Os bancos brasileiros deverão investir R$ 3 bilhões em inteligência artificial, analytics e big data em 2026, de acordo com uma pesquisa realizada pela Febraban. Tem-se o dinheiro, mas nem sempre a implementação de soluções de IA acontecem na velocidade desejada. As instituições financeiras promovem testes e PoCs, mas, quando chega o momento de implementar a ferramenta no cotidiano das operações, a engrenagem trava. A constatação desenha um paradoxo incômodo para o setor: sobra capital para comprar tokens, algoritmos e multiplicar pilotos, mas falta capacidade organizacional para transformar experimentos isolados em escala corporativa.

Essa é a constatação de Marcel Ghiraldini, fundador e CSO da MATH Group a partir do resultado da pesquisa Diagnóstico de Maturidade em IA no Setor Financeiro, conduzido pela consultoria durante o Febraban Tech 2026,que aconteceu entre 24 e 26 de agosto deste ano. A pesquisa qualitativa, feita com dados consolidados de 151 respostas, aponta que a maioria dos bancos ainda se encontra presa na infância operacional da tecnologia.

De acordo com o estudo, a pontuação média de maturidade foi de 2,29 em uma escala de 1 a 5. Dos respondentes, dois terços (ou 66%) estão no nível 2, que seria o estágio “emergente”, caracterizado por iniciativas e testes iniciais, mas com carência de processos e condições estruturais para expansão contínua.

“A discussão mudou. Já não estamos falando de empresas tentando entender se devem ou não usar Inteligência Artificial. Elas querem usar, muitas já usam e os investimentos estão acontecendo. A questão agora é outra: como fazer com que aquilo que funcionou em um projeto deixe de ser uma experiência isolada e passe a funcionar de maneira estruturada dentro da organização”, sintetiza Ghiraldini

bancos; MATH Group

Marcel Ghiraldini é CSO da MATH Group. Crédito: divulgação.

Mais de 300 profissionais que passaram pelo estande da MATH Group durante o evento responderam ao estudo, porém, foram consolidadas 151 respostas válidas, filtrando somente pessoas vinculadas a instituições da Febraban. Essas, concluíram todas as perguntas. Vale dizer que se tratava de uma pesquisa com perguntas abertas. E o estudo foi baseado nos modelos Gartner AI Maturity e MIT CISR Enterprise AI Maturity.

O menor desempenho para 71,5% dos respondentes foi no pilar Patrocínio e Modelo de Operação, registrando média de 1,96. Essa dimensão mede o envolvimento da liderança, priorização de projetos, processos decisórios e a definição clara de donos para as operações de IA.

E, embora 22,5% dos respondentes tenham citado espontaneamente o interesse na criação de agentes de IA, esse desejo restringe-se à intenção: nenhuma instituição foi enquadrada no nível 5, evidenciando que os sistemas autônomos tomadores de decisão ainda não existem no dia a dia do sistema financeiro.

O diagnóstico traçado por Ghiraldini detalha que as instituições vivem um quadro de “ambição sem dono”. O orçamento chega aos cofres da empresa por pressão do mercado e dos conselhos, mas ninguém quer assumir a paternidade do risco prático da mudança.

“Pagar é a parte fácil. Hoje é muito fácil colocar um modelo de última geração para rodar na sua empresa. Mas o que a gente pegou na pesquisa é que falta dono. E quando eu falo dono, não é o dono de tecnologia: é o dono do processo de negócio. Se a IA erra, quem responde pelo erro? Quando a tesouraria erra, quem responde é o diretor financeiro. Quando há um vazamento de dados, quem responde é o CDO ou o CEO. Mas quando perguntamos quem responde pelo erro da IA, muitas vezes a resposta foi ‘não sei’. Se você não sabe quem responde, o projeto não tem dono”, afirma Ghiraldini.

Para o executivo, o custo político de arrumar a casa é alto e poucos executivos querem mexer no vespeiro.

