O scoring tradicional avalia entre 20 e 30 vari\u00e1veis hist\u00f3ricas: renda declarada, hist\u00f3rico no bir\u00f4 de cr\u00e9dito, tempo de emprego. \u00c9 um modelo pensado para um mundo que j\u00e1 n\u00e3o existe, um em que a decis\u00e3o de cr\u00e9dito podia ser tomada em dias e o cliente esperava sem reclamar.<\/p>\n\n\n\n
Os modelos de intelig\u00eancia artificial processam milhares de vari\u00e1veis \u2014 comportamento transacional, dados alternativos, sinais digitais \u2014 e devolvem uma decis\u00e3o em menos de 3 segundos. A diferen\u00e7a n\u00e3o \u00e9 s\u00f3 de velocidade. \u00c9 de natureza: onde o scoring tradicional pergunta “o que este cliente declarou?”, a IA pergunta “o que este cliente faz, em tempo real?”.<\/p>\n\n\n\n
O que a IA v\u00ea que o scoring tradicional n\u00e3o v\u00ea<\/p>\n\n\n\n
O modelo cl\u00e1ssico depende de dados estruturados e est\u00e1ticos, atualizados com meses de atraso. Os modelos de IA incorporam fluxos de dados alternativos: padr\u00f5es de consumo em carteiras digitais, comportamento de pagamento de contas, uso de telefonia m\u00f3vel, geolocaliza\u00e7\u00e3o agregada, e at\u00e9 a forma como um usu\u00e1rio preenche um formul\u00e1rio. 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 vari\u00e1veis fixas consegue construir.<\/p>\n\n\n\n
A diferen\u00e7a se mede em inadimpl\u00eancia e em aprova\u00e7\u00e3o<\/p>\n\n\n\n
Segundo a McKinsey (2024), os modelos de ML reduzem a taxa de inadimpl\u00eancia entre 15% e 25% em rela\u00e7\u00e3o ao scoring convencional, aprovando o mesmo volume de cr\u00e9dito. Em outras palavras: n\u00e3o se trata de emprestar menos para arriscar menos. Trata-se de emprestar para quem deve, com mais precis\u00e3o, sem sacrificar volume de neg\u00f3cio.<\/p>\n\n\n\n
O mercado que o scoring tradicional n\u00e3o consegue ler<\/p>\n\n\n\n
Existe um mercado inteiro que os modelos cl\u00e1ssicos simplesmente n\u00e3o enxergam. 45% da popula\u00e7\u00e3o adulta da Am\u00e9rica Latina est\u00e1 sub-bancarizada, segundo o Banco Mundial (2023). S\u00e3o trabalhadores informais, freelancers, jovens sem hist\u00f3rico de cr\u00e9dito: pessoas com capacidade real de pagamento que ficam invis\u00edveis para um modelo tipo FICO, simplesmente porque nunca geraram o tipo de dado que esse modelo sabe ler.<\/p>\n\n\n\n
A IA consegue v\u00ea-las, e j\u00e1 h\u00e1 evid\u00eancia de que isso funciona em escala. O Nubank construiu uma carteira de mais de 100 milh\u00f5es de clientes na Am\u00e9rica Latina apostando exatamente nesses segmentos que a banca tradicional rejeitava por falta de hist\u00f3rico. N\u00e3o foi uma aposta filantr\u00f3pica: foi uma decis\u00e3o de neg\u00f3cio baseada no fato de que o dado certo, bem modelado, revela risco onde o modelo antigo s\u00f3 via aus\u00eancia de informa\u00e7\u00e3o.<\/p>\n\n\n\n
A velocidade j\u00e1 n\u00e3o \u00e9 experi\u00eancia, \u00e9 convers\u00e3o<\/p>\n\n\n\n
73% dos consumidores digitais abandonam uma solicita\u00e7\u00e3o de cr\u00e9dito se n\u00e3o recebem resposta nos primeiros 5 minutos, segundo a Forrester (2024). Isso muda o c\u00e1lculo do neg\u00f3cio: cada minuto adicional de um processo de scoring n\u00e3o \u00e9 s\u00f3 fric\u00e7\u00e3o, \u00e9 perda de origina\u00e7\u00e3o. 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 j\u00e1 foi para um concorrente que respondeu em minutos.<\/p>\n\n\n\n
