Esta semana, nossa CEO e cofundadora, Neha Narkhede, juntou-se a Nik Milanović no This Week in Fintech para uma discussão aprofundada sobre o futuro da gestão de riscos financeiros e a abordagem inovadora da Oscilar para decisões de risco impulsionadas por IA.

Destaques Principais

Nesta conversa, Neha explica como uma abordagem de plataforma unificada para Decisões de Risco com IA cria uma visão abrangente dos riscos de fraude, crédito e conformidade. Ela discute:

• As lacunas críticas no cenário fragmentado de gestão de riscos de hoje e por que soluções pontuais são insuficientes para instituições financeiras modernas

• Como a plataforma unificada da Oscilar permite decisões de risco em tempo real ao combinar detecção de fraude, monitoramento de conformidade e decisões de crédito

• O impacto transformador dos sinais de risco compartilhados ao longo do ciclo de vida do cliente

• Histórias reais de sucesso de clientes, incluindo como o Trans Pecos Banks alcançou uma redução de 40% nos custos operacionais de AML e uma redução de 70% no tempo de revisão de alertas

• A crescente importância da IA no combate a técnicas sofisticadas de fraude, desde identidades sintéticas até deep fakes

• Aumentando a vigilância regulatória de bancos patrocinadores e por que o monitoramento de conformidade em tempo real é crucial

• Sua visão para o futuro da gestão de riscos, incluindo decisões hiperpersonalizadas e plataformas de conformidade unificadas

Para profissionais de operações de risco, equipes de conformidade e líderes fintech, esta conversa oferece insights valiosos sobre como construir sistemas financeiros mais resilientes por meio de uma gestão de riscos unificada e impulsionada por IA.

Você pode ouvir o episódio completo aqui

Transcrição Completa do Episódio

Nik Milanovic: Obrigado a todos por se juntarem a nós hoje. Estamos de volta para mais um podcast do This Week in Fintech, e estou muito animado para nosso convidado de hoje. Nossa convidada é uma fundadora, uma fundadora recorrente, devo dizer, que está no espaço de serviços financeiros e fintech há algum tempo, e estou muito animado para ouvi-la. O nome dela é Neha Narkhede, e ela é a fundadora da Oscilar.

Para aqueles que ainda não estão familiarizados com Oscilar, Oscilar é uma plataforma de decisão de risco com IA que ajuda as organizações a gerenciar riscos de onboarding, fraude, crédito e conformidade.

Neha é uma fundadora recorrente que passou um tempo no espaço construindo novos produtos, e hoje vamos nos aprofundar no que a Oscilar está construindo, qual é a visão deles para o futuro, alguns de seus estudos de casos de clientes e o que vem a seguir.

Mais uma vez, obrigado por se juntar a nós e Neha, muito obrigado por fazer o tempo para estar conosco.

Neha Narkhede: Obrigada, Nik. Muito animada para estar aqui, apenas começando. Sei que fizemos alguns eventos juntos no This Week in Fintech e Oscilar. Fizemos parcerias no Reino Unido. Fizemos parcerias nos EUA. Fizemos parcerias no Brasil. Parece que você está em todos os lugares, à medida que a Oscilar cresce ao redor do mundo. A Oscilar é uma empresa global e somos um negócio de rápido crescimento que opera na América do Norte, Europa, América Latina e também no Oriente Médio.

Nik Milanovic: Para aqueles que não sabem, Neha fundou anteriormente uma empresa chamada Confluent, onde acredito que você esteve por dez anos como CTO e chief product officer, e depois como membro do conselho, construindo uma empresa para dados em tempo real e Apache Kafka. Estou curioso, você poderia nos guiar por sua jornada desde fundar a Confluent no Kafka até fundar a Oscilar?

Neha Narkhede: Tem sido uma jornada realmente divertida na Confluent. Cofundei a Confluent para construir uma plataforma de streaming de dados em tempo real, impulsionada por um sistema de código aberto muito popular chamado Apache Kafka, do qual fui uma das criadoras originais, e ajudamos empresas ao redor do mundo a aproveitar dados em tempo real e IA para transformar suas operações.

Enquanto trabalhava com os principais bancos, fintechs, comerciantes, viagens e hospitalidade, vi em primeira mão que a fraude e a gestão de riscos estavam entre os casos de uso mais críticos e de alto impacto de dados em tempo real e IA no mundo moderno. No entanto, as ferramentas existentes para prevenção de fraude ágil, em tempo real, risco e conformidade não estavam à altura em vários aspectos, e as pessoas estavam tentando contornar isso e tentar construir várias ferramentas em torno disso, o que na verdade não fazia muito sentido.

As pessoas estão vendo mais e mais transações de valor acontecerem online em um ritmo muito rápido desde a pandemia de COVID, e ainda estão sem infraestrutura de risco moderna e sofisticada. Portanto, reconhecendo essa tendência massiva e realmente motivada pela minha paixão por proteger transações online, cofundei a Oscilar para capacitar empresas a detectar fraudes, gerenciar conformidade, tomar melhores decisões de risco de crédito com análise de dados de ponta e aprendizado de máquina, tudo por meio de uma plataforma de risco unificada, que está sendo feita pela primeira vez.

Nik Milanovic: E notei que, quando você fundou e anunciou a Oscilar, algo que me chamou a atenção foi que você e seu cofundador, Sasha Kulkarni, também a autofinanciaram para tirá-la do papel, o que para mim, é um exemplo claro de alta convicção no produto que você está construindo, ao ponto de estar disposto a financiar com seus próprios recursos para iniciá-lo.

Você mencionou enquanto estava na Confluent que estava trabalhando com um conjunto de ferramentas de risco - ferramentas que simplesmente não atenderam às suas necessidades, e isso meio que acendeu um desejo ardente de realmente construir um produto de risco melhor com base na sua própria experiência. Estou curioso, quais foram os momentos na Confluent que fizeram você perceber que havia uma verdadeira lacuna no mercado e uma oportunidade para construir uma ferramenta como essa? Que momentos lhe deram tanta convicção que você estava disposto a começar de novo do zero como uma empreendedora recorrente e se autofinanciar para colocar esse produto no chão e funcionando?

Neha Narkhede: Dado o tamanho da empresa, eu via empresas em diferentes verticais da indústria lutarem com os mesmos problemas. E a tendência que eu vi é que, quase todo vertical da indústria tem algum tipo de transação online, e qualquer transação online de valor precisa de algum tipo de decisão de risco.

