O lado oculto da adoção de IA em finanças: “Não existe uma visão de processo de ponta a ponta”

A inteligência artificial chegou ao setor financeiro em um ritmo que a maioria das instituições financeiras não conseguiu antecipar. Quase por instinto de sobrevivência corporativa, os esforços de adoção avançaram rapidamente em todo o setor, muitas vezes sem marcos claros de governança nem planejamento estratégico.

As implementações se multiplicaram, mas a integração e a transformação real, nem tanto.

Para Mario Ernst, CEO e fundador da Evolution Labs, o problema não está na tecnologia em si, mas na forma como as organizações decidem adotá-la e capturar valor com ela.

“Existe a crença generalizada de que as organizações precisam adotar IA, mas estamos tomando decisões erradas sobre responsáveis e recursos. Isso leva a modelos operacionais de inovação que muitas vezes não impactam os resultados financeiros da organização. De certa forma, vira uma profecia autorrealizável para os céticos da inovação”, enfatiza o especialista.

Quando as organizações não acreditam de verdade na iniciativa e avançam principalmente por pressão competitiva, muitas não conseguem conduzi-la com o nível de desenho, governança e disciplina operacional que ela exige.

“Como resultado, a inovação impulsionada por IA não entrega valor concreto, e as organizações acabam voltando às abordagens tradicionais”, afirma Ernst em entrevista à Abstracta.

Por trás desse padrão, ele aponta, há decisões pouco claras sobre liderança, metodologia e orçamento de inovação:

“Muitos executivos culpam a inovação com IA por não cumprir a promessa de gerar valor, mas não percebem que, na verdade, o que acontece é que não a estão implementando corretamente.”

A cena se repete em muitos comitês executivos: licenças corporativas, equipes experimentando com agentes de forma desestruturada, pilotos rodando em diferentes áreas e a expectativa implícita de que, por acumulação, “alguma coisa vai acabar escalando”.

No entanto, quando diferentes organizações procuram a Abstracta em busca de uma transformação impulsionada por IA e perguntamos como integraram a IA, quais processos críticos do negócio mudaram ou como estão controlando o novo risco operacional, a resposta costuma ser vaga.

O ponto cego da transformação impulsionada por IA¶

Aos poucos, muitas organizações começam a perceber que a soma de iniciativas individuais não equivale a uma transformação. Para Mario Ernst, o problema central está em esforços de adoção que avançam sem um mapa compartilhado de como o negócio opera como um todo.

Seu diagnóstico se resume a uma frase que convida à autocrítica e a uma análise mais profunda: “não existe uma visão de processo de ponta a ponta”. Ernst argumenta que, quando a adoção se fragmenta, as organizações perdem duas coisas ao mesmo tempo: a capacidade de governar o risco e a capacidade de capturar valor. O resultado é avanço, mas não necessariamente a construção de algo sustentável.

O sintoma: muitos pilotos, pouca transformação¶

No dia a dia, essa falta de visão de ponta a ponta aparece como eficiência local: cada área melhora seu próprio trecho, automatiza tarefas, acelera decisões e pode até reduzir atritos internos.

O problema surge quando esses trechos não estão conectados ao fluxo completo de uma operação financeira, que normalmente envolve negócio, risco, compliance, tecnologia, operações e canais. “Cada área olha apenas para o próprio silo funcional, o que leva não só à perda de visibilidade do processo, mas também a casos de uso que não conseguem ser monetizados.”

Quando essa lógica se instala, o portfólio de iniciativas cresce, mas fica difícil responder a perguntas básicas: quais processos críticos estão sendo redesenhados de ponta a ponta, quais controles estão sendo adicionados, quais riscos estão sendo aceitos e que impacto econômico foi de fato validado.

“Vemos organizações cheias de provas de conceito (POCs), produtos mínimos viáveis (MVPs) e esforços de teste, mas sem projetos realmente transformacionais, que estejam criando e capturando valor”, enfatiza o especialista.

A causa raiz: adotar a tecnologia antes de desenhar o modelo operacional¶

Ernst observa que muitas instituições começam a adoção de IA distribuindo ferramentas amplamente pela organização, na esperança de que a inovação surja do uso.

Para ele, essa sequência leva a dois efeitos previsíveis:

1. Iniciativas redundantes ou incompatíveis: diferentes automações resolvendo o mesmo problema ou melhorias locais que criam novos atritos em outra etapa do fluxo.
2. Falta de critérios compartilhados para priorizar casos de uso com impacto transversal.

Mario Ernst em primeira pessoa, CEO e fundador da Evolution Labs¶

Por que existem tantos casos de uso que nunca são monetizados?¶

Porque as organizações otimizam trechos isolados e perdem de vista o processo de ponta a ponta, que é onde o controle e o valor de fato se materializam no setor financeiro. Uma função pode se tornar mais produtiva, mas, se o fluxo geral não muda, o negócio não captura o benefício em custos, receita, conversão ou mitigação de riscos.

