Em setembro de 2024, durante a primeira edição do CCX Seminário, Cristiano de Souza Corrêa, professor de Finanças e coordenador de Pós-graduação em Negócios do Ibmec, resumiu o estágio da Inteligência Artificial no crédito brasileiro. “Estamos apenas começando a concatenar as informações para estruturar a tecnologia“, disse ele à época.
Dois anos depois, o Brasil chegou a 83,5 milhões de negativados, o maior patamar da série histórica, segundo a Serasa Experian. Além disso, o comprometimento de renda das famílias voltou a crescer, segundo o Banco Central. A pergunta que fica é direta: o que, de fato, essa tecnologia mudou?
A resposta de Corrêa, que será explorada em mais profundidade durando o CCX Seminário 2026, é um mapa de onde o avanço foi real e de onde a promessa ainda tropeça. Para ele, o desalinhamento está na desigualdade de adoção entre instituições, na governança das decisões tomadas a partir da previsão, no risco de repetir exclusões históricas e, principalmente, na distância entre um modelo mais preciso e um consumidor que efetivamente sente esse ganho no bolso.
O que avançou, e para quem
Segundo Corrêa, o principal desafio de 2024 era reunir informações dispersas, como dados cadastrais, transacionais e comportamentais, em uma base utilizável. Isso mudou.
“Agora, as instituições mais desenvolvidas já conseguem combinar dados cadastrais, transacionais e comportamentais para monitorar alterações na situação financeira dos clientes e estimar a deterioração do risco com maior antecedência”, analisa.
O avanço, porém, não é uniforme. A pesquisa mais recente do Banco Central sobre o tema, divulgada no início de 2025, mostrou que apenas 26,7% das instituições financeiras declararam utilizar Inteligência Artificial, com adoção fortemente concentrada nas de maior porte. Ou seja, existe uma distância relevante entre os grandes bancos e boa parte das instituições menores.
O desafio também mudou de natureza. Mais do que reunir dados, é preciso transformar previsão em decisão adequada. “O Relatório de Estabilidade Financeira mais recente do Banco Central mostra aumento do comprometimento de renda, da inadimplência e dos ativos problemáticos das famílias“, observa Corrêa.
“Avançamos muito na capacidade de identificar o risco, mas ainda precisamos evoluir na governança das decisões tomadas a partir dessa previsão.”
Regulação empurrou a régua
Grandes bancos brasileiros já operam sob a Resolução do Banco Central que exige provisionamento com base em modelos de risco próprios. Instituições menores passaram a seguir o IFRS 9 mais recentemente, com lógica semelhante. A pergunta natural seria: essa exigência regulatória acelerou a adoção de IA?
Corrêa separa os dois movimentos. “A regulamentação acelerou a modernização da gestão do risco, mas não necessariamente a adoção de Inteligência Artificial”, afirma.
A Resolução CMN 4.966/2021, convergente com os princípios do IFRS 9, introduziu uma abordagem baseada em perdas esperadas e aumentou a necessidade de informações prospectivas, monitoramento contínuo e validação de parâmetros de risco.
Isso exige bases de dados melhores, modelos de probabilidade de default, estimativas de perda e cenários econômicos. Mas o caminho para atender a essa demanda varia. “Algumas instituições respondem com IA e Machine Learning, porém outras continuam utilizando modelos estatísticos tradicionais”, diz o professor.
“A regulação efetivamente elevou a sofisticação da gestão de risco, mas não se pode afirmar ainda que ela, isoladamente, tenha sido responsável pela adoção de IA.”
Onde a governança falha
Um modelo preditivo pode identificar o risco de inadimplência semanas antes do primeiro atraso. Mas o que fazer com essa informação – como renegociar, restringir o limite ou acionar a recuperação – ainda é uma decisão humana. É nesse ponto de transição, segundo Corrêa, que está o maior risco de governança.
“O primeiro erro é confundir uma previsão de risco com uma decisão“, afirma. “O modelo pode estimar que determinado cliente possui maior probabilidade de atraso, mas não deve definir, sozinho, se o limite será reduzido, se haverá uma renegociação ou se a cobrança será intensificada.”
O segundo problema é a ausência de critérios claros. Sem uma matriz que relacione cada nível de risco a uma ação correspondente, clientes com perfis semelhantes podem receber tratamentos completamente diferentes.
Corrêa também descreve um fenômeno que batiza de “carimbo humano”. Formalmente, existe uma pessoa na cadeia de decisão, mas ela apenas confirma automaticamente o que o sistema recomendou. “A supervisão humana existe no organograma, mas não na prática.”
