um cliente pode chumbar na verificação de identidade durante a adesão e, ainda assim, ser aprovado para crédito ou pagamentos instantâneos minutos mais tarde — simplesmente porque esses sistemas nunca partilham sinais.

Esta arquitetura foi otimizada para a estabilidade num mundo onde a fraude se movia à velocidade humana. Hoje, os atacantes testam fluxos de adesão, canais de pagamento e exploram sistemas de crédito em sequências coordenadas — muitas vezes em poucos minutos. O Serviço FedNow, que conta atualmente com mais de 1.400 instituições financeiras aderentes, e as redes de stablecoins exigem liquidação instantânea. Os defraudadores utilizam IA generativa para lançar ataques à velocidade das máquinas. Os clientes esperam do seu banco a mesma capacidade de resposta que obtêm do seu serviço de streaming. Um sistema que se atualiza apenas de um dia para o outro não consegue defender-se de ameaças que evoluem em minutos.

Quando os sistemas de risco operam de forma independente, cada um vê apenas um fragmento do ataque. O que parece inofensivo isoladamente torna-se óbvio apenas quando os sinais são avaliados em conjunto e em tempo real.

O plano da McKinsey

A estrutura AI Bank of the Future da McKinsey propõe tratar a IA não como um conjunto de casos de uso isolados, mas como uma infraestrutura horizontal que abrange quatro camadas da organização: Envolvimento, Decisão, Tecnologia de Base e Dados, e Modelo Operacional.

A estrutura está certa na sua direção. O desafio que os bancos enfrentam não é compreender o destino, mas sim navegar pelas restrições — aprovação regulatória, gestão de risco do modelo, integração com sistemas legados e segurança operacional — necessárias para o alcançar.

A Camada de Envolvimento gere as interfaces com o cliente: interações multimodais por voz, texto e imagem, apoiadas por "gémeos digitais" que simulam o comportamento do cliente e permitem um serviço personalizado e proativo. A camada de decisão é onde os dados se transformam em ação: agentes de IA e copilotos realizam raciocínios em tempo real, orquestram processos complexos e alcançam o que a McKinsey projeta como ganhos de produtividade de 20 a 60 por cento. A Camada de Tecnologia de Base e Dados fornece os alicerces: arquiteturas de dados unificadas que quebram silos, bases de dados vetoriais que permitem pesquisa semântica em dados não estruturados e fluxos de LLM para gerir os ciclos de vida dos modelos. A Camada do Modelo Operacional organiza as pessoas: equipas multidisciplinares, "torres de controlo" de IA para governação e estruturas de responsabilização focadas em resultados e não na conclusão de projetos.

A estrutura é coerente. O problema é a execução.

Por que os bancos paralisam

Os líderes bancários enfrentam três barreiras estruturais quando tentam passar da visão para a implementação. Um estudo da BCG revelou que apenas 25% das instituições integraram capacidades de IA no seu plano estratégico — os outros 75% continuam presos em projetos-piloto e provas de conceito isolados.

A primeira barreira é a contratação. A expressão “infraestrutura de IA” desencadeia frequentemente ciclos de RFP de 18 meses que envolvem compras, jurídico e conformidade. Num panorama tecnológico que evolui tão rapidamente, as soluções selecionadas no início de tais processos podem estar obsoletas no momento da implementação. Muitas instituições tentam compensar construindo fluxos personalizados internamente — montando sistemas complexos de transmissão contínua de dados, regras e análises que exigem grandes equipas de engenharia apenas para se manterem em funcionamento. Para a maioria dos bancos, esta abordagem é economicamente insustentável.

A segunda é a governação. As estruturas de Gestão de Risco de Modelos foram concebidas para modelos estáticos e determinísticos. Os sistemas generativos e agênticos introduzem comportamentos probabilísticos que têm de ser governados continuamente — através de explicabilidade, linhagem e monitorização de desempenho em tempo real — em vez de aprovações únicas.

A terceira é o controlo. Os bancos são compreensivelmente céticos em relação a propostas de "transformação" que exijam a externalização da lógica de decisão para terceiros. As suas políticas de risco e perspetivas de clientes são propriedade intelectual. Ceder o controlo dessa lógica a fornecedores inverte a proposta de valor.