Historicamente, as organizações financeiras delegam a inovação para a Diretoria de Tecnologia da Informação. Na avaliação do especialista, essa abordagem repete erros observados há décadas nas primeiras ondas de inovação digital corporativa. A TI deve prover a infraestrutura técnica, a segurança e a governança de plataformas, da mesma forma que a área de Recursos Humanos cuida das políticas de desenvolvimento e capacitação dos colaboradores. No entanto, o custo operacional e a responsabilidade pelas decisões do sistema precisam estar alocados nos orçamentos e nas metas das áreas de negócio que utilizam as ferramentas — seja a tesouraria, o marketing, o crédito ou a cobrança.

Sem um patrocinador de negócio disposto a bancar o custo político das inevitáveis falhas iniciais e a reorganizar a rotina de trabalho da equipe, os projetos ficam órfãos e morrem assim que saem do laboratório.

Entre pilotos e a amplificação da desordem

O abismo entre experimentar e implementar decorre diretamente da mecânica com que as grandes corporações conduzem suas provas de conceito (PoCs). Criar um piloto de inteligência artificial é uma tarefa relativamente simples: a liderança recorta um problema minúsculo, isola três ou quatro colaboradores em um ambiente protegido, abastece o modelo manualmente e obtém uma taxa de sucesso impressionante. O problema tem início quando se tenta levar essa mesma solução para centenas de agências ou para a base completa de clientes.

“A inteligência artificial amplifica. Ponto. Se a empresa está organizada, ela amplifica a organização. Se a empresa está desarrumada, a IA vai amplificar a desarrumação”, adverte o CSO da MATH Group.

Essa constatação ficou evidente na queixa espontânea mais expressiva do estudo: 41,7% dos entrevistados apontaram a gestão de dados como o principal limitante para o sucesso da IA em suas organizações. O dado ganha peso pelo fato de que o questionário não continha perguntas direcionadas sobre infraestrutura de dados; a dor emergiu organicamente nas respostas livres.

A partir do estudo feito pela MATH, o executivo avalia que as empresas estão colocando dinheiro no lugar errado. “As empresas deveriam colocar dinheiro para criar uma infraestrutura que garanta um retorno. Treinar as pessoas que vão usar a tecnologia”, diz.

Ghiraldini citou o case da IKEA, loja de móveis e decoração, que treinou as pessoas de atendimento para o uso de IA e, com isso, esses profissionais tiveram mais tempo livre. Com esse tempo livre, a IKEA optou por realocar esse pessoal para fazer decoração de interiores, o que gerou cerca de US$ 1,4 bilhão de retorno em um ano. “Ela pegou o capital que deixou inativo e gerou uma outra linha de receita. Eles trabalharam a cultura da empresa. E vemos que todos os cases [bem-sucedidos] estão trabalhando a cultura”, explica o CSO da MATH Group.

Quem não desenvolve a cultura acaba tendo dois custos: o de preparar para a IA, dos tokens e os colaboradores acabam não usando a tecnologia, gerando custo, mas nenhum retorno, explica o executivo.

Romper a inércia e sair dos pilotos

Para acelerar a adoção da IA, a recomendação de Ghiraldini reside na estratégia de “raio de explosão limitado”, que consiste em:

  1. Delimitação cirúrgica do domínio: A instituição não deve tentar reformar todo o banco de uma só vez. Seleciona-se um nicho operacional altamente específico — por exemplo, a cobrança de contratos de financiamento de automóveis em atraso superior a 30 dias.
  2. Arrumação estrutural completa do nicho: Para aquele microterritório, a organização resolve tudo o que ignorou nos pilotos gerais: limpa e integra a base de dados, estabelece a governança, treina os analistas e designa formalmente um diretor de negócio como dono responsável por qualquer falha.
  3. Teste com capacidade de reversão: O modelo é testado à exaustão em ambiente de estresse, assegurando que o sistema possa ser desfeito em segundos caso apresente desvios críticos.
  4. Virada de chave definitiva: Concluída a validação e com a equipe capacitada, encerra-se o piloto e transfere-se 100% da operação do domínio para a inteligência artificial de uma só vez, sem etapas incrementais tímidas.

Ghiraldini acredita que os orçamentos multibilionários continuarão existindo, mas os bancos que se limitarem a comprar software sem encarar as reformas na governança, na cultura e na liderança de processos permanecerão acumulando protótipos brilhantes que nunca chegarão a gerar valor para o balanço.