O mercado de crédito brasileiro sempre operou no limite entre escala e precisão. De um lado, dezenas de milhões de clientes com perfis heterogêneos; do outro, decisões que precisam ser rápidas sem comprometer risco. Nesse contexto, poucos bancos têm capacidade real de transformar esse equilíbrio. O Bradesco, um dos maiores players do país, decidiu atacar exatamente esse problema estrutural, reposicionando a análise de crédito como uma disciplina orientada por inteligência artificial em escala.
A análise de crédito sempre foi um problema de complexidade combinatória. Bancos operam com milhões de clientes, cada um com renda, comportamento e histórico distintos. Modelar risco com precisão exige integrar variáveis financeiras, comportamentais e contextuais em tempo hábil. Historicamente, esse processo era limitado por capacidade analítica e tempo de processamento, o que gerava decisões mais lentas e, muitas vezes, subótimas. Esse cenário começa a mudar de forma estrutural com a aplicação de inteligência artificial em escala operacional.
O movimento do Bradesco ilustra essa transição. Em 2023, o banco adquiriu a Kunumi, uma startup de IA originada na Universidade Federal de Minas Gerais, e integrou suas capacidades diretamente ao core da operação de crédito. A decisão não foi tratada como experimento isolado, mas como componente estrutural da estratégia. A IA passou a atuar de ponta a ponta, desde precificação e modelagem até concessão e cobrança.
Os resultados operacionais indicam ganho claro de eficiência. O tempo de aprovação de crédito foi reduzido de cerca de 10 dias para aproximadamente 3. O ciclo de desenvolvimento de modelos, que tradicionalmente levava meses, passou a ocorrer em escala diária. A capacidade de gerar e validar modelos em um único dia, com performance próxima aos modelos desenvolvidos por cientistas de dados, sugere uma mudança relevante na produtividade