Então, o que eu realmente notei é que há uma tendência geral na indústria, através de verticais da indústria, que precisava de uma plataforma. E especificamente, identifiquei duas grandes lacunas entre todas essas diferentes tipos de empresas, sejam bancos, fintechs ou comerciantes e assim por diante.

A primeira lacuna é a fragmentação criada por soluções pontuais. E essas soluções pontuais apenas focam em um aspecto do ciclo de vida do cliente, como há ferramentas para fazer verificação de identidade ou apenas decisão de crédito, e elas na verdade não compartilham sinais valiosos que poderiam ajudar a reduzir falsos positivos e detectar ataques sofisticados. Portanto, essa é a primeira lacuna que notei.

A segunda lacuna que notei em todos os aspectos foi a falta de tecnologia moderna como dados em tempo real e IA em muitas soluções, mesmo enquanto os próprios fraudadores começam a implantar ferramentas de IA avançadas, como todos sabemos.

Portanto, essas duas lacunas eram realmente penetrantes em uma variedade de negócios, o que achei realmente interessante como uma tendência de mercado. E essas lacunas criam desafios significativos para reduzir efetivamente o risco, garantindo experiências de cliente sem problemas.

O desafio central, que simplesmente fazia sentido por princípios básicos, mesmo além da experiência que eu realmente tive, era que não havia uma visão 360 do perfil de risco do usuário que deveria idealmente informar a tomada de decisão em qualquer ponto do ciclo de vida do cliente. Então, é meio louco que o risco que você identifica durante o onboarding não possa ser compartilhado com a ferramenta que faz o monitoramento de transações, não pode ser compartilhado com a ferramenta que faz a decisão de crédito. Simplesmente não fazia sentido para mim, e dado isso, notei que realmente era uma tendência entre negócios de todos os tipos.

Nik Milanovic: Então, quando você fala sobre uma visão 360 ou perfil de risco do cliente, como é esse cliente, e que tipos de usuários finais você tinha em mente quando começou a Oscilar?

Neha Narkhede: Oscilar é uma empresa de plataforma, então a maneira como estamos abordando o espaço é realmente diferente, no sentido de que não estamos realmente criando um tipo de solução pontual, o que, na minha opinião, é o problema fácil de resolver. É o produto fácil de construir, mas não acho que resolva o problema, que é que você precisa ser capaz de compartilhar sinais de um ponto do ciclo de vida do cliente para todos os outros pontos do ciclo de vida do cliente.

Portanto, realmente fazia sentido que não houvesse uma plataforma real unificada que pudesse avaliar riscos em cada ponto do ciclo de vida do cliente. E vimos empresas de todos os tipos, e inicialmente estamos começando com bancos, Fintech FIs, mas no futuro, vamos expandir absolutamente para todos os outros verticais da indústria que têm transações online.

Vimos empresas reduzirem significativamente falsos positivos, detectarem fraudes mais cedo, acelerarem aprovações de crédito usando essa abordagem de plataforma unificada. Uma boa porcentagem de nossos clientes adquiriu todos os nossos produtos, desde onboarding a crédito, fraude e conformidade, e isso está acontecendo por uma razão básica - que é essencialmente a lacuna principal no mercado e a lacuna na tecnologia.

É realmente difícil construir uma plataforma de dados em tempo real e IA que possa operar riscos em todo o ciclo de vida do cliente. Por exemplo, um de nossos clientes da FinTech trouxe todas as suas soluções isoladas sob uma única camada de decisão impulsionada pela Oscilar. Então, antes, a ferramenta de verificação de identidade não conversava com o sistema de monitoramento de transação de fraude, o que obviamente cria pontos cegos.

Depois de unificar tudo, imediatamente detectaram 60% mais ataques de tomada de conta, reduziram os tempos de revisão manual em 85% ao aproveitar esses sinais compartilhados, como impressões digitais de dispositivos, dados comportamentais, que vêm prontos para uso com a Oscilar. Mas ao mesmo tempo, melhoraram em 30% sua precisão na concessão de crédito porque verificações de fraudes passadas e insights de identidade estavam ali no mesmo sistema. Novamente, algo que faz todo o sentido quando você pensa bem - deu-lhes uma visão holística e em tempo real do cliente, que em última análise levou a decisões mais rápidas e melhores resultados de risco, não importa o tipo de risco, seja onboarding, crédito, fraude ou conformidade.

Nik Milanovic: Trabalhando em serviços financeiros, você ouve muito sobre sistemas internos, que são fragmentados, que você pode ter um cliente que tem um produto, digamos um cliente em um banco que tem uma hipoteca, uma conta poupança e um empréstimo estudantil, e ainda assim cada um desses produtos e os dados relevantes do cliente vivem em diferentes silos, de modo que um gerente de relacionamento nem sequer consegue acessar o fato de que eles são clientes de vários produtos no banco. Estou curioso se você está desvendando por que tantos bancos e instituições financeiras operam assim e olham especificamente para sistemas de risco. Por que eles são tão fragmentados nas instituições de serviços financeiros para começar?

Neha Narkhede: Acho que os sistemas de risco são fragmentados em grande parte porque muitos fornecedores constroem soluções pontuais que se concentram em uma fatia muito estreita da jornada do cliente com sua verificação de identidade ou AML ou verificações de crédito. Assim, essas ferramentas de nicho, a razão para isso é, minha hipótese é que muitas vezes são realmente fáceis de configurar rapidamente, construir rapidamente, já que fazem suposições básicas sobre quais pontos de dados são necessários e quais pontos de dados você pode fazer suposições para abordar um tipo específico de fraude ou risco.

No entanto, cada uma dessas soluções pontuais força as empresas a enviar um conjunto de dados predefinido em formatos muito rígidos, deixando muito pouco espaço para uma análise mais avançada ou a incorporação de sinais adicionais, que são fundamentais para resolver tipos complexos de risco.

Como resultado, essas instituições acabam com ferramentas realmente isoladas que não se comunicam entre si ou compartilham insights valiosos, limitando sua capacidade de obter essa visão de 360 do perfil de risco do usuário em tempo real, nada menos. O que é realmente necessário é uma plataforma de decisão de risco impulsionada por IA que consolide a avaliação de risco em todos os estágios do ciclo de vida do cliente, não apenas isso, mas aplique modelos de aprendizado de máquina que são especificamente projetados para tipos específicos de risco para prever e mitigar riscos complexos de forma precisa.