Estas barreiras explicam a lacuna entre o entusiasmo e a ação. A solução reside em reformular a tarefa: não como uma transformação total, mas como uma série de implementações controladas que provam o valor e desenvolvem a capacidade institucional.

A escala da transformação futura

O que está em jogo é cada vez mais claro. Um relatório do Citigroup concluiu que 54% dos postos de trabalho no setor bancário têm um elevado potencial de automatização, com mais 12% que poderiam ser potenciados pela IA. De acordo com a Bloomberg Intelligence, os bancos globais vão cortar até 200.000 postos de trabalho nos próximos três a cinco anos à medida que a IA avança sobre tarefas atualmente executadas por trabalhadores humanos. O DBS Bank de Singapura já anunciou planos para reduzir a sua força de trabalho em 4.000 posições ao longo de três anos, à medida que a IA assume funções, enquanto implementa simultaneamente mais de 800 modelos de IA em 350 casos de uso.

No entanto, a investigação da Accenture sugere que a oportunidade supera a disrupção: a produtividade poderia aumentar entre 20 a 30 por cento e as receitas em 6 por cento para os bancos que a implementem de forma eficaz. A questão não é se devemos transformar, mas sim como fazê-lo sem destruir a estabilidade operacional.

Parte II: Cinco Soluções Graduais Viáveis

A estrutura da McKinsey define o aspeto de um banco focado em IA. O que não prescreve é como as instituições reguladas podem caminhar em direção a esse futuro de forma incremental — sem expor clientes, reguladores ou balanços a riscos inaceitáveis. As seguintes “soluções graduais viáveis” refletem padrões de execução observados em implementações reais, onde os bancos comprovaram primeiro o valor e depois cresceram com segurança.

As seguintes “soluções graduais viáveis” são padrões de execução observados em implementações reais que permitem aos bancos progredir em direção ao AI Bank of the Future de forma incremental.

Uma solução gradual é uma implementação direcionada que introduz uma infraestrutura de IA moderna em paralelo com os sistemas legados, sem exigir uma substituição total. As cinco soluções seguintes oferecem diferentes perfis de risco e aplicabilidade imediata para os líderes de risco e conformidade.

Solução 1: Decisão em modo shadow

O problema: Os bancos hesitam em implementar novos modelos de IA diretamente na produção porque o custo do erro é elevado. Um falso positivo bloqueia um cliente legítimo. Um falso negativo permite uma fraude. Qualquer um dos resultados desencadeia o escrutínio regulatório e a perda de clientes.

A solução: O modo shadow executa um novo motor de decisão de IA em paralelo com o sistema legado. Ambos os sistemas recebem os mesmos dados de produção em tempo real. Ambos tomam decisões. Apenas as decisões do sistema legado são executadas. As decisões do sistema de IA são registadas para comparação.

Como funciona: Os fluxos de dados de transações e de clientes são duplicados, frequentemente através de gateways de API ou plataformas de streaming de eventos como o Kafka. Um fluxo alimenta o motor de regras legado; o outro alimenta a plataforma de IA. Os analistas de risco comparam as decisões com os resultados reais. Quando o sistema de IA sinaliza uma rede de fraude que o sistema legado não detetou, temos uma prova de mais-valia. Quando o sistema de IA teria bloqueado um cliente legítimo, temos uma oportunidade de ajuste.

Por que funciona: O modo shadow é, na verdade, um teste retrospectivo e prospectivo em dados reais com risco zero para a produção. Cria o histórico empírico que as comissões de Gestão de Risco de Modelos exigem. Assim que o sistema de IA supera consistentemente o legado, o banco pode ativar a transição ou aumentar gradualmente o tráfego através de uma implementação em fases (canary deployment). Com a mesma relevância, permite uma validação contínua. As equipas de risco podem medir falsos positivos, falsos negativos e desvios ao longo do tempo — alinhando-se muito mais de perto com a forma como os reguladores esperam cada vez mais que os sistemas de IA sejam governados.

Nível de risco: Baixo. Sem impacto para o cliente até que o banco decida agir com base nas evidências.

