IA em análise de crédito passa a decidir no banco médio

Três bancos médios brasileiros já operam com modelos baseados em LLM no fluxo de decisão de crédito. O resultado dos primeiros nove meses, divulgado em relatórios trimestrais e entrevistas com executivos, surpreende: default em linha com modelos tradicionais, custo operacional menor.

O que muda

O modelo tradicional de análise de crédito em banco médio envolve um pipeline de regras determinísticas (score, renda, restritivos) combinado com análise humana pra casos limítrofes. O ponto fraco era o caso limítrofe, análise humana é cara, demorada, e variável entre analistas.

No novo modelo, um LLM recebe o contexto completo do tomador (dados estruturados + comprovantes em PDF + histórico em texto) e produz um parecer estruturado. O parecer é validado por um analista sênior em casos de risco alto, mas a maioria das decisões passa sem revisão humana.

Os números

Nos três bancos, o tempo médio de aprovação caiu de 18 horas pra 22 minutos. O custo operacional por análise caiu cerca de 70%. E, o ponto mais sensível, o default observado nas safras analisadas pela IA está em linha com o modelo anterior (variação de ±15bps).

Os pontos de atenção

Dois pontos preocupam o BCB, que acompanha de perto. Explicabilidade: regulação exige que o tomador tenha direito a entender por que foi recusado, e a saída de um LLM nem sempre é facilmente auditável. Os bancos resolveram com prompts que forçam estrutura, razões enumeradas, dados citados, mas ainda há fricção em apelações.

Viés: modelos treinados em dados históricos reproduzem viés histórico. Em testes A/B internos, dois dos três bancos detectaram diferenças de aprovação por região não justificadas por risco financeiro. Ajustes em prompts e datasets de treino reduziram, mas não eliminaram.

O que esperar

O modelo deve se espalhar pra outros bancos médios em 2026 e 2027. Grandes bancos seguem mais conservadores, preferem incorporar IA em assistência ao analista, sem deixar a decisão sair completamente do humano.