Então, acho que a fragmentação é realmente causada por fornecedores que constroem soluções pontuais fáceis de construir, mas que não resolvem o problema como um todo, especialmente no mundo moderno.

Nik Milanovic: Agora, acho que isso se encaixa muito bem com algo que você disse no início dessa chamada, que é que a Oscilar adota uma abordagem de uma única plataforma para construir uma solução de gestão de riscos. O que significa adotar a abordagem de uma única plataforma aqui?

Neha Narkhede: Ser uma única plataforma unificada na gestão de riscos significa consolidar todos os aspectos de detecção de fraude, conformidade e tomada de decisão em um único sistema integrado que funciona de maneira fluida em todo o ciclo de vida do cliente. Ao mesmo tempo, o que fizemos muito bem é projetá-lo como uma plataforma totalmente modular e flexível. Então você pode facilmente começar com um caso de uso, o que quer que seja o maior ponto de dor, e expandir muito suavemente para todos os outros casos de uso de risco. Você realmente não precisa tomar a decisão difícil de ir com tudo ou não. Eles podem adotá-lo muito gradualmente.

Então, em vez de gerenciar várias soluções pontuais, cada uma com seu próprio formato de dados, lógica de risco, modelos de ML, uma plataforma unificada permite que você faça algumas coisas muito bem:

Uma delas é ingerir e combinar sinais de dados diversos, como identidade de dispositivo, biometria comportamental, históricos de transações. Você pode fazer tudo isso em tempo real, com uma latência inferior a 100 milissegundos, em muitos casos, dentro de 15 milissegundos.

A segunda coisa que você pode fazer é aplicar decisões consistentes e adaptáveis usando um conjunto compartilhado de regras, modelos de ML que aprendem e atualizam em todo o ciclo de vida do cliente. Então isso é uma grande vantagem de poder compartilhar sinais.

A terceira coisa é fornecer uma visão de 360 para que qualquer instância, qualquer insight de qualquer interação informe decisões futuras, como uma verificação de onboarding informará o monitoramento de contas, aprovações de crédito e assim por diante.

E por último, mas não menos importante, você pode realmente simplificar operações e governança eliminando esses silos, seja em termos de risco ou de produtos, como você mencionou, reduzindo a duplicação, garantindo processos de conformidade uniformes.

Assim, em essência, uma verdadeira solução unificada realmente remove o atrito de ferramentas díspares e oferece às instituições uma única fonte autoritativa para detectar e mitigar fraudes, permanecer em conformidade e também fazer decisões mais inteligentes de qualquer tipo.

Nik Milanovic: Quando você fala sobre ser capaz de devolver valores em milissegundos em serviços financeiros, isso é uma métrica tão importante para poder avaliar a si mesmo, porque se você pensa sobre interações de serviços financeiros, elas geralmente são muito rápidas - ser capaz de pagar por algo em tempo real em um terminal de pagamento, ser capaz de verificar a identidade de uma conta para abrir um aplicativo bancário. Por exemplo, é fundamental ser capaz de processar dados e, em seguida, devolver uma solução ou decisão rapidamente. Quando você pensa sobre todos os diferentes pontos de contato dos clientes que um banco ou fintech tem com seus clientes, você pode nos guiar por como o cliente final usa múltiplos aspectos da plataforma juntos?

Neha Narkhede: Absolutamente. Acho que vimos, por exemplo, posso dar alguns exemplos do impacto de poder usar esses múltiplos produtos. Vimos clientes reduzirem os tempos de onboarding em até 50% ou mais após unificarem verificações de identidade, detecção de fraudes, processos de AML em uma única plataforma.

Então, em vez de alternar entre várias ferramentas para verificação e conformidade, tudo acontece em tempo real em um só lugar. Então você também obtém essa visão completa de 360 do perfil de risco do usuário que é atualizada em alguns milissegundos à medida que cada transação acontece e ocorre. E isso exigirá uma infraestrutura de dados em tempo real sofisticada, que, sem surpresa, Apache Kafka e Confluent alimentam.

No lado da conformidade, vemos rotineiramente uma redução de 85% no tempo de revisão de alertas e investigação de casos, graças a esses dados centralizados e co-piloto avançado baseado em IA para alertas, documentação automatizada, todas essas coisas funcionam juntas quando você olha para uma visão unificada.

Então, não apenas novos clientes são incorporados mais rapidamente, mas as equipes de conformidade podem realmente se manter à frente dos requisitos regulatórios sem receber esse enorme ônus operacional e as equipes de fraude podem ficar um passo à frente de padrões de fraude realmente complexos ao usar essa visão unificada e casá-la com seus modelos de IA corretos.

Nik Milanovic: Você se importaria rapidamente de me falar sobre os diferentes tipos de usuários ou personas para um produto como a Oscilar? Temos falado muito sobre o cliente final, o titular da conta do banco, mas do ponto de vista deles, eles nunca realmente interagem com a Oscilar. E ainda, quando você fala sobre os usos do seu produto, está falando sobre equipes de fraude, está falando sobre equipes de conformidade. Você está falando sobre transparência de dados para que o banco possa então girar e apresentar a seu regulador final também. Como você pensa sobre quem são os tipos de usuários que você está servindo diretamente com a Oscilar?

Neha Narkhede: Essa é uma ótima pergunta. Acho que, dado que cobrimos uma área tão ampla, realmente depende do tipo de risco e do produto em questão.

Então, por exemplo, para decisão de crédito, interagimos com os analistas de risco de crédito que são responsáveis por elaborar esses modelos de risco e que querem expressá-los de maneira muito fácil, sem depender de engenharia. Então, esse é um dos maiores problemas com ferramentas existentes, se não são auto serviço o suficiente. Portanto, os analistas de risco, apesar de ter uma ferramenta que aparentemente faz decisões sem código, na verdade ainda têm que depender de recursos técnicos.

O outro exemplo no lado AML são revisores de casos, operadores de risco que são responsáveis por sinalizar riscos de ML, bem como pela apresentação de relatórios de SAR. Então, tudo isso pode ser feito usando linguagem natural na plataforma Oscilar. Então, é verdadeiramente de auto serviço por natureza.

