Cinco características marcantes de estratégias eficazes de IA no setor bancário

No entanto, uma centralização excessiva pode inibir o desenvolvimento de soluções inovadoras e desestimular a participação dos funcionários da linha de frente. As estratégias de IA devem esclarecer em que casos a experimentação local é adequada e definir as políticas inegociáveis (por exemplo, privacidade de dados e transparência na concepção de modelos) que são mais bem administradas de forma centralizada. Bibliotecas de agentes de IA de nível empresarial (por exemplo, recursos reutilizáveis para detecção de fraudes, previsões e outras tarefas) podem agilizar o desenvolvimento de aplicativos de IA personalizados, com uma lógica consistente entre os casos de uso, evitando a proliferação de projetos-piloto descentralizados. Os agentes de IA podem utilizar dados financeiros, tributários e de risco integrados e automatizar os registros regulatórios, garantindo, ao mesmo tempo, a rastreabilidade dos dados e a auditabilidade. Elas também podem automatizar e otimizar testes de estresse, modelagem de risco de liquidez e integração de clientes. De fato, a automação baseada em IA para a coleta de documentos, a análise de perfil de risco dos clientes e a detecção de anomalias está ajudando a reduzir os tempos de processamento e a melhorar a experiência geral do cliente.

Os bancos mais bem-sucedidos aceleram a adoção ao estabelecer recursos-chave como uma plataforma por meio da qual os usuários podem acessar ferramentas de IA. Em vez de projetos pontuais, as plataformas de IA podem ser desenvolvidas e gerenciadas com base em uma visão estratégica unificadora, arquiteturas integradas e colaboração contínua entre os líderes de negócios e de tecnologia.

Uma abordagem de “torre de vigia” da governança — que inclui testes automatizados de controles, supervisão humana, padrões de explicabilidade e validação contínua de modelos — surgiu como uma prática de referência. Os agentes de IA podem utilizar dados integrados das áreas financeira, tributária e de risco e automatizar os registros regulatórios, ao mesmo tempo em que garantem a rastreabilidade dos dados e a auditabilidade. “Uma estratégia sólida de IA implica uma atribuição clara de responsabilidades pela segurança dos dados, pela gestão de fornecedores e pela governança, de modo que a IA seja desenvolvida e operada da mesma forma em todo o banco”, afirmou Gupta. “A padronização é a maneira de expandir de forma responsável.”

Os modelos de governança devem ser flexíveis para permitir ajustes ao longo do tempo e para levar em conta os ecossistemas complexos — que incluem parceiros e fornecedores externos, software como serviço (SaaS) e outras plataformas tecnológicas — que são cada vez mais comuns no setor bancário. Devem incluir também indicadores específicos de criação de valor, que possam proporcionar visibilidade sobre os retornos ajustados ao risco. Essas são algumas das maneiras pelas quais uma governança sólida pode inspirar a confiança essencial para a ampliação da IA.

3. Liderado pelas empresas e voltado para questões estratégicas

Muitos bancos ainda tratam a IA como uma questão tecnológica, em vez de uma decisão de investimento estratégico. “A IA não é uma lista de casos de uso pendentes; é uma decisão de alocação de capital. “Invista nas poucas iniciativas que você possa controlar e avaliar de ponta a ponta, e encerre tudo o que não consiga comprovar tanto valor quanto confiança em escala”, observou Preetham Peddanagari, diretor de tecnologia (&) da EY UK.

Em muitos bancos, os projetos de IA têm sido conduzidos principalmente pela área de TI. Um modelo mais eficaz envolve a colaboração entre os líderes de TI e seus colegas da área de negócios para encontrar o melhor caminho a seguir. Colaborações como essas têm levado a algumas das implantações de IA mais impressionantes que já vimos no mercado. Alguns bancos estão utilizando gêmeos digitais nos serviços de tesouraria para simular cenários de fluxo de caixa e otimizar a liquidez intradiária. Outras instituições automatizaram todo o ciclo de vida “da encomenda ao recebimento” no setor bancário comercial, com agentes de IA responsáveis pela avaliação de risco de crédito, integração de contratos, geração de faturas e cobranças.