Solução 2: Agentes de assistência ao analista (Triagem L1)

O problema: As equipas de risco e conformidade passam a maior parte do tempo em tarefas mecânicas — a recolher dados, a alternar entre painéis de controlo e a rejeitar falsos positivos óbvios em vez de exercerem o seu julgamento. Os sistemas legados de monitorização de transações geram taxas de falsos positivos que superam os 90 a 95 por cento. Os custos globais de conformidade de AML ultrapassam agora os $274 bilhões anuais, sendo que grande parte deste valor é gasta no tratamento de alertas de baixa qualidade em vez de capturar criminosos. Os analistas humanos passam a maior parte do tempo na triagem de nível 1 (L1): a recolher dados, a copiar informações entre ecrãs e a rejeitar alarmes falsos óbvios.

A solução: Implementar agentes de IA para realizar a recolha de dados e a análise preliminar. O agente não substitui o analista; ele monta o processo.

Como funciona: Quando um alerta é acionado, um "Agente de Investigação" consulta automaticamente bases de dados internas, listas de observação externas e fontes abertas relevantes. Sintetiza as conclusões numa narrativa do caso em linguagem natural que explica por que o alerta foi disparado e recomenda uma decisão. O analista revê o trabalho estruturado em vez de começar do zero.

Por que funciona: Estudos de caso sugerem que esta abordagem reduz o tempo de revisão manual em 75% e permite que analistas juniores tenham um desempenho ao nível de seniores. O humano continua presente no processo para o julgamento final, o que mantém a governação ao mesmo tempo que liberta eficiência. As implementações mais eficazes tratam a IA como uma camada de otimização. Os agentes reúnem o contexto, classificam os alertas e elaboram narrativas — mas os humanos mantêm a autoridade de decisão, apoiados por trilhas de auditoria completas e justificações explicáveis.

Nível de risco: Baixo a Médio. Os humanos mantêm a autoridade de decisão; a IA trata da agregação de dados.

Solução 3: Produtos greenfield (stablecoins e criptomoedas)

O problema: Os bancos que entram no mercado de stablecoins, depósitos tokenizados ou custódia de cripto enfrentam um descompasso temporal. Estes ativos funcionam em redes de blockchain que operam 24 horas por dia, 7 dias por semana, com liquidação instantânea. A Lei GENIUS, assinada em julho de 2025, estabeleceu o primeiro quadro regulatório federal para stablecoins de pagamento, exigindo que as agências bancárias federais adotem regras abrangentes até julho de 2026. Os sistemas tradicionais de risco bancário concebidos para liquidação T+2 não conseguem gerir o risco à velocidade da blockchain.

A solução: Construir uma estrutura de risco nativa de IA especificamente para novas linhas de produtos. Como se trata de implementações do tipo greenfield, não há um sistema legado para substituir.

Como funciona: Implementar uma plataforma capaz de tomar decisões em menos de 100 ms para acompanhar a velocidade da blockchain. Integrar tanto dados fiduciários tradicionais (KYC, transferências bancárias) como dados on-chain (endereços de carteiras, gráficos de transações) para detetar redes de branqueamento de capitais que ligam ambos os mundos. Utilizar agentes de IA para aplicar regras automaticamente, como bloquear transferências para endereços de carteiras sancionados em tempo real.

Por que funciona: Os novos produtos oferecem "segurança desde a conceção". O sucesso cria uma arquitetura de referência e experiência interna que serve de base para migrar as linhas de negócio legadas para uma infraestrutura moderna.

Nível de risco: Médio. Risco associado ao novo produto, mas sem risco de migração de sistemas legados.

Solução 4: Conversão de linguagem natural em regras

O problema: Nos bancos tradicionais, alterar uma regra de risco exige que um gestor de risco documente a lógica, a entregue às TI, aguarde por um ciclo de desenvolvimento (sprint) e depois aguarde pelos testes. Esta camada de tradução entre a intenção do negócio e o código demora dias ou semanas. Os defraudadores adaptam-se em minutos.

