Brasil, julho de 2024 - A inteligência artificial (IA) generativa está transformando o setor bancário ao mudar o cenário das operações tradicionais e permitir que os bancos prestem serviços de formas inovadoras. Essa tecnologia tem o potencial de liberar até 65% de tempo dos consultores financeiros das tarefas menos estratégicas para que possam se dedicar à melhoria do relacionamento com os clientes e ampliar a lucratividade. Ao explorar mais fontes de dados não estruturados, a tecnologia cria uma oportunidade para aumentar a qualidade do aconselhamento financeiro adaptado a cada cliente.

As equipes de marketing já conseguem gerar conteúdo personalizado em escala, assistentes de codificação aumentaram a produtividade nas tarefas de TI e, no curto prazo, a tecnologia vai permitir que o processo de liberação de empréstimos corporativos aconteça em tempo 40% menor. Contudo, a onda crescente de aplicações da IA exige foco na gestão de custos, recursos e perfil de risco do banco

“O primeiro ponto é que a IA generativa não resolve todos os desafios por si só. Ela funciona melhor quando orquestrada com outros processos e sistemas de aprendizagem automática e levanta os seus próprios desafios organizacionais, tecnológicos, regulamentares e éticos”, explica Pablo Sansuste, sócio da Bain. “É por isso que é fundamental elaborar um roteiro de casos de uso, incluindo os recursos e gargalos que podem surgir durante o desenvolvimento e a implementação da plataforma.”

Dada a forma como a IA generativa pode alterar as operações internas e as interações com os clientes, os bancos precisam desenvolver uma visão ampla dos sistemas e dados subjacentes para possibilitar que a tecnologia faça a diferença, o que abrange:

Aplicações e sistemas: aqueles que já adotaram sistemas baseados em nuvem e interfaces de programação de aplicativos (APIs) de última geração têm uma vantagem na implementação de soluções de IA generativa. O valor do mercado global para tecnologias generativas de IA em instituições bancárias e de serviços financeiros poderá aumentar de US$ 20 bilhões em 2022 para mais de US$ 100 bilhões em 2032, de acordo com a Global Market Insights. Os principais provedores de serviços em nuvem também estão integrando a IA generativa em suas ofertas, apresentando ambientes de desenvolvimento integrados e softwares de produtividade.

A IA generativa deve apresentar novos desafios em gerenciamento de solicitações, capacidade computacional e cobranças de tokens (que são baseadas no número de palavras). Os bancos terão de construir uma camada de serviço que funcione como interface entre grandes modelos de linguagem (LLMs) e aplicações baseadas em IA generativa, o que envolve um investimento significativo. Por isso, é vital alocar fundos estrategicamente, em uma tomada de decisão meticulosa sobre desenvolvimento, parceria ou compra de soluções tecnológicas.

Arquitetura de dados: a evolução da IA generativa transforma os dados em um ativo ainda mais notável e valioso. Dados não estruturados, dentro e fora do banco, podem agora ser incorporados para obter informações valiosas sobre o comportamento do cliente. O desafio é garantir que os dados e todo conteúdo produzido internamente sejam transferidos rapidamente para os sistemas de um banco. Isso exige uma arquitetura de dados adequada, que propicie ao banco monitorar o custo e a latência do sistema, forneça rastreabilidade para uma consulta ou conversa, modere o conteúdo e ajude a decidir qual modelo básico acessar para diversos casos de uso.

Uma pesquisa recente da Bain indica que mais de 80% dos bancos planejam atualizar a sua arquitetura de dados nos próximos três anos. Mais de 40% dos entrevistados procuram aproveitar os “dados como produto” como paradigma arquitetônico, seja para cumprir os requisitos regulamentares relacionados com o tratamento de dados ou para acelerar o progresso em direção à análise de dados avançada.

Privacidade de dados, segurança e gerenciamento de riscos: a IA generativa mudou a percepção dos antigos riscos sobre privacidade e segurança dos dados, por isso é fundamental desenvolver uma estratégia de IA responsável. Três elementos entram em jogo: a democratização das ferramentas de IA, que pode inadvertidamente levar ao tratamento incorreto de dados; a transição de dados armazenados ou transmitidos a terceiros, especialmente em modelos de software como serviço; e o maior escrutínio causado por mais casos de uso e fontes de dados. Os bancos que tiveram o maior sucesso com as suas implementações de IA focaram privacidade e segurança desde o início, lidando com esses desafios como componentes fundamentais de uma política de “conformidade integrada”.

Modelo operacional e governança: a aplicação de IA generativa exige que os bancos revejam o seu modelo operacional, especialmente para promover a colaboração multifuncional e a partilha de conhecimento entre unidades de negócio. Hoje, a maioria das instituições utiliza modelos centralizados para iniciar a IA generativa, promover a transparência e alinhar funções e prioridades, extraindo o máximo valor dos recursos escassos. É possível que, no futuro, muitos passem a utilizar modelos hub-and-spoke, no qual unidades de negócios individuais mantêm a propriedade de casos de uso específicos.

Operações de IA e ML: embora as provas de conceito possam funcionar inicialmente, a aplicação generalizada de casos de uso requer melhorias consistentes com uma escala maior, ecoando os princípios do DevOps. A IA generativa também introduz novos requisitos, desde o gerenciamento de APIs até bancos de dados vetoriais e hospedagem de aplicativos. Como resultado, está a tomar forma um ecossistema de fornecedores adaptados para abordar elementos específicos da pilha de tecnologia que viabilizam operações de IA e aprendizagem automática (ML).

Políticas e regulamentação: órgãos reguladores monitoram de perto o uso da IA generativa no setor bancário tendo em vista a utilização responsável e transparente de dados e análises. Os bancos multinacionais encontram agora pouco espaço para arbitragem regulamentar devido a um aumento no escrutínio de organismos reguladores e à intensa vigilância internacional em torno da utilização da IA. 

Gestão de custos e recursos: o investimento para a implementação de IA generativa depende da complexidade do caso de utilização. Os custos recorrentes são a maior parte do capital aplicado em configurações mais simples, enquanto implantações mais complexas exigem investimentos iniciais substanciais. Independentemente do cenário, a manutenção, incluindo o uso contínuo da API LLM, é responsável por uma parte significativa do custo. Navegar com sucesso em uma transformação de IA exige a compreensão dos custos baseada em evidências, juntamente com a união de capacidades para monitorar, influenciar e gerenciar ativamente os custos após a implementação.

Talento e cultura de dados: o uso crescente da IA aumentou a demanda por habilidades especializadas que vão além do padrão da maioria dos cientistas e engenheiros de dados. Isso inclui habilidades como engenharia imediata, gerenciamento de bancos de dados vetoriais e ferramentas dedicadas a operações de IA e ML. Abordar a questão do talento vai além da mera contratação de especialistas em IA - inclui a identificação dos grupos que serão mais afetados por essa transformação e o incentivo a mudanças comportamentais. A mobilização de agentes de mudança em todos os níveis da organização pode ajudar a promover comportamentos alinhados com a estratégia de IA do banco.

Com a expansão exponencial dos usos e do poder da IA generativa, os bancos precisam dominar a tecnologia em breve se quiserem prosperar - e não apenas sobreviver. Para isso, é necessária uma estratégia detalhada e coerente que incorpore o planejamento de cenários e a compreensão profunda das prioridades dos clientes. Não há dúvida de que a IA generativa vai interferir em diversos processos bancários e na forma como as instituições interagem com seus clientes. No entanto, se a tecnologia for implementada de maneira inteligente, pode gerar otimização de recursos e melhorar o relacionamento com os clientes.