Navegue pelo conteúdo:
• Por que instituições financeiras têm dificuldade em gerar valor com IA mesmo tendo tantos dados?
• Quais desafios de dados impedem a evolução da IA no setor financeiro?
• Por que a prontidão para IA começa pela governança de dados?
• Insights finais: como instituições financeiras podem se preparar para gerar valor com IA
Por que instituições financeiras têm dificuldade em gerar valor com IA mesmo tendo tantos dados?
A IA no setor financeiro depende diretamente da qualidade dos dados que a sustentam. Pela própria natureza de suas operações, esse segmento pode ser considerado um dos mais ricos em dados. Ele se destaca porque os dados que acumula são diversificados, complexos e extremamente sensíveis. Um banco sabe quanto você ganha, como você gasta, se paga em dia, quais são os padrões de consumo, a capacidade de endividamento e os relacionamentos financeiros. Já uma seguradora acumula histórico de sinistros, comportamento de risco e dados relacionados à saúde. Uma fintech de crédito, por sua vez, constrói modelos com centenas de variáveis comportamentais por cliente.
Em um primeiro olhar, seria esperado, então, que modelos de IA funcionassem melhor no setor financeiro do que em lugar outros segmentos, já que dependem diretamente da qualidade, integração e rastreabilidade dos dados que os alimentam. Afinal, o setor financeiro, em tese, teria tudo isso em abundância.
Porém, não é o que se observa na prática. Segundo levantamento do Institute of International Finance (2025), citado pelo BIS (Bank for International Settlements),
das instituições financeiras apontam a qualidade de dados como a principal barreira para colocar soluções de IA em produção.
O Gartner reforça esse cenário:
dos CFOs em organizações que já implantaram IA relatam que o impacto atual dessas iniciativas é baixo ou muito baixo.
Esse diagnóstico já vem chamando a atenção além das fronteiras das próprias organizações. Em março de 2026, o BIS publicou um estudo mapeando como reguladores de cinco mercados (China, União Europeia, Singapura, Reino Unido e Estados Unidos) estão desenvolvendo frameworks específicos sobre o uso de dados em IA no setor financeiro.
Quais desafios de dados impedem a evolução da IA no setor financeiro?
A experiência prática em projetos de dados e IA no setor financeiro coincide, em grande medida, com as preocupações e desafios apontados pelo mercado. Organizações com grande volume de dados, infraestrutura consolidada e times dedicados chegam ao momento de estruturar iniciativas de IA e descobrem que o ativo que presumiam possuir não está na forma necessária para gerar valor.
Em um projeto conduzido pela Bridge junto a uma instituição de grande porte do setor de crédito, o diagnóstico inicial identificou três pontos centrais capazes de dificultar o uso de IA:
Fragilidade nos dados cadastrais
Baixa completude e ausência de atualização contínua
Falta de uma base unificada
Dados transacionais ainda fragmentados entre áreas
Ausência de conceito institucionalizado de qualidade
Qualidade de dados ainda sem referência comum
O mesmo padrão apareceu em um projeto com um banco de desenvolvimento de grande porte. A instituição chegou com ambição clara de evoluir em Dados, Analytics e IA e, a partir disso, surgiu a necessidade de um diagnóstico objetivo: qual era o nível real de maturidade? Onde estavam os principais gaps? Qual caminho estruturado de evolução seria viável dentro do horizonte estratégico da organização?
As respostas revelaram que a distância entre a ambição e a capacidade instalada era maior do que se imaginava e que o passo anterior à IA era, na verdade, a consolidação das suas bases de dados que sustentariam essa evolução.
Em ambos os casos, ficou evidente que o problema não estava centrado na existência do dado ou na competência técnica de seus times, mas na forma com que ele era operado, transformado e governado ao longo do tempo.
Por que a prontidão para IA começa pela governança de dados?
Antes de debater qual modelo adotar, qual fornecedor contratar ou qual caso de uso priorizar, é preciso responder uma pergunta anterior:
Os dados que vão alimentar essa iniciativa são confiáveis, íntegros e rastreáveis o suficiente para suportar uma solução em produção?