A solução: As plataformas modernas de IA permitem que utilizadores sem competências técnicas criem e testem regras utilizando linguagem natural. Um gestor de risco escreve: "Sinalizar todas as transações superiores a $5.000 de endereços IP em jurisdições de alto risco se a conta tiver menos de 30 dias." A IA traduz isto em lógica executável.

Como funciona: O gestor de risco introduz a intenção da política através de uma interface de chat. O agente de IA generativa traduz a instrução em código de decisão. O agente executa imediatamente uma simulação (utilizando o modo shadow) para mostrar o impacto nos dados históricos: "Esta regra teria detetado 50 casos de fraude, mas teria acionado 200 falsos positivos na semana passada." Uma vez validada, a regra é implementada em produção, sujeita a aprovação de governação.

Por que funciona: Eliminar o estrangulamento das TI permite que as equipas de risco respondam às ameaças em tempo real. As equipas de negócio ganham controlo direto sobre as suas ferramentas, mantendo-se dentro dos limites das estruturas de governação.

Nível de risco: Baixo com uma governação adequada. A simulação evita a implementação de regras mal ajustadas.

Solução 5: Redução de falsos positivos em AML

O problema: O Combate ao Branqueamento de Capitais (AML) é frequentemente a função de conformidade mais cara e menos eficiente. Os sistemas de monitorização de transações baseados em regras ("sinalizar qualquer depósito em dinheiro acima de $10 mil") geram filas massivas de alertas com taxas de falsos positivos de 95 a 98 por cento.

A solução: Implementar uma "sobreposição" de IA que realize uma avaliação secundária nos alertas do sistema legado. O Sistema de Monitorização de Transações (TMS) principal permanece inalterado.

Como funciona: O TMS legado gera alertas com base nas regras regulatórias. Estes alertas são enviados para um agente de IA que analisa milhares de dados adicionais: padrões de comportamento, ligações de rede, IDs de dispositivos. A IA identifica alertas que são claramente falsos positivos e fecha-os automaticamente com uma justificação documentada para auditoria. Apenas os alertas de alto risco chegam aos investigadores humanos. O impacto resulta menos de algoritmos inovadores do que do contexto. Quando os sinais de adesão, comportamentais, de transação e de rede são avaliados em conjunto, os padrões que antes eram invisíveis tornam-se óbvios.

Por que funciona: Trata-se de pura otimização sem substituição do núcleo. Os indicadores de referência do setor sugerem uma redução de 40 a 70 por cento na carga de trabalho manual. O cálculo do ROI é suficientemente simples para passar pelo escrutínio do CFO.

Nível de risco: Baixo a Médio. Requer documentação com qualidade de auditoria para justificar a supressão de alertas.

Parte III: Evidências do terreno

Ao longo da última década, as instituições financeiras investiram fortemente em infraestruturas de dados em tempo real — transmissão contínua de eventos, APIs e fluxos mais rápidos. No entanto, muitas depararam-se com a mesma limitação: embora os dados chegassem cada vez mais em tempo real, as decisões de risco muitas vezes não o faziam.

As equipas acumularam sistemas fragmentados, cada um otimizado de forma isolada. Algumas tentaram construir camadas de decisão personalizadas sobre infraestruturas de dados modernas, apenas para descobrir que manter a precisão, a explicabilidade e a conformidade à escala exigia muito mais esforço de engenharia do que o previsto.

Isto não foi exclusivo dos bancos. As fintechs enfrentaram fragmentação e taxas de falsos positivos semelhantes. A diferença residia nas limitações operacionais. As fintechs eram frequentemente obrigadas a iterar rapidamente porque a ineficiência traduzia-se imediatamente em perdas ou atrito para o cliente. Os bancos moveram-se sob requisitos mais rigorosos de estabilidade, auditabilidade e confiança regulatória.

O que surge é uma imagem mais clara de onde a IA gera valor fiável hoje: na tomada de decisões em back-end — deteção de fraude, triagem de AML e processamento de documentos. Isto produz resultados mensuráveis porque os resultados podem ser verificados, revistos e continuamente melhorados. Em contrapartida, os sistemas de IA que interagem diretamente com os clientes ou tomam decisões financeiras irreversíveis exigem maior cautela e controlos mais fortes.

