Sua IA entende a política de provisionamento da instituição?

O modelo entende a nossa classificação?
Aplica a nossa política de provisionamento?

A pergunta que separa adotantes de apostadores

Duas perguntas valem mais, para uma instituição financeira, do que qualquer demonstração de IA:

O modelo entende a nossa classificação? Aplica a nossa política de provisionamento?

Quem está no C-Level conhece a complexidade por trás dessas respostas. A provisão para créditos de liquidação duvidosa não é apenas um número calculado. Ela resulta da combinação entre dados, critérios de classificação, políticas internas e exigências regulatórias.

A Resolução CMN 4.966 e o CPC 48 estabelecem referências importantes. Mas cada instituição operacionaliza essas diretrizes de acordo com sua própria realidade, com critérios, exceções, níveis de materialidade e políticas de risco.

É aí que mora um risco silencioso da onda de analytics com IA.

Um assistente pode responder rápido, de forma elegante e errada por dentro.

Uma definição genérica de “cliente problemático”, por exemplo, aplicada ao portfólio de uma instituição pode produzir uma resposta coerente, mas que não representa a política aprovada internamente.

O problema aparece depois, no resultado, na auditoria, no conselho e nas explicações ao regulador.

A automação acelera a interpretação.
Se a interpretação estiver errada, acelera o problema.

Esse é um ponto que costuma ficar de fora das promessas de analytics genérico.

Imagine a pergunta:

“Qual foi a variação da provisão da carteira rural em relação ao mês anterior?”

A resposta não deveria trazer apenas um número.

Ela precisa deixar claro qual definição de carteira foi utilizada, qual fonte originou o dado, quais regras foram aplicadas e quais exceções foram consideradas.

Sem essas camadas, a resposta pode até parecer correta. Mas falta contexto e, principalmente, rastreabilidade.

Um analytics agêntico preparado para esse cenário precisa operar em cinco camadas:

1. Dados governados
   Dados com qualidade, responsáveis definidos, catálogo e linhagem. Sem isso, todo o restante vira uma camada de interpretação sobre uma base incerta.
2. Semântica do negócio
   O sistema precisa entender o que aquela instituição chama de carteira renegociada, cliente de maior risco, exceção de política ou qualquer outro conceito relevante.
3. Regras declaradas e versionadas
   A política de provisionamento precisa estar representada por regras parametrizadas, visíveis, editáveis, com vigência e trilha de auditoria. Não pode depender de uma lógica escondida dentro do modelo.
4. Agente analítico
   O agente investiga, cruza informações, simula cenários e explica resultados. E também precisa reconhecer seus limites. Se um conceito não está definido, a resposta correta é sinalizar a lacuna, não inventar uma interpretação.
5. Governança de modelos e alçadas
   É preciso definir quem pode alterar uma regra, aprovar uma exceção ou publicar um número. O agente apoia a análise. A responsabilidade pela decisão continua sendo da instituição.

A diferença entre um chatbot conectado a dashboards e um analytics agêntico de verdade não está apenas no modelo.

Está no contexto que o modelo consegue compreender e respeitar.

Por que as regras da instituição não são um detalhe

A pergunta central deste artigo também pode ser usada como um teste simples de maturidade.

Pergunte:

• Seu assistente de IA sabe o que o seu comitê chama de carteira reestruturada?
• Ele aplica a sua política de provisionamento, considerando suas exceções e critérios?
• Ele consegue mostrar o caminho entre a pergunta e o número apresentado?
• Se alguém questionar o resultado, existe rastreabilidade suficiente para explicar como ele foi calculado?

Se essas respostas ainda dependem de planilhas paralelas ou do conhecimento tácito de poucos especialistas, existe uma lacuna entre ter analytics e ter analytics confiável.

E essa lacuna importa.

Porque uma provisão que surpreende o próprio emissor pode pressionar margem e exigir explicações. Da mesma forma, uma ferramenta que desconhece as regras da instituição pode comprometer a confiança no resultado que entrega.

Maturidade se prova no dado, não no slide

Adotar analytics agêntico sem maturidade de dados é construir sobre uma base que ainda não está preparada para sustentar a decisão.

Por isso, a sequência começa muito antes do prompt: catálogo, linhagem, glossário, classificação, qualidade e acesso governado aos dados.

O agente entra depois, em um ambiente que já sabe o que cada dado significa, de onde veio e quais regras devem ser consideradas.

É essa lógica que encontramos em projetos de dados no setor financeiro.

Em um de nossos cases públicos, uma instituição financeira com um Data Lake de bilhões de objetos precisava, antes de avançar em casos de IA, garantir que seus dados fossem encontrados, compreendidos e confiáveis. Isso envolveu catalogação, glossário, classificação, monitoramento de qualidade e acesso por meio de Data Marketplace.

Nenhum desses itens necessariamente vira manchete.

Mas todos eles ajudam a determinar se, quando chegar a hora da pergunta, o agente terá condições de responder com contexto e rastreabilidade.

É nesse ponto que a experiência acumulada faz diferença. São mais de 15 anos trabalhando com dados, integração, migração, governança, engenharia, qualidade e BI, entendendo os desafios que aparecem quando a organização passa da experimentação para a operação.

Porque governança não começa na tela de aprovação.

Ela começa na definição da métrica, passa pela fonte de dados e chega à parametrização da regra.

O número é só o começo

Em analytics financeiro, não basta chegar ao número. É preciso saber de onde ele veio, qual regra foi aplicada e se essa regra corresponde à política da instituição.

É isso que diferencia uma resposta plausível de uma resposta que pode sustentar uma decisão.

A IA entende a nossa classificação?
Aplica a nossa política de provisionamento?

Se a resposta for sim, existe contexto por trás do número. E é aí que a IA começa, de fato, a apoiar decisões.

Quer testar essa lógica no seu cenário? Em uma conversa de 30 minutos, partimos de uma pergunta real do seu ciclo de provisão e mostramos como dados, regras e contexto podem trabalhar juntos.