O scoring tradicional avalia entre 20 e 30 variáveis históricas: renda declarada, histórico no birô de crédito, tempo de emprego. É um modelo pensado para um mundo que já não existe, um em que a decisão de crédito podia ser tomada em dias e o cliente esperava sem reclamar.
Os modelos de inteligência artificial processam milhares de variáveis — comportamento transacional, dados alternativos, sinais digitais — e devolvem uma decisão em menos de 3 segundos. A diferença não é só de velocidade. É de natureza: onde o scoring tradicional pergunta “o que este cliente declarou?”, a IA pergunta “o que este cliente faz, em tempo real?”.
O que a IA vê que o scoring tradicional não vê
O modelo clássico depende de dados estruturados e estáticos, atualizados com meses de atraso. Os modelos de IA incorporam fluxos de dados alternativos: padrões de consumo em carteiras digitais, comportamento de pagamento de contas, uso de telefonia móvel, geolocalização agregada, e até a forma como um usuário preenche um formulário. Cada um desses sinais, isoladamente, diz pouco. Combinados e processados por um modelo de machine learning, formam um perfil de risco muito mais preciso do que aquele que uma grade de 25 variáveis fixas consegue construir.
A diferença se mede em inadimplência e em aprovação
Segundo a McKinsey (2024), os modelos de ML reduzem a taxa de inadimplência entre 15% e 25% em relação ao scoring convencional, aprovando o mesmo volume de crédito. Em outras palavras: não se trata de emprestar menos para arriscar menos. Trata-se de emprestar para quem deve, com mais precisão, sem sacrificar volume de negócio.
O mercado que o scoring tradicional não consegue ler
Existe um mercado inteiro que os modelos clássicos simplesmente não enxergam. 45% da população adulta da América Latina está sub-bancarizada, segundo o Banco Mundial (2023). São trabalhadores informais, freelancers, jovens sem histórico de crédito: pessoas com capacidade real de pagamento que ficam invisíveis para um modelo tipo FICO, simplesmente porque nunca geraram o tipo de dado que esse modelo sabe ler.
A IA consegue vê-las, e já há evidência de que isso funciona em escala. O Nubank construiu uma carteira de mais de 100 milhões de clientes na América Latina apostando exatamente nesses segmentos que a banca tradicional rejeitava por falta de histórico. Não foi uma aposta filantrópica: foi uma decisão de negócio baseada no fato de que o dado certo, bem modelado, revela risco onde o modelo antigo só via ausência de informação.
A velocidade já não é experiência, é conversão
73% dos consumidores digitais abandonam uma solicitação de crédito se não recebem resposta nos primeiros 5 minutos, segundo a Forrester (2024). Isso muda o cálculo do negócio: cada minuto adicional de um processo de scoring não é só fricção, é perda de originação. Um banco pode ter o modelo de risco mais preciso do mercado, mas se demora 48 horas para dar uma resposta, boa parte desses clientes já foi para um concorrente que respondeu em minutos.
Usar IA não é o mesmo que redesenhar a decisão
Segundo a Deloitte (2024), 68% das instituições financeiras da região já usam machine learning na avaliação de crédito. O dado é alto, e poderia ser lido como se a transformação já tivesse acontecido. Não é bem assim. A maioria dessas instituições usa modelos de ML como uma camada adicional sobre um processo de decisão que continua sendo, em essência, o mesmo de vinte anos atrás: sequencial, em lotes, com validações manuais nas bordas. As instituições que estão ganhando participação de mercado não são as que “adicionaram IA”: são as que redesenharam todo o circuito de decisão para que seja nativamente em tempo real.
Os riscos que ninguém mostra na demo
Nenhum fornecedor de tecnologia coloca isso no seu pitch, mas é a parte que determina se uma implementação de IA em crédito sobrevive à primeira auditoria regulatória:
Explicabilidade: um regulador ou um cliente que reclama tem o direito de perguntar por que uma solicitação foi rejeitada. Um modelo de caixa-preta que não consegue responder a essa pergunta é um passivo, não um ativo.
Governança de modelos: quem aprova uma mudança no modelo? Com que frequência ele é revalidado com dados novos? Sem um processo formal, o modelo se degrada silenciosamente.
Viés: os dados alternativos podem introduzir correlações indesejadas (geografia, dispositivo, hábitos de consumo) que acabam discriminando por variáveis protegidas de forma indireta.
Dívida técnica regulatória: cada país da região avança em seu próprio ritmo na regulação de IA aplicada a crédito. Um modelo que hoje passa no controle de um mercado pode não passar no do país vizinho daqui a dezoito meses.
Nenhum desses pontos é motivo para não avançar. São a razão pela qual avançar exige governança de dados e de modelos desde o primeiro dia, não como um remendo posterior.
Por onde começar
Os bancos e fintechs que conseguiram passar de “ter um modelo de ML” para “ter uma decisão de crédito em tempo real” seguiram, de modo geral, uma sequência parecida:
Auditar quais dados alternativos já estão disponíveis internamente antes de comprar dados externos.
Começar por um segmento delimitado — por exemplo, renovações de crédito para clientes existentes — onde o risco de um erro é menor e o volume de dados históricos é maior.
Construir o circuito de decisão completo em tempo real para esse segmento — não só o modelo, mas o fluxo de dados, a infraestrutura e as regras de negócio — antes de expandir para novos produtos.
Definir desde o início o mecanismo de explicabilidade e de auditoria, não como documentação posterior, mas como parte do design do modelo.
Medir não só a precisão do modelo, mas o tempo de decisão de ponta a ponta e a taxa de abandono da solicitação.
A vantagem competitiva já mudou de lugar
A vantagem competitiva em crédito já não está no acesso ao capital: isso, em grande medida, é uma commodity. Está no acesso ao dado certo, processado com o modelo certo, no momento certo — e na capacidade de sustentar essa decisão diante de um regulador, um auditor ou um cliente que pergunta por quê. Os bancos que ainda pensam o scoring como uma etapa dentro de um processo mais longo vão continuar perdendo terreno para os que já o pensam como uma decisão instantânea, e desenham toda a organização ao redor dessa premissa.