4. Centrado no ser humano

A tecnologia, por si só, não proporcionará os retornos em IA que os bancos buscam. Equipes especializadas em IA, a colaboração entre humanos e máquinas e a gestão da mudança são a chave para o sucesso. As iniciativas de treinamento e aperfeiçoamento profissional ensinarão os trabalhadores a se aperfeiçoarem em suas funções por meio da IA, especialmente quando estiverem vinculadas a programas holísticos de transformação da força de trabalho. Além disso, um relatório conjunto da EY e do MIT^³  revelou que mais de três quartos dos executivos passaram a considerar a IA agêntica como um colega de trabalho, uma mudança que altera fundamentalmente a forma como os fluxos de trabalho e os modelos de governança devem ser projetados.

Considere como os analistas juniores analisarão os resultados iniciais da IA na elaboração dos livros de negócios, enquanto os subscritores seniores validarão as decisões básicas de crédito tomadas pela IA e utilizarão análises baseadas em IA para identificar anomalias nas carteiras de empréstimos. Os banqueiros comerciais utilizarão os copilotos para consolidar o histórico de interações com os clientes, avaliar o perfil geral de risco e identificar oportunidades para aumentar o envolvimento com cada cliente. Esses processos que envolvem a participação humana podem ajudar a mitigar alucinações e a construir confiança nos resultados da IA, além de simplesmente aumentar a produtividade.

Os bancos também criarão funções totalmente novas (por exemplo, engenheiros de prompts, designers de fluxos de trabalho de IA, especialistas em bots e coordenadores de agentes) à medida que a IA ganhar cada vez mais destaque nas operações. Essas etapas irão encurtar o caminho para a geração de valor e reduzir os riscos ao longo do processo. Uma comunicação clara, uma liderança visível e outras práticas comprovadas para a gestão da mudança organizacional podem incutir uma mentalidade favorável à IA na cultura da organização. “O maior obstáculo à ampliação da IA não é o algoritmo — é a gestão da mudança”, afirmou Gupta. “Treinar equipes, reformular processos e implementar a governança adequada muitas vezes exige o dobro do esforço necessário para construir o próprio modelo.”

A EY e outras pesquisas apresentam motivos para otimismo. A pesquisa EY US Agentic AI Workforce (via EY.com US) revelou que 84% m dos funcionários que trabalham em escritório estão entusiasmados com a ideia de trabalhar com agentes de IA. No entanto, 56% se preocupam com a estabilidade no emprego, o que representa um paradoxo que os líderes do setor bancário terão de resolver.

5. Futurista e projetado para o longo prazo

Embora haja urgência para que os bancos acelerem suas jornadas de IA, os líderes devem reconhecer a duração do processo em que estão envolvidos com a IA e considerar como a IA (e a IA agêntica) irá remodelar o futuro do setor bancário. Isso significa olhar além do horizonte e se preparar para se adaptar à medida que a tecnologia avança e novos recursos criam novas possibilidades. Certamente não é cedo demais para começar a pensar em como a IA irá interagir com ativos digitais, tokenização, computação quântica e outras tecnologias de última geração. Mais uma vez, as inovações revolucionárias de hoje serão o mínimo exigido amanhã no que diz respeito à IA.

O planejamento de longo prazo deve se refletir no projeto da infraestrutura técnica de IA, com ênfase na modularidade, reutilização e escalabilidade. À medida que os fornecedores (desde startups até plataformas SaaS) amadurecem suas capacidades de IA, é provável que funcionalidades básicas sejam incorporadas às suas ofertas, eliminando a necessidade de desenvolvimento proprietário por parte dos bancos. Embora os ambientes em nuvem sejam essenciais, os bancos regulamentados também estão explorando outras opções para os casos de uso mais sensíveis (por exemplo, o uso de grandes modelos de linguagem próprios em ambientes de tecnologia locais). Abordagens híbridas como essas provavelmente se tornarão mais comuns no futuro, à medida que os bancos buscam equilibrar risco e retorno e possibilitar a inovação dentro de processos em conformidade com as regulamentações. Os bancos também devem avaliar continuamente suas relações com fornecedores e estar preparados para mudar de rumo à medida que suas necessidades e prioridades evoluem e novos tipos de soluções surgem.