E no lado da fraude, na verdade, interagirmos com analistas de risco de fraude e, em muitos casos, cientistas de dados que podem usar muito facilmente a plataforma para criar novos recursos, contadores de velocidade, recursos complexos como agregações, ser capaz de usar seu modelo de ML, bem como nosso modelo de ML pronto para uso, para sinalizar tipos sofisticados de fraude, seja sequestro de conta, fraudes de pagamento, fraudes de CH, fraudes de primeira ordem. Assim, realmente depende do tipo de problema de risco e do produto específico que esses bancos, Fintech FIs, estão usando da Oscilar.

Nik Milanovic: Mudando um pouco de assunto, pensando no ecossistema bancário nos EUA, no último ano, vimos muito aumento no escrutínio regulatório, particularmente de bancos patrocinadores. Para as pessoas que não estão familiarizadas, muitas empresas FinTech nos EUA, em vez de se licenciarem para oferecer produtos financeiros, trabalharão com um banco patrocinador, e o banco irá, efetivamente, patrocinar o programa como gerente do programa, permitindo que a FinTech adquira clientes, mas tem havido mais exames de reguladores prudenciais, como o FDIC e o OCC, que têm realmente examinado bancos patrocinadores nos últimos anos, tentando entender um pouco mais sobre os programas que eles patrocinam e como esses programas tratam seus usuários finais. Agora sinto que você está tão próximo disso diariamente. Na sua opinião, o que tem impulsionado essa tendência de maior escrutínio?

Neha Narkhede: Acho que o escrutínio regulatório de bancos patrocinadores, em particular, está aumentando devido ao rápido crescimento do banking as a service (BaaS) e também à ascensão dessas parcerias FinTech-banco. Veja o que eu acho que está impulsionando essa tendência.

Há algumas coisas. Primeiro é essa espécie de explosão em parcerias FinTech e lacunas de conformidade. Portanto, mais fintechs estão lançando produtos financeiros com bancos patrocinadores, mas muitos carecem de programas de conformidade robustos. Assim, os reguladores estão preocupados que alguns bancos patrocinadores não estejam realmente exercendo supervisão suficiente sobre os programas de risco e ML de seus parceiros FinTech.

A segunda coisa, eu acho, é que a infraestrutura de conformidade legada simplesmente não pode acompanhar. Então, esses sistemas de conformidade tradicionais não foram construídos para a supervisão complexa necessária em múltiplos parceiros FinTech. Esse é apenas um padrão de design que eles não foram construídos para. Assim, muitos bancos patrocinadores lutam para monitorar a conformidade em FinTechs, em produtos de diferentes tipos em tempo real, o que leva a muitas lacunas regulatórias, sem mencionar que são extremamente orientados por lotes. Portanto, podem se passar dias e semanas antes que você realmente perceba ou possa levantar um alerta sobre alguma lacuna de conformidade.

A terceira coisa que acho que está acontecendo são ações de fiscalização de alto perfil e expectativas regulatórias. Como você mencionou, FDIC, também as recentes ações de DOJ, OCC, CFPB, destacam a necessidade de controles mais fortes nessas parcerias. E essencialmente, o que está acontecendo, eu acho, é que os reguladores agora esperam que os bancos patrocinadores tenham visibilidade muito clara de operações FinTech, monitoramento de transações em tempo real e controlos de risco proativos.

Por último, mas não menos importante, há a necessidade de uma abordagem realmente escalável e unificada de gestão de risco. Então, bancos patrocinadores precisam de uma plataforma centralizada para supervisionar múltiplos parceiros FinTech, ser capaz de impor políticas de conformidade em todos ou parte dos FinTechs, dependendo de quais produtos estão em questão e também detectar risco antes que se torne um problema regulatório real.

Acho que essas são as tendências, mas eu tenho visto nossos clientes, os bancos patrocinadores, a maneira como estão se mantendo à frente é adotando um monitoramento de conformidade em tempo real que lhes dá total visibilidade. Essencialmente, o que chamamos de uma visão de centro de comando, de toda a atividade através de todos os FinTechs com os quais fazem parceria.

Eles também estão garantindo que os controles de AML e fraude sejam padronizados em todos os parceiros FinTech. Portanto, ferramentas como a Oscilar oferecem uma maneira de um clique de dizer, "implante esses controles em seus parceiros FinTech que servem a um tipo particular de produto," para que você também possa segmentá-los inteligentemente.

E por último, mas não menos importante, acho que eles também estão usando monitoramento de transações impulsionado por IA para detectar padrões suspeitos cedo. Então, os reguladores não estão focando apenas em fintechs mais. Eles esperam que os bancos patrocinadores liderem os esforços de conformidade. Portanto, aqueles que fortalecem proativamente sua supervisão não apenas reduzirão o risco, mas também construirão parcerias FinTech sustentáveis a longo prazo.

Nik Milanovic: Eu adoro. Estamos realmente tocando em todos os tópicos sensíveis aqui. Vou perguntar em um segundo sobre entrar nos detalhes de um estudo de caso, mas duas perguntas rápidas antes disso. Eu tenho que perguntar a você, você mencionou banking as a service, que definitivamente tem sido um dos maiores temas nas notícias de FinTech no ano passado, definitivamente um ano misto para provedores de banking as a service. Para quem está ouvindo, provedores de banking as a service normalmente são plataformas que ficam entre bancos patrocinadores e programas FinTech subjacentes. O que você acha que provavelmente acontecerá com o espaço de banking as a service?

Neha Narkhede: Acho que é interessante. Primeiro de tudo, não acho que essas parcerias FinTech-banco estão indo embora. Acho que há necessidade de produtos realmente modernos que possam realmente impulsionar a inovação no espaço, e seja expectativas do consumidor ou apenas a disponibilidade da infraestrutura certa.

Acho que a infraestrutura certa é necessária para habilitar essa inovação, que é introduzida por essas parcerias FinTech-banco. Portanto, realmente acho que o termo banking as a service, ou a terminologia, está ganhando uma tração ruim do ponto de vista da marca, mas realmente vejo isso como uma tendência mais ampla de finanças incorporadas e como podemos realmente construir a infraestrutura certa que tenha os controles certos de conformidade, fraude para lhes dar a tecnologia correta para habilitar esse tipo de parcerias.

Portanto, realmente acho que a tendência mais ampla de finanças incorporadas não está indo embora. Ela aumentará a necessidade da infraestrutura de tecnologia correta para habilitar essas parcerias.

Nik Milanovic: Você sabe, eu mencionei meio que dois tópicos sensíveis. O segundo que você trouxe foi usar IA para ajudar bancos a melhor monitorar e detectar fraudes em tempo real. Estou curioso como a Oscilar está nessa explosão de IA que parece que estamos vendo, a fraude parece ser um espaço muito aplicável, porque você tem tantos dados não estruturados e aparentemente não correlacionados. Como a Oscilar está aproveitando a IA em seus produtos?