Usar IA n\u00e3o \u00e9 o mesmo que redesenhar a decis\u00e3o<\/p>\n\n\n\n
Segundo a Deloitte (2024), 68% das institui\u00e7\u00f5es financeiras da regi\u00e3o j\u00e1 usam machine learning na avalia\u00e7\u00e3o de cr\u00e9dito. O dado \u00e9 alto, e poderia ser lido como se a transforma\u00e7\u00e3o j\u00e1 tivesse acontecido. N\u00e3o \u00e9 bem assim. A maioria dessas institui\u00e7\u00f5es usa modelos de ML como uma camada adicional sobre um processo de decis\u00e3o que continua sendo, em ess\u00eancia, o mesmo de vinte anos atr\u00e1s: sequencial, em lotes, com valida\u00e7\u00f5es manuais nas bordas. As institui\u00e7\u00f5es que est\u00e3o ganhando participa\u00e7\u00e3o de mercado n\u00e3o s\u00e3o as que “adicionaram IA”: s\u00e3o as que redesenharam todo o circuito de decis\u00e3o para que seja nativamente em tempo real.<\/p>\n\n\n\n
Os riscos que ningu\u00e9m mostra na demo<\/p>\n\n\n\n
Nenhum fornecedor de tecnologia coloca isso no seu pitch, mas \u00e9 a parte que determina se uma implementa\u00e7\u00e3o de IA em cr\u00e9dito sobrevive \u00e0 primeira auditoria regulat\u00f3ria:<\/p>\n\n\n\n
Explicabilidade: um regulador ou um cliente que reclama tem o direito de perguntar por que uma solicita\u00e7\u00e3o foi rejeitada. Um modelo de caixa-preta que n\u00e3o consegue responder a essa pergunta \u00e9 um passivo, n\u00e3o um ativo.<\/p>\n\n\n\n
Governan\u00e7a de modelos: quem aprova uma mudan\u00e7a no modelo? Com que frequ\u00eancia ele \u00e9 revalidado com dados novos? Sem um processo formal, o modelo se degrada silenciosamente.<\/p>\n\n\n\n
Vi\u00e9s: os dados alternativos podem introduzir correla\u00e7\u00f5es indesejadas (geografia, dispositivo, h\u00e1bitos de consumo) que acabam discriminando por vari\u00e1veis protegidas de forma indireta.<\/p>\n\n\n\n
D\u00edvida t\u00e9cnica regulat\u00f3ria: cada pa\u00eds da regi\u00e3o avan\u00e7a em seu pr\u00f3prio ritmo na regula\u00e7\u00e3o de IA aplicada a cr\u00e9dito. Um modelo que hoje passa no controle de um mercado pode n\u00e3o passar no do pa\u00eds vizinho daqui a dezoito meses.<\/p>\n\n\n\n
Nenhum desses pontos \u00e9 motivo para n\u00e3o avan\u00e7ar. S\u00e3o a raz\u00e3o pela qual avan\u00e7ar exige governan\u00e7a de dados e de modelos desde o primeiro dia, n\u00e3o como um remendo posterior.<\/p>\n\n\n\n
Por onde come\u00e7ar<\/p>\n\n\n\n
Os bancos e fintechs que conseguiram passar de “ter um modelo de ML” para “ter uma decis\u00e3o de cr\u00e9dito em tempo real” seguiram, de modo geral, uma sequ\u00eancia parecida:<\/p>\n\n\n\n
Auditar quais dados alternativos j\u00e1 est\u00e3o dispon\u00edveis internamente antes de comprar dados externos.<\/p>\n\n\n\n
Come\u00e7ar por um segmento delimitado \u2014 por exemplo, renova\u00e7\u00f5es de cr\u00e9dito para clientes existentes \u2014 onde o risco de um erro \u00e9 menor e o volume de dados hist\u00f3ricos \u00e9 maior.<\/p>\n\n\n\n
Construir o circuito de decis\u00e3o completo em tempo real para esse segmento \u2014 n\u00e3o s\u00f3 o modelo, mas o fluxo de dados, a infraestrutura e as regras de neg\u00f3cio \u2014 antes de expandir para novos produtos.<\/p>\n\n\n\n
Definir desde o in\u00edcio o mecanismo de explicabilidade e de auditoria, n\u00e3o como documenta\u00e7\u00e3o posterior, mas como parte do design do modelo.<\/p>\n\n\n\n