Os exemplos abaixo refletem o que observámos através de implementações da plataforma de decisão de risco de IA da Oscilar, ilustrando como as instituições aplicaram estas lições na prática — adotando a tomada de decisões unificada e a supervisão humana de forma incremental para captar os benefícios da agilidade sem assumir riscos operacionais ou regulatórios adicionais.

MoneyGram, SoFi e Nuvei: Consolidar a tomada de decisões sob governação

A MoneyGram, a SoFi e a Nuvei ilustram uma limitação comum à escala: mesmo com uma infraestrutura de dados moderna, a tomada de decisões de risco muitas vezes fica atrás da velocidade do movimento do dinheiro.

A MoneyGram opera uma rede global de pagamentos que abrange milhares de corredores e jurisdições. À medida que se expandiu para a liquidação instantânea e ativos digitais, os sistemas de risco orientados para processamento em lote tornaram-se cada vez mais difíceis de adaptar. 

Em vez de substituir os sistemas a jusante, a MoneyGram consolidou as decisões de fraude, AML e adesão numa única camada de decisão. Novas regras e modelos foram avaliados em modo shadow em paralelo com os controlos existentes, permitindo às equipas medir o impacto em dados reais antes de qualquer alteração na produção. Isto permitiu uma tomada de decisões em tempo real adequada para iniciativas de stablecoins, preservando ao mesmo tempo a disciplina operacional. As equipas registaram uma redução de até 70% no tempo de migração de dados e a capacidade de evoluir a lógica de risco continuamente sem interromper os processos de produção.

A SoFi encontrou uma dinâmica semelhante a partir de um ponto de partida diferente. Operando em áreas como empréstimos, fraude e cobranças, as alterações de políticas eram frequentemente bloqueadas por filas de engenharia e ferramentas fragmentadas. Ao centralizar a lógica de decisão e permitir a experimentação governada, a SoFi reduziu o tempo de lançamento no mercado de novas estratégias de risco em cerca de 50% e melhorou a velocidade de processamento em mais de 30%, mantendo uma supervisão consistente em todos os produtos.

Em ambientes de pagamentos como o da Nuvei, a mesma arquitetura suporta decisões de risco integradas sob restrições rígidas de latência, onde o custo do erro é imediato — seja como perda por fraude ou atrito com o cliente — tornando essenciais os testes em modo shadow e caminhos de escalonamento claros.  Como Daniel Hough, Diretor de Risco e Subscrição na Nuvei, referiu: “A nossa solução anterior simplesmente não oferecia a funcionalidade inovadora de que precisávamos: IA, automatização ou ferramentas para fazer recomendações complexas além de conjuntos de regras básicos. A Oscilar dá-nos a flexibilidade e a inteligência para gerir a nossa carteira de formas totalmente novas, e isso é muito importante para nós.”

A lição: unificar a tomada de decisões, validar a precisão com humanos no processo e, em seguida, expandir o âmbito.

Flexcar, Dibsy e Fluz: Reduzir falsos positivos através de contexto partilhado

Nas implementações com a Flexcar, Dibsy e Fluz, surgiram problemas semelhantes logo no início: elevados falsos positivos, atrasos na revisão manual e sinais de risco desconectados. As melhorias resultaram da avaliação conjunta dos sinais e da aproximação dos ciclos de feedback, mantendo a responsabilidade humana.

• A Flexcar reduziu as taxas de risco para metade e as perdas de ativos para zero ao coordenar as verificações de identidade, comportamentais e de transações num único fluxo de decisão, com revisores humanos a supervisionar os casos limite.

• A Dibsy conseguiu uma redução de ~80% na fraude ao mesmo tempo que acelerou a adesão de comerciantes em cinco vezes, ao avaliar o risco de adesão e de transação de forma holística em vez de utilizar ferramentas separadas.

• A Fluz reduziu as revisões manuais em cerca de 90% e aumentou as taxas de aprovação em cerca de 20%, transferindo a triagem de alertas e a recolha de contexto para processos automatizados, mantendo as decisões finais com revisores humanos.