Neha Narkhede: Aproveitamos a IA de algumas maneiras diferentes. Primeiro, a Oscilar cria modelos de IA específicos e fornece modelos de IA prontos para uso para tipos específicos de fraude, então eles são ajustados para certos padrões de fraude. Por exemplo, nosso modelo de fraude de ACH é ajustado para sinalizar a fraude de ACH. E em um de nossos clientes chamado Flus, eles foram capazes de aumentar as taxas de aprovação em 20% sem aumentar a taxa de fraude, e também combater a fraude de primeira ordem.

Mas também temos modelos de ML especializados para fraude de primeira ordem, que é realmente difícil de detectar, sequestro de conta, fraude de pagamento de todos os tipos e assim por diante. Isso é uma maneira de aproveitarmos a IA.

A segunda coisa é a nossa aplicação pragmática de IA generativa na forma de um co-piloto de risco. Então, o que é capaz de fazer é que pode pegar linguagem natural e criar fluxos de trabalho e regras inteiros, o que é realmente poderoso. Realmente reduz o tempo necessário para criar as estratégias certas, implementá-las, entrar em operação. Isso também lhe dá explicações em linguagem natural de por que algo acontece - por que uma decisão foi tomada ou por que um caso foi criado, o que realmente reduz o tempo de revisão manual e dá a esses analistas de risco o insight que eles precisam em tempo real para saber o que está acontecendo, para que possam fazer algo a respeito.

E a terceira coisa que você pode fazer é raciocinar, que é, como todos sabemos, um dos recursos poderosos da IA generativa. Você pode realmente pedir ao Oscilar AI para lhe dar análise de causa raiz, e isso é algo que está por vir muito em breve. Você pode perguntar coisas como, "Ei, por que a taxa de fraude aumentou semana a semana? Em quanto aumentou? Quais são as principais razões?" Isso é realmente poderoso. Isso nunca foi feito antes. É um problema muito difícil.

Temos trabalhando nisso há quase um ano agora, experimentando diferentes modelos, experimentando diferentes técnicas, para ser capaz de habilitar esse tipo de sofisticação. Então, realmente, você pode criar modelos, plotar padrões analíticos, você pode fazer perguntas do tipo "por quê", tudo usando o Oscilar AI, o que acho que, com base no feedback de nossos clientes, realmente levou a grandes eficiências, bem como a uma capacidade aumentada de detectar tendências de risco.

Nik Milanovic: Você se importaria em compartilhar um exemplo específico? Estou curioso para ouvir como a Oscilar ajudou um banco a melhorar sua Conformidade com a AML, apenas percorrendo um de seus estudos de caso.

Neha Narkhede: No ano passado, fizemos uma parceria com o TransPecos Banks, por exemplo, que é um banco comunitário inovador baseado no Texas, que é um dos muitos exemplos para modernizar sua conformidade com a AML, especificamente na gestão de riscos.

Então, antes de implementar nossa plataforma de AML impulsionada por IA, eles estavam lidando com vários processos isolados, enquanto também tentavam supervisionar parceiros FinTech diversos, cada um com um perfil de risco distinto. Ao consolidar os fluxos de trabalho de AML em um único Mission Control centralizado, o TransPecos Banks ganhou uma visão de portfólio em tempo real com cada atividade FinTech.

Agora eles podem automatizar tarefas-chave como o preenchimento de SAR, aplicar modelos de ML avançados para detectar transações arriscadas, atualizar rapidamente regras para se adaptar a novas regulamentações usando o Oscilar AI. Os resultados foram realmente impressionantes: US$ 3 milhões em economias anuais de custos, redução de 40% nos custos operacionais de AML, menos falsos positivos, redução de 70% no tempo de revisão de alertas e investigação de casos, todos os dados do cliente e insights de risco em uma única visão e redução de 80% no tempo de gestão de SAR porque o Oscilar AI pode preencher automaticamente relatórios, gerar narrativas e fornecer envio eletrônico com um clique.

Então essa transformação não só simplificou suas operações, o que é importante, mas também posicionou o Trans Pecos para crescer sua oferta de finanças incorporadas com confiança, garantindo que a conformidade permaneça na vanguarda desse tipo de inovação. Estamos realmente empolgados com a parceria com o Trans Pecos Banks e muitos bancos dessa natureza.

Nik Milanovic: Não é um mistério, isso é ótimo. Conheço o TransPecos. É interessante. Tem sido um ano misto para provedores de BaaS e bancos patrocinadores, e muitos bancos patrocinadores têm descarregado alguns dos programas com os quais trabalham. TransPecos parece ser um dos poucos bancos no ano passado que realmente cresceu o número de programas com os quais está trabalhando, e tenho certeza de que uma grande parte disso é graças a plataformas como a Oscilar que os está ajudando a crescer de forma responsável.

Você sabe que um outro, acho que você chamaria de tipo de usuário final para uma plataforma como essa, é que quando você tem uma melhor visibilidade sobre seus clientes e o que eles estão fazendo, você também desenvolve uma melhor trilha de auditoria, seja você estando na equipe de conformidade ou na equipe de fraude ou na equipe de risco de crédito, e essa trilha de auditoria acaba sendo realmente importante quando esses bancos se voltam e têm exames regulatórios onde precisam realmente ser capazes de mostrar a justificativa para a tomada de decisão, os pontos de contato com o cliente e os dados sobre como o cliente estava realmente interagindo com o produto. E tenho certeza de que tem sido uma grande fonte de aumento para bancos como o Trans Pecos, que agora realmente têm esse registro de auditoria completo que podem girar e compartilhar com seus próprios reguladores?

Neha Narkhede: Sim, absolutamente. Acho que a Oscilar realmente tem uma funcionalidade de trilha de auditoria detalhada e também documentação de modelo automatizada, e isso realmente ajudou nossos parceiros bancários a provar aos reguladores que estão em conformidade. E como você disse, ela é capaz de rastrear todos os porquês por trás de cada decisão quando necessário. Estamos realmente animados que nossa parceria permitiu que o Trans Pecos Banks expandisse seu programa FinTech muito mais rápido do que qualquer outro banco no espaço.