Para o professor, a boa governança exige responsabilidades claras, registro das decisões, limites para ações automatizadas, consideração da capacidade de pagamento do cliente e monitoramento dos efeitos sobre o consumidor. Isso inclui verificar se as ações realmente reduziram a inadimplência ou apenas anteciparam cobranças e restrições. “Aquilo que não é medido não pode ser avaliado.”
O risco de a IA repetir exclusões do passado
Modelos de Inteligência Artificial aprendem com dados históricos. No Brasil, esse histórico reflete décadas de exclusão de determinados perfis, como consumidores sem cadastro formal, autônomos e microempreendedores individuais. A pergunta é inevitável: a IA corre o risco de perpetuar essa exclusão em vez de corrigi-la?
“Em minha avaliação, sim”, responde Corrêa. “Os modelos aprendem com decisões e resultados do passado. Se determinados grupos tiveram menos acesso ao crédito, existirão menos informações sobre o seu comportamento como bons pagadores. A ausência de histórico pode acabar sendo interpretada como maior risco, embora sejam situações completamente diferentes.” Ele cita ainda o risco de variáveis aparentemente neutras funcionarem como substitutas indiretas de renda, localização ou condição de trabalho.
Mas o professor recusa um diagnóstico puramente negativo. Dados de movimentação financeira, regularidade de recebimentos, pagamentos recorrentes e fluxo de caixa podem permitir uma avaliação mais adequada de autônomos, MEIs e consumidores sem histórico nos bureaus tradicionais.
“É necessário testar a existência de impactos desproporcionais, acompanhar erros de classificação, revisar as variáveis utilizadas e permitir a contestação da decisão”, pontua. “A IA não é inclusiva nem excludente por natureza. Ela pode corrigir limitações da análise tradicional ou automatizar, em grande escala, as exclusões existentes nos dados históricos.” O próprio Banco Central, lembra Corrêa, já aponta o viés decorrente de dados históricos como um dos riscos relevantes do uso de IA no sistema financeiro.
Transparência algorítmica
Há um debate crescente sobre o direito do consumidor de saber por que teve o crédito negado. A pergunta técnica por trás disso é se os modelos de IA conseguem, de fato, explicar suas decisões de forma inteligível e como o Brasil se posiciona nesse debate, com a LGPD em vigor.
Para Corrêa, a capacidade de explicação depende de como o modelo foi escolhido, construído e integrado ao processo decisório. “Alguns modelos são naturalmente mais interpretáveis, enquanto outros exigem ferramentas adicionais de explicabilidade”, diz. Mas o ponto central, segundo ele, é diferenciar uma explicação técnica de uma explicação útil. O consumidor não precisa receber o código do modelo, mas precisa compreender quais fatores influenciaram a decisão, quais dados foram usados, como corrigir uma informação incorreta e como solicitar revisão.
O artigo 20 da LGPD assegura justamente esse direito: solicitar a revisão de decisões tomadas unicamente com base em tratamento automatizado, incluindo aquelas relacionadas ao perfil de crédito. Além do fornecimento de informações claras sobre critérios e procedimentos, preservados os segredos comercial e industrial.
“O Brasil possui base jurídica relevante, mas o desafio está na operacionalização”, avalia Corrêa. “Ainda precisamos definir com maior clareza o conteúdo mínimo de uma explicação, como deve funcionar a contestação e qual deve ser o grau de participação humana na revisão.” Ele lembra que a própria ANPD reconhece que o artigo 20 ainda apresenta desafios interpretativos a serem pacificados.
Dado abundante, uso desigual
O Open Finance brasileiro acumulou mais de 100 milhões de conexões ativas. Mas pesquisas recentes apontam que apenas 37% dos brasileiros o utilizam de forma ativa. Afinal, as instituições financeiras já incorporam, de fato, dados do Open Finance em seus modelos de análise de risco?
“As instituições já incorporam dados do Open Finance em análises de risco, mas a utilização ainda varia bastante conforme o porte da instituição, o produto e a maturidade tecnológica”, diz Corrêa. Em fevereiro de 2026, ao completar cinco anos, o sistema já reunia mais de 100 milhões de clientes conectados e 154 milhões de consentimentos ativos, segundo o Dashboard do Cidadão do Open Finance Brasil.