Por que você acha que tantos pilotos de IA são escalados sem estar realmente prontos?¶

Em muitos casos, quando alguém pergunta por que um piloto está sendo escalado, não há respaldo quantitativo. As equipes não têm métricas sólidas e avançam simplesmente porque o projeto já foi testado ou construído. Partem direto para a execução, como se fosse um projeto tradicional. É aí que está o problema: a primeira fase de qualquer projeto deve sempre se concentrar no aprendizado, não na monetização.

O que um projeto precisa ter para passar do piloto para a escala?¶

Primeiro, precisa de uma governança clara. Segundo, precisa de uma estratégia que conecte a experimentação com a escala, o chamado AI Blueprint. Em essência, é o plano que permite às organizações começar com pequenos casos de uso e POCs e chegar a projetos escalados que atravessam toda a organização. É aí que a monetização acontece.

O risco que cresce em silêncio¶

Além do retorno, há uma segunda consequência que costuma ser subestimada: o risco operacional. A IA redesenha processos, automatiza decisões e acelera fluxos, mas nem sempre deixa um registro claro do que mudou, do que foi delegado a modelos ou agentes e de como isso está sendo controlado.

Ernst descreve isso como um padrão recorrente: “as organizações nem sempre identificam os riscos desses novos processos tecnológicos e automatizados e, por isso, não implementam os controles adequados”.

Em instituições reguladas, essa lacuna rapidamente se transforma em atrito: auditorias, problemas de compliance, disputas internas sobre responsabilidades e perda de visibilidade de ponta a ponta. Quando isso acontece, o impulso inicial da adoção se torna defensivo.

A oportunidade: um momento em que “está tudo por fazer”¶

Ernst interpreta o cenário atual como um ponto de virada para o setor: a passagem de uma indústria focada em executar o que já está definido para uma obrigada a criar, adaptar e se diferenciar. “Há muito espaço para começar a criar coisas que não existiam antes e se destacar”, afirma.

Para quem lidera inovação, tecnologia e operações, a oportunidade está em deixar a adoção por acumulação e avançar para a adoção por design: processos de ponta a ponta, prioridades claras, métricas compartilhadas e uma governança que permita escalar sem perder o controle.

“Este é um momento em que está tudo por fazer”, conclui.

Como a Abstracta pode ajudar neste cenário¶

Na Abstracta, trabalhamos com bancos, fintechs e organizações financeiras tanto nas etapas iniciais da adoção de IA quanto em fases mais avançadas da transformação.

Com quase 2 décadas de experiência e presença global, a Abstracta é uma empresa de tecnologia que ajuda organizações a entregar software de alta qualidade mais rápido, combinando engenharia de qualidade impulsionada por IA e profunda expertise humana.

Nossa abordagem se apoia em três pilares:

Visibilidade de ponta a ponta dos processos críticos¶

Apoiamos organizações que precisam organizar e redesenhar fluxos já impactados pela IA, assim como aquelas que buscam identificar, do zero, onde faz sentido aplicar inteligência artificial em processos de negócio completos.

Começamos revisando de ponta a ponta o processo de entrega atual da organização (como o software é construído, testado, liberado e operado) para identificar gargalos, lacunas de qualidade e restrições estruturais antes de introduzir a IA.

Governança e implantação responsável de IA¶

Ajudamos a definir modelos de governança, critérios de priorização e métricas de maturidade para transformar provas de conceito em capacidades prontas para produção, ou para construir esse caminho de forma estruturada desde o início.

Como parte dessa base, desenhamos dashboards com KPIs relevantes de entrega e engenharia (incluindo as métricas DORA) para estabelecer uma linha de base clara e medir objetivamente o impacto da adoção de IA ao longo do tempo.

Engenharia de qualidade, risco e segurança desde o design¶

Integramos testes avançados, observabilidade, controles e validação contínua às iniciativas de IA. Essa abordagem reduz o risco operacional e regulatório tanto em projetos existentes quanto em novas implementações.

Com base em uma estratégia de qualidade sólida, identificamos onde a IA pode gerar maior impacto ao longo do ciclo de entrega e definimos como esse impacto será medido. Complementamos isso com programas de capacitação estruturados para toda a equipe, a fim de construir capacidades internas de IA sustentáveis.

Acreditamos que fortalecer vínculos nos leva mais longe e nos ajuda a aprimorar o software dos nossos clientes. Por isso, construímos sólidas parcerias com líderes do setor, como Microsoft, Datadog, Tricentis, Perforce BlazeMeter, Saucelabs e PractiTest, para oferecer o que há de mais moderno em tecnologia de ponta.