Nik Milanovic: Você sabe, estou curioso, quais são os KPIs ou as métricas de sucesso para um cliente como Trans Pecos, algo como tempos de onboarding aumentados, eficiência de conformidade melhorada, tempos de fechamento mais curtos para casos. Estou curioso para saber como seus clientes definem sucesso quando usam a Oscilar?

Neha Narkhede: Existem algumas coisas. Um KPI é a taxa de falsos positivos, porque muitas das ferramentas de conformidade existentes têm essa sobrecarga de alertas, que é um dos maiores problemas que existem no espaço de compliance, AML em particular. Portanto, essa taxa de falsos positivos, sobrecarga de alertas, tempo de alertas, é o segundo - é apenas quanto tempo leva para investigar casos. Isso é outro KPI.

Portanto, permitimos que eles rastreiem em um painel detalhado todos esses KPIs, então você sabe exatamente onde estão as ineficiências. Também o tempo que leva para apresentar relatórios SAR é realmente demorado, então isso faz parte dos KPIs também. E na verdade, no final do dia, economia de custos - quanta eficiência são capazes de criar, e em quanto isso se traduz em economia de custos? Esse é, no final do dia, o KPI mais importante.

Nik Milanovic: Você tocou um pouco nisso, no uso de IA em um produto de ferramentas antifraude como a Oscilar. Nos últimos anos, vimos uma explosão nesse espaço de IA generativa especificamente, e quando você tem uma nova tecnologia, muitas vezes, alguns dos primeiros adotantes tendem a ser pessoas que podem usá-la para, digamos, propósitos nefastos. Por outras palavras, os golpistas têm sido muito rápidos em adotar IA generativa especificamente para fraudes financeiras.

Há uma empresa em Hong Kong que equivocadamente enviou uma transferência de US$ 25 milhões para a contraparte errada porque teve uma chamada de vídeo com um deep fake de IA generativa. E então, nessa espécie de corrida armamentista onde você tem atores mal-intencionados no sistema usando IA generativa, você também tem a oportunidade de atores bem-intencionados adotarem IA generativa. E então estou curioso como você viu esse crescimento de generative AI como um todo, realmente mudando o cenário de fraudes.

Neha Narkhede: Acho que os avanços recentes em IA generativa mudaram drasticamente o cenário de fraudes, tornando os ataques mais rápidos, mais escaláveis e mais difíceis de detectar. Há algumas coisas que estão acontecendo.

Primeiro é a fraude impulsionada por IA em escala. Como você mencionou, fraudadores estão usando Gen AI para automatizar ataques em larga escala, incluindo a criação de identidades sintéticas, deep fake de áudio e vídeo em seu exemplo, que é um dos exemplos mais loucos, eu acho, do uso de IA generativa para tipos complexos de fraude, phishing automatizado e engenharia social, então chatbots de e-mail gerados por IA imitando executivos reais de instituições financeiras.

A segunda coisa que está acontecendo é que a detecção de fraude tradicional está apenas lutando para acompanhar. Portanto, sistemas baseados em regras são ineficazes contra esses ataques evolutivos impulsionados por Gen AI. Como as ferramentas de fraude legadas dependem desses tipos de dados estáticos, como endereços de e-mail, que fraudadores impulsionados por IA podem facilmente fabricar. E as equipes de revisão manual de fraudes estão simplesmente sobrecarregadas, já que essas tentativas de fraude habilitadas por IA estão acontecendo em uma escala sem precedentes.

A terceira coisa é que você precisa de IA para vencer IA, e essa é a única maneira de acompanhar a corrida armamentista aqui. A maneira como está mudando é como a detecção de fraude impulsionada por IA está revidando. Para combater essas ameaças, as instituições financeiras precisam de IA igualmente avançada.

Alguns exemplos são a detecção em tempo real de intenções e comportamento de dispositivos - detectando padrões de fraude gerados por IA analisando impressões digitais de dispositivos, dinâmicas de teclas, anomalias comportamentais e assim por diante. Detecção de risco de IA generativa - usando modelos de ML treinados em táticas emergentes de fraude para identificar identidades sintéticas, golpes de deep fake, usando estratégias múltiplas, então não dependendo apenas dos sinais compartilhados pelo usuário, mas também sinais passivos, como biometria comportamental, usando pontos de dados ao longo da jornada do cliente, perfilando o comportamento do usuário, comparando-o ao comportamento coletivo de bons usuários, o que é realmente difícil de fazer do ponto de vista tecnológico.

É assim que vamos lutar de volta, e é como vamos usar IA para lutar contra IA. Isso é realmente, eu acho que a batalha contra a fraude agora é apenas IA versus IA, e somente a abordagem de inteligência de risco adaptativa em tempo real impulsionada por IA pode se manter à frente da próxima geração de ameaças de fraude.

Nik Milanovic: Algo que se destaca, especificamente quando você pensa em diferentes fatores e ameaças de fraude, é a inteligência de dispositivos. Quando a Oscilar fala em inteligência de dispositivos, estou curioso sobre o que você quer dizer? O que você está se referindo, e por que é tão importante para uma avaliação de risco?

Neha Narkhede: A inteligência de dispositivos está se tornando essencial porque oferece insights em tempo real sobre os dispositivos que as pessoas estão usando para acessar esses serviços financeiros. Por exemplo, ao analisar fatores como não apenas endereços IP, mas versões de navegador, sistemas operacionais, mas mesmo casando isso com padrões comportamentais como o que nossos dispositivos e comportamentos dos produtos de inteligência fazem, as instituições podem detectar anomalias como mudanças abruptas de dispositivo ou mudanças de localização impossíveis que podem sinalizar a fraude à medida que mais e mais transações se movem para o online. A inteligência a nível de dispositivo realmente oferece uma camada poderosa de segurança, que ajuda a diferenciar clientes genuínos de atores mal-intencionados. É isso que realmente vimos em estudos de caso reais em toda a nossa base de clientes.

Nik Milanovic: Você estaria feliz em entrar, eu adoraria estar muito curioso para ouvir sobre alguns estudos de caso diferentes.

Neha Narkhede: Um ótimo exemplo de como a plataforma da Oscilar reduz fraudes vem da fintech de rápido crescimento, Happy Money, que se concentra em empréstimos responsáveis para mais de 300.000 membros. Eles precisavam de uma solução que pudesse detectar padrões de fraude sofisticados, como identidades sintéticas, sem adicionar fricção à experiência do usuário, o que tenho certeza que muitas fintechs modernas valorizam.