Os dados compartilhados permitem observar fluxo financeiro, regularidade de renda, comprometimento com outras instituições e comportamento de pagamento, o que pode melhorar a avaliação de autônomos, MEIs e consumidores com pouco histórico nos modelos tradicionais. “O próximo desafio é demonstrar que esse maior volume de dados se traduz em melhores condições de crédito, e não apenas em maior capacidade de segmentação comercial.”
Portabilidade de crédito
Esse cenário ganha um capítulo novo com a portabilidade de crédito via Open Finance. A etapa inicial, voltada ao crédito pessoal sem garantia e sem consignação, começou em fevereiro de 2026. Já para o segundo semestre estão previstas etapas de expansão, especialmente para o crédito consignado de servidores públicos federais.
Corrêa vê um potencial duplo. “A portabilidade pode reduzir a inadimplência quando permite trocar uma dívida cara por outra com juros menores, prestação compatível com a renda e custo total mais baixo”, afirma. “No entanto, ela pode criar riscos se for utilizada apenas para alongar continuamente as dívidas, liberar recursos adicionais ou estimular sucessivos refinanciamentos sem avaliar a capacidade de pagamento.”
Para o professor, uma prestação menor não significa, necessariamente, uma dívida melhor. Especialmente quando decorre apenas de um prazo muito mais longo. “Penso que o efeito dependerá mais da governança. A oferta deve comparar custo efetivo total, prazo, valor final pago e comprometimento de renda. E deve evitar que a portabilidade seja utilizada como porta de entrada para a venda automática de crédito adicional”, destaca. “A portabilidade melhora a concorrência, mas, na minha opinião, ela não garante a sustentabilidade financeira do consumidor.”
O problema é de risco ou de renda?
Com 83,5 milhões de brasileiros negativados em maio de 2026, a inadimplência no País é, no fundo, um problema de análise de risco ou um problema de renda? E, nesse caso, em que medida a IA resolve algo estrutural ou apenas administra um sintoma?
“A inadimplência brasileira não decorre exclusivamente de falhas na análise de risco nem exclusivamente da insuficiência de renda”, defende Corrêa. “Ela resulta da combinação dos dois fatores, além do custo do crédito, do tipo de produto oferecido e dos choques econômicos enfrentados pelas famílias.”
O Relatório de Estabilidade Financeira mais recente do Banco Central mostra que o comprometimento de renda voltou a crescer, com maior impacto entre os tomadores de menor renda e forte participação das modalidades de crédito mais caras. Além do aumento dos ativos problemáticos em todas as modalidades destinadas a pessoas físicas.
Nesse quadro, o papel da IA é real, mas limitado. “A Inteligência Artificial pode reduzir a inadimplência evitável. Ou seja, aquela associada a limites incompatíveis, concessões inadequadas ou demora na identificação da deterioração financeira. Mas ela não cria renda, não reduz automaticamente o custo de vida e não elimina os efeitos de desemprego, informalidade, juros elevados ou emergências familiares.”
A diferença, segundo ele, está no uso. “Se for usada apenas para tornar a cobrança mais rápida, ela administrará melhor o sintoma. Por outro lado, se também for usada para evitar concessões inadequadas e oferecer intervenções preventivas, poderá reduzir parte do problema.”
O estágio da IA no crédito em 2026
Fica uma última pergunta, talvez a mais incômoda: quando as instituições melhoram seus modelos preditivos e reduzem a inadimplência, para onde vai esse ganho? Ele chega ao consumidor final, ou fica retido na eficiência operacional do credor?
Corrêa reconhece o potencial de benefício direto, com decisões mais precisas, menos negativas indevidas, limites mais adequados, identificação antecipada de dificuldades e renegociações mais compatíveis com a capacidade de pagamento. Mas faz uma ressalva: “Esse ‘benefício’ não é automático”.
Dados do Banco Central mostram que o custo médio do crédito e o spread aumentaram em 2025, principalmente em razão do maior custo de captação e da própria inadimplência.
“Isso demonstra que ganhos obtidos com melhores modelos podem ser compensados por juros básicos elevados, maior risco da carteira e aumento do custo de financiamento das instituições”, explica. Assim, o verdadeiro estágio da IA no crédito brasileiro em 2026 é mais avançado do que em 2024. Mas ainda é incapaz de garantir, sozinho, que o avanço técnico vire benefício concreto.
“Para o consumidor, o ganho somente se materializa quando se traduz em menor taxa, maior acesso, limite mais adequado, prevenção da inadimplência ou tratamento mais justo na cobrança e na renegociação.”