Estes resultados refletem onde a IA tem o melhor desempenho: na tomada de decisões em back-end e no apoio aos analistas, onde os resultados podem ser medidos, auditados e melhorados continuamente.

Clara, Cashco e Parker: Capacitar as equipas de risco sem dependência da engenharia

Nas operações de subscrição e conformidade, os atrasos são frequentemente causados menos pela qualidade do modelo do que pelas longas filas de engenharia. As alterações na lógica de decisão podem demorar semanas, limitando a capacidade de resposta às condições de mercado.

As implementações com a Clara, Cashco e Parker mostram como esta limitação pode ser abordada sem sacrificar o controlo. Ao permitir que as equipas de risco configurem, testem e iterem na lógica de decisão diretamente — dentro de limites governados e com trilhas de auditoria completas — as organizações encurtaram significativamente os ciclos de iteração.

A Clara reportou uma adesão 3 vezes mais rápida, uma capacidade de processamento 3 a 4 vezes superior sem necessidade de contratar mais pessoal, e um desempenho de SLA consistente sob crescimento. A Cashco e a Parker registaram efeitos semelhantes: implementações de subscrição em dias em vez de semanas, reduções de ~70% nos atrasos acumulados e tempos de processamento ~40% mais rápidos.

Para os bancos, este padrão reduz a dependência de recursos escassos de engenharia, ao mesmo tempo que preserva a explicabilidade e o controlo.

TransPecos Banks: Modernização incremental sob supervisão regulatória

O TransPecos Banks, um banco comunitário com um século de existência que apoia múltiplos parceiros de Banking-as-a-Service, enfrentava uma complexidade crescente em AML sem a capacidade de aumentar o número de colaboradores ou a exposição regulatória. 

Em vez de substituir os sistemas principais, o TransPecos centralizou a tomada de decisões de AML e a gestão de processos ao mesmo tempo que manteve os controlos existentes. A triagem de alertas, as investigações e a preparação de SAR (Relatórios de Atividades Suspeitas) foram unificadas, com os humanos a manterem a autoridade final sobre cada decisão de envio.

O impacto operacional incluiu:

• Redução de 40% nos custos operacionais de AML

• Redução de 70% no tempo de revisão de alertas

• Redução de 80% no tempo de gestão de SAR

• Mais de $3 milhões em poupanças anuais projetadas

Igualmente importante foi o impacto durante as inspeções regulatórias. As equipas demonstraram trilhas de auditoria e linhagem completas — desde o alerta até ao envio — num único sistema, eliminando a reconciliação retroativa em várias ferramentas.

Um inspetor observou: "Esta é a supervisão de gestão de risco mais clara que já vimos num banco do vosso tamanho." Quando a IA realiza o trabalho mecânico com documentação completa e os humanos mantêm o julgamento nas decisões críticas, a conformidade torna-se mais defensável e não mais complexa.

O que estas implementações mostram

Em redes globais, fintechs e bancos comunitários, surgem padrões consistentes:

• A IA gera valor imediato na deteção de fraudes, triagem de AML e processamento de documentos — onde os resultados podem ser verificados e revistos

• Os maiores retornos aparecem na camada de decisão, não na automatização virada para o cliente

• O progresso seguro vem do modo shadow, de resultados mensuráveis e de controlos com intervenção humana no processo

• A tomada de decisões unificada reduz os falsos positivos e a carga operacional sem aumentar o risco

A linha divisória não está entre bancos e fintechs, ou entre velocidade e segurança. Está entre as organizações que tratam a IA como um sistema de aprendizagem governado e integrado na infraestrutura de decisão, e aquelas que a implementam como uma coleção de ferramentas desconectadas.

Os bancos podem adotar os mesmos princípios arquitetónicos — decisão unificada, ciclos de feedback rápidos e responsabilidade humana clara — enquanto os implementam de forma incremental sob total supervisão regulatória. 

Nas operações de risco reguladas, a iteração disciplinada com explicabilidade e auditabilidade supera consistentemente a experimentação sem salvaguardas.