Ao integrar a plataforma de inteligência cognitiva da Oscilar, a Happy Money foi capaz de fazer algumas coisas. Uma é monitorar passivamente milhares de assinaturas cognitivas durante as solicitações de empréstimo, bem como a gestão contínua de contas para detectar esses padrões suspeitos em tempo real. Fomos capazes de reduzir significativamente as taxas de fraude ao identificar identidades sintéticas e também tentativas de fraude avançadas antes que pudessem impactar suas operações de empréstimo.

Então essa espécie de, voltando ao meu ponto anterior, casamento de sinais abrangentes para afetar decisões de risco de crédito - isso é realmente uma das principais conclusões desse estudo de caso, junto com o poder de sinais de dispositivo e comportamento. E, o mais importante, eles foram capazes de manter uma experiência de usuário extremamente tranquila para candidatos legítimos, garantindo que essas melhorias de segurança não diminuíram o processo de onboarding. Estamos realmente entusiasmados com esses exemplos de clientes como a Happy Money, que realmente se beneficiaram ao usar nossa plataforma de inteligência de identidade cognitiva.

Nik Milanovic: Sim, Happy Money é excelente, não ouvi o nome deles há um tempo. A Oscilar está compartilhando publicamente sua contagem de clientes atualmente? Ou isso está guardado como um segredo de estado?

Neha Narkhede: Isso está guardado como um segredo de estado por enquanto. Tenho certeza de que seremos capazes de compartilhar em um futuro próximo.

Nik Milanovic: Justo. Bem, esperarei pelo comunicado à imprensa. Não vou vazar qualquer tipo de informação não pública neste podcast. Estou pensando na Oscilar no contexto do meu próprio histórico agora, e eu era VP de estratégia em um emissor de cartão de crédito chamado Pedal Card, onde, se você é um fundador no espaço FinTech, especialmente FinTech de consumo, você sabe isso intuitivamente, novos produtos sempre são atingidos pela maior fraude imediatamente. Porque eles têm o nível mais baixo de defesas, e nós não fomos exceção.

Construímos um método de decisão de crédito alternativo que usava dados de fluxo de caixa, e era útil, mas ainda tínhamos casos de manipulação do sistema e de fraude, assim como todos os outros grandes fornecedores de crédito. Agora você pega nosso exemplo, onde tínhamos 400.000 clientes, escala isso para carteiras de cartão de um milhão de 10 milhões, como os grandes emissores têm. Estou curioso, quais são as limitações nos métodos de decisão de crédito, especialmente os métodos de decisão de crédito tradicionais hoje em dia? Por que isso ainda é um bloqueador para tantos consumidores?

Neha Narkhede: Os métodos tradicionais de decisão de crédito, na minha experiência, não atendem a muitos consumidores porque se baseiam fortemente em dados de bureau de crédito estáticos e modelos de pontuação rígidos que simplesmente não capturam a imagem financeira completa. E aqui está por que isso é um problema.

Primeiro é que há dados limitados sobre consumidores com pouco ou nenhum histórico financeiro, muitas pessoas, especialmente jovens adultos, imigrantes, trabalhadores de gig economy, carecem de um histórico de crédito extenso, tornando-os, essencialmente invisíveis para esses modelos de pontuação tradicionais.

Há também a incapacidade de incorporar comportamentos financeiros em tempo real, então modelos tradicionais não consideram fluxos de renda em tempo real, padrões de gastos ou dados alternativos como pagamentos de aluguel, comportamentos de transação, que são apenas indicadores melhores, de maior qualidade de valor financeiro.

A terceira coisa, terceira razão por que isso é um problema, como você mencionou, é a lacuna de fraude e identidade. Então, confiar apenas nos pontos de dados de bureaus de crédito deixa as instituições vulneráveis a identidades sintéticas, credenciais roubadas, já que fraudadores podem manipular esses históricos de crédito.

E por último, mas não menos importante, eu acho, é essa abordagem de tamanho único onde modelos tradicionais aplicam as mesmas regras rígidas a todos os candidatos, falhando em se adaptar aos diferentes perfis de risco dos consumidores modernos. Então, eu acho que o que é necessário é uma abordagem mais dinâmica, explicável, impulsionada por IA, que aproveita dados financeiros em tempo real, fontes de dados alternativas, modelos de risco adaptativos para fazer decisões de crédito mais inteligentes e mais inclusivas.

Nik Milanovic: Você teria exemplos específicos de melhorias nas taxas de aprovação ou outras métricas-chave que seus clientes emissores de crédito conseguiram alcançar ao trabalhar com a Oscilar?

Neha Narkhede: Sim, vimos melhorias significativas nas taxas de aprovação, redução de fraudes e eficiências de conformidade também. Alguns exemplos-chave são o aumento nas taxas de aprovação com modelos preditivos. Então um credor FinTech integrado aos modelos de previsão de pagamento de Oscilar e modelo de previsão de saldo, que usa dados de open banking para avaliar a estabilidade de renda e fluxo de caixa futuro.

Esses modelos são capazes de prever, por exemplo, o dia de pagamento para os próximos 30 dias para todos os tipos de trabalhadores, incluindo trabalhadores de gig economy. O modelo de previsão de saldo pode detectar fraudes bancárias pelos próximos 30 dias. Estes são modelos realmente sofisticados.

Portanto, isso permitiu que o credor FinTech aumentasse as taxas de aprovação em até 20% enquanto mantinha os mesmos limiares de risco, o que realmente desbloqueou oportunidades de empréstimo para trabalhadores de gig, para eles e clientes com pouco histórico financeiro, efetivamente aumentando seu mercado endereçável total. Então isso foi realmente muito emocionante.

Um banco digital foi capaz de reduzir aprovações fraudulentas de empréstimos em 70% ao aproveitar a inteligência de dispositivos e biometria comportamental dos produtos da Oscilar, juntamente com nossos modelos de ML, que detectaram identidades sintéticas e sequestros de contas em tempo real.

E por último, mas não menos importante, ao unificar a detecção de fraudes, decisões de crédito, conformidade em uma única plataforma impulsionada por IA, um de nossos clientes reduziu os tempos de aprovação de empréstimos de minutos para literalmente segundos, o que resultou no tempo de onboarding mais rápido e em uma experiência do cliente muito melhor e elevada.

Então, isso realmente, eu acho, destaca como IA em tempo real, dados alternativos explicáveis, decisões unificadas realmente afetam e resultam em mais aprovações mais altas, bem como em uma detecção de fraudes mais forte, que é, em última instância, o que ajuda essas empresas a escalar de maneira eficaz e segura.