Organizações que não fazem essa reflexão tendem a acumular experimentos sem escala. O World Economic Forum (2024) estima que mais de 70% das empresas que investem em tecnologias avançadas não conseguem avançar além da fase de pilotos. O Gartner reforça esse cenário ao apontar que mais da metade dos pilotos de IA serão abandonados até 2028 por estouros dos custos inesperados.
Em boa parte dos casos, o problema não é, portanto, o modelo ou tecnologia escolhida, mas em investir em IA antes de desenvolver os pilares necessários para sustentá-la.
As empresas que desejam extrair valor real de suas iniciativas precisam tratar a prontidão de dados como condição especial, entendendo:
Quais dados estão disponíveis
Como estão organizados
Onde estão os gaps de qualidade e integração
Quais casos de uso são tecnicamente viáveis dado o estado atual de seus dados
Essa é uma decisão de negócio, e não apenas uma decisão tecnológica.
Insights finais: como instituições financeiras podem se preparar para gerar valor com IA?
O setor financeiro reúne hoje três elementos que raramente coexistem com tanta intensidade: abundância de dados, pressão regulatória crescente sobre como esses dados são governados e uma ambição legítima de usar IA no setor financeiro para gerar eficiência e competitividade.
O que falta, na maioria dos casos, não é tecnologia nem disponibilidade de dados, mas uma estrutura de governança capaz de conectar esses três elementos de forma organizada e sustentável.
Por esse motivo, instituições que entenderem essa necessidade antes que novas exigências regulatórias se consolidem estarão em uma posição significativamente melhor, não apenas para cumprir normas, mas para extrair valor real das iniciativas de IA que já estão em curso ou em planejamento.
Na Bridge, apoiamos organizações do setor financeiro na estruturação de agendas de dados e IA, conectando diagnóstico de maturidade, governança e priorização de iniciativas tecnicamente viáveis que gerem impacto real no negócio.
FAQs:
1. Por que instituições financeiras têm dificuldade em gerar valor com IA mesmo possuindo muitos dados?
Instituições financeiras possuem grandes volumes de dados, mas isso não significa que esses dados estejam preparados para alimentar soluções de IA. Problemas como baixa qualidade, falta de integração entre bases, ausência de governança e dificuldade de rastreabilidade podem impedir que modelos de IA sejam utilizados de forma confiável e escalável.
2. Qual é o papel da governança de dados na implementação de IA no setor financeiro?
A governança de dados estabelece critérios, responsabilidades e processos para garantir que as informações utilizadas pelas soluções de IA sejam confiáveis, seguras e adequadas aos objetivos do negócio. No setor financeiro, esse aspecto é ainda mais relevante devido à sensibilidade dos dados e ao aumento das exigências regulatórias.
3. O que uma instituição financeira deve avaliar antes de implementar uma solução de IA?
Antes de implementar uma solução de IA, a instituição deve avaliar a maturidade dos seus dados, considerando aspectos como disponibilidade, qualidade, integração entre fontes, rastreabilidade e aderência aos casos de uso pretendidos. Essa análise permite priorizar iniciativas viáveis e aumentar as chances de gerar valor real com a tecnologia.
Fontes
Sócio-Executivo da Bridge & Co.
Graduado em Economia pela PUC-Campinas e com pós-graduação (MBA Executivo) em Finanças pela Saint Paul, possui certificações Green Belt Lean Six Sigma, ITIL Foundation e COBIT Foundation. Atua no atendimento a clientes de organizações públicas e privadas, com maior foco nos setores de serviços financeiros e bancários. Ao longo de sua trajetória, desenvolveu conhecimentos sólidos em melhoria de processos de negócio, gestão de serviços, agilidade e governança de TI e dados. Sua formação em economia e finanças contribui para conectar iniciativas de transformação organizacional e tecnológica à geração de valor para o negócio, com foco em eficiência econômica e avaliação de investimentos.
![](/wp-content/uploads/2024/06/icon-linkedin.png"){kind=icon}