Parte IV: A governação como facilitador

Em domínios regulados, a governação não é uma limitação à adoção da IA — é o mecanismo que torna a adoção possível. Os sistemas de IA que influenciam resultados de crédito, fraude ou conformidade devem ser explicáveis, auditáveis e continuamente monitorizados. As instituições que tratam a governação como uma infraestrutura viva, em vez de documentação estática, movem-se consistentemente mais rápido do que os seus pares.

Refletindo a ênfase da McKinsey em modelos operacionais de plataforma e governação centralizada, os bancos devem estabelecer uma Torre de Controlo de IA. Para que os agentes de IA operem em produção, especialmente em domínios regulados como crédito e AML, devem ser explicáveis. Cada decisão exige uma justificação clara e legível por humanos. O Regulamento da IA da UE, que entrou em vigor em agosto de 2024 com aplicação total prevista para agosto de 2026, classifica os sistemas de IA utilizados para avaliação de crédito como de "alto risco" e introduz salvaguardas adicionais. A Autoridade Bancária Europeia não encontrou contradições significativas entre o Regulamento da IA e a legislação bancária existente, sugerindo que os quadros regulamentares atuais podem acomodar a IA com algum esforço de integração.

A Torre de Controlo funciona como o controlo de tráfego aéreo para a IA do banco — monitorizando o desempenho, o enviesamento e os desvios em tempo real; aplicando a apetência pelo risco e os requisitos regulamentares; e garantindo que as inovações bem-sucedidas ganhem escala em toda a empresa.

Uma supervisão eficaz exige mais do que comissões de aprovação. Exige uma monitorização em tempo real da precisão, dos desvios e das taxas de intervenção humana — para que os problemas sejam detetados imediatamente, e não meses mais tarde durante as auditorias.

A fase de execução começou

A paralisia que afeta muitos líderes de tecnologia e risco bancário decorre de um equívoco: o de que a modernização exige uma perigosa substituição total do núcleo. As evidências apontam para um caminho diferente.

A estrutura AI Bank of the Future da McKinsey identifica corretamente o estado final da arquitetura; as soluções graduais aqui delineadas mostram como os bancos podem alcançar esse estado de forma pragmática — sem interromper as operações ou ceder o controlo da lógica de decisão. Os bancos podem sobrepor uma infraestrutura inteligente e agêntica aos núcleos legados hoje mesmo. Comece com o modo shadow para provar a segurança. Implemente agentes de assistência ao analista para aliviar a pressão operacional imediata. Aproveite oportunidades greenfield, como as stablecoins, para construir estruturas de risco nativas na nuvem a partir do zero.

O guião para os líderes de risco: assumir o controlo da infraestrutura em vez de externalizar a lógica de decisão para soluções pontuais. Comece com a camada de decisão, onde se encontram ganhos de produtividade de 20 a 60 por cento e reduções imediatas de risco. Reestruture domínios inteiros de ponta a ponta, em vez de testar ferramentas isoladamente. Exija autonomia da sua IA: sistemas que planeiam, encaminham e executam, e não apenas chatbots que recuperam informação. Utilize o modo shadow e ferramentas de linguagem natural para acelerar a inovação mantendo a supervisão regulatória.

De acordo com a investigação da BCG, os agentes de IA já representam 17% do valor total da IA em 2025 em todos os setores, estimando-se que atinjam 29% até 2028. Os bancos que executarem esta estratégia não serão apenas mais rápidos. Serão instituições fundamentalmente diferentes: capazes de raciocinar em tempo real, adaptando-se instantaneamente a novas ameaças e servindo os clientes com um nível de personalização e segurança que os sistemas de processamento em lote não conseguem igualar.

Nos próximos cinco anos, a linha divisória não será entre os bancos que “usam IA” e os que não usam. Será entre as instituições que tratam a tomada de decisões orientada por IA como infraestrutura de base e aquelas que continuam a aplicá-la apenas de forma superficial nas margens.

O plano existe. As soluções estão disponíveis. A questão já não é se a IA vai transformar a atividade bancária, mas sim quais as instituições que serão transformadas primeiro. Os bancos que não conseguirem raciocinar e agir em tempo real ao longo de toda a jornada do cliente não irão apenas ficar para trás, correm o risco de se tornarem operacionalmente irrelevantes.

Anexo: Guia de seleção de soluções graduais