Nik Milanovic: Você sabe, parece que há tanto fruto ao nosso alcance nesse espaço. É selvagem para mim que até recentemente, não havia produtos disponíveis para relatar pagamentos de aluguel aos bureaus de crédito. Você sabe, você tem pagamentos recorrentes que você faz como consumidor, e eles simplesmente não são ou não eram considerados de forma alguma em sua pontuação de crédito.

E então você realmente precisa de empresas que possam ajudá-lo a processar, eu acho, o que você chamaria de dados alternativos, mas realmente são dados relevantes sobre o valor do crédito do consumidor para poder subestimar eles efetivamente. Você sabe, nós gastamos tanto tempo em FinTech falando sobre consumidores sem conta bancária, consumidores em risco bancário, mas a visibilidade de crédito é um problema tão pernicioso para os consumidores nos EUA.

E o aumento que você tem sido capaz de ajudar esses emissores de crédito a experimentar, tenho certeza, resultou em muitos clientes finais satisfeitos que foram provavelmente recusados por crédito em outros lugares.

Você tem mais cinco minutos? Você está na estrada e é sempre difícil pegar uma hora completa de tempo, mas aprecio tudo que você compartilhou conosco sobre o produto hoje. Talvez ampliando a lente um pouco, ficaria curioso para saber onde você vê a gestão de riscos indo nos próximos três a cinco anos mais amplamente para a indústria.

Neha Narkhede: A gestão de riscos está evoluindo muito rapidamente, o que tem sido emocionante e recompensador ao mesmo tempo, mas nos próximos três a cinco anos, acho que todos devemos esperar ver algumas mudanças importantes.

Primeiro é a hiperpersonalização de decisões de risco em tempo real. Então, os modelos de risco tradicionais darão lugar a decisões impulsionadas por IA em tempo real que se adaptam dinamicamente ao perfil de risco de cada cliente. Então, em vez de regras estáticas, apenas regras estáticas, as instituições financeiras usarão dados financeiros ao vivo e comportamentais para avaliar o risco em cada ponto de contato, desde onboarding até decisões de troca e detecção de fraudes.

A segunda tendência, acho que está acontecendo, e acontecerá ainda mais rapidamente, é IA versus IA, a batalha contra fraudes impulsionadas por IA. Portanto, à medida que fraudadores utilizam cada vez mais IA generativa para criar identidades sintéticas, fraudes de deep fake, as instituições financeiras precisarão de IA ainda mais avançada para detectar e contra-atacar esses ataques.

Na minha experiência, essa é uma combinação realmente inteligente de modelos de aprendizado de máquina preditivos tradicionais, bem como modelos de IA generativa, que encontramos para ser uma metodologia muito eficaz nesta batalha contra fraudes impulsionadas por IA.

E por último, mas não menos importante, no front da conformidade, plataformas de risco unificadas e incorporadas. Assim, a era dessas soluções de risco fragmentadas está chegando ao fim. Estamos caminhando para uma era de consolidação. As instituições moverão-se para plataformas unificadas que integram de forma fluida fraude, AML, decisão de risco de crédito em um único sistema, e isso permitirá uma melhor supervisão interfuncional, compliance regulatório automatizado, uma gestão de risco ainda mais eficiente sem aumentar os custos operacionais.

Em última análise, acho que a gestão de riscos está passando de uma função defensiva para um facilitador estratégico. Vai ajudar as empresas a crescer mais rápido, de forma mais segura, mais inclusiva, enquanto se mantém à frente de ameaças em evolução. E como consumidores, vamos apreciar melhores proteções e experiências de cliente muito melhores, que é apenas uma vitória para todos.

Nik Milanovic: Então, como as instituições financeiras devem estar pensando agora se estão olhando três a cinco anos no futuro, e querem ser capazes de se preparar melhor para ameaças emergentes?

Neha Narkhede: Qualquer instituição financeira deve adotar uma abordagem proativa e impulsionada por IA para gestão de riscos se quiser realmente se manter à frente das ameaças emergentes, que estão respondendo a ameaças históricas que eles poderiam ter visto mais comumente no passado.

Acho que o que eles devem estar fazendo agora é adotar decisões impulsionadas por IA em tempo real. Fraudadores estão usando IA e automação para escalar ataques. Portanto, confiar em regras estáticas, modelos obsoletos já não é suficiente. Portanto, é necessário um conjunto de fontes de dados. É necessário modelos de risco orientados por modelos de ML para detectar essas ameaças evolutivas instantaneamente. Você precisa de loops de feedback em tempo real para retreinar seus modelos de ML, o que é difícil do ponto de vista tecnológico, mas definitivamente estamos vendo que é possível, como vimos na Oscilar.

A segunda coisa que essas instituições vão precisar fazer é quebrar silos. Muitos bancos ainda dependem de ferramentas fragmentadas e desconectadas. Uma plataforma unificada vai dar-lhes a supervisão e a colaboração em tempo real através de diferentes funções de risco e uma melhor explicabilidade e prontidão regulatória de IA, como conversamos. Os reguladores estão examinando a tomada de decisão de IA, e as instituições financeiras devem garantir que os modelos de risco sejam explicáveis, auditáveis, cumprindo com as normas em evolução, e apenas serem à prova de futuro com infraestrutura adaptativa.

Portanto, esse cenário de risco está se movendo rápido demais para sistemas estáticos. As instituições vão precisar de plataformas impulsionadas por IA e API que possam rapidamente se adaptar a novas ameaças, integrar fontes de dados emergentes, refinar continuamente esses modelos em tempo real.

Assim, ao tomar esses passos agora e apenas aceitar essas tendências, as instituições financeiras podem se manter à frente das ameaças emergentes, reduzir fraudes, melhorar a eficiência de conformidade, e acho que apenas construir um ecossistema financeiro mais seguro e resiliente no final do dia.

Nik Milanovic: Neha, muito obrigada novamente por fazer o tempo para conversar. É realmente ótimo ter você no This Week in Fintech. Você sabe, todas essas conversas vão em direções diferentes. Sinto que às vezes falamos sobre a vida pessoal fora do trabalho, às vezes falamos sobre a história da empresa. Mas estou feliz que fomos capazes de realmente apenas nos aprofundar nos detalhes neste espaço que eu acho que muitos, até mesmo em serviços financeiros, não entendem em um nível profundo.