Medir n\u00e3o s\u00f3 a precis\u00e3o do modelo, mas o tempo de decis\u00e3o de ponta a ponta e a taxa de abandono da solicita\u00e7\u00e3o.<\/p>\n\n\n\n
A vantagem competitiva j\u00e1 mudou de lugar<\/p>\n\n\n\n
A vantagem competitiva em cr\u00e9dito j\u00e1 n\u00e3o est\u00e1 no acesso ao capital: isso, em grande medida, \u00e9 uma commodity. Est\u00e1 no acesso ao dado certo, processado com o modelo certo, no momento certo \u2014 e na capacidade de sustentar essa decis\u00e3o diante de um regulador, um auditor ou um cliente que pergunta por qu\u00ea. Os bancos que ainda pensam o scoring como uma etapa dentro de um processo mais longo v\u00e3o continuar perdendo terreno para os que j\u00e1 o pensam como uma decis\u00e3o instant\u00e2nea, e desenham toda a organiza\u00e7\u00e3o ao redor dessa premissa.<\/p>\n","protected":false},"excerpt":{"rendered":"
A IA substitui o scoring tradicional nas decis\u00f5es de cr\u00e9dito: milhares de vari\u00e1veis, resposta em segundos, menor inadimpl\u00eancia e maior inclus\u00e3o financeira. \u00c9 assim que o modelo est\u00e1 mudando na Am\u00e9rica Latina.<\/p>\n","protected":false},"author":36,"featured_media":17298,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_seopress_titles_title":"","_seopress_titles_desc":"","_seopress_robots_index":"","_seopress_robots_follow":"","_seopress_robots_imageindex":"","_seopress_robots_snippet":"","_seopress_robots_primary_cat":"","_seopress_robots_breadcrumbs":"","_seopress_robots_freeze_modified_date":"","_seopress_robots_custom_modified_date":"","_seopress_robots_canonical":"","_seopress_social_fb_title":"","_seopress_social_fb_desc":"","_seopress_social_fb_img":"","_seopress_social_fb_img_attachment_id":0,"_seopress_social_fb_img_width":0,"_seopress_social_fb_img_height":0,"_seopress_social_twitter_title":"","_seopress_social_twitter_desc":"","_seopress_social_twitter_img":"","_seopress_social_twitter_img_attachment_id":0,"_seopress_social_twitter_img_width":0,"_seopress_social_twitter_img_height":0,"_seopress_redirections_value":"","_seopress_redirections_enabled":"","_seopress_redirections_enabled_regex":"","_seopress_redirections_logged_status":"","_seopress_redirections_param":"","_seopress_redirections_type":0,"_seopress_analysis_target_kw":"","footnotes":""},"categories":[236,235],"tags":[],"_links":{"self":[{"href":"https:\/\/blog.n5now.com\/pt-br\/wp-json\/wp\/v2\/posts\/17303"}],"collection":[{"href":"https:\/\/blog.n5now.com\/pt-br\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.n5now.com\/pt-br\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.n5now.com\/pt-br\/wp-json\/wp\/v2\/users\/36"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.n5now.com\/pt-br\/wp-json\/wp\/v2\/comments?post=17303"}],"version-history":[{"count":2,"href":"https:\/\/blog.n5now.com\/pt-br\/wp-json\/wp\/v2\/posts\/17303\/revisions"}],"predecessor-version":[{"id":17379,"href":"https:\/\/blog.n5now.com\/pt-br\/wp-json\/wp\/v2\/posts\/17303\/revisions\/17379"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blog.n5now.com\/pt-br\/wp-json\/wp\/v2\/media\/17298"}],"wp:attachment":[{"href":"https:\/\/blog.n5now.com\/pt-br\/wp-json\/wp\/v2\/media?parent=17303"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.n5now.com\/pt-br\/wp-json\/wp\/v2\/categories?post=17303"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.n5now.com\/pt-br\/wp-json\/wp\/v2\/tags?post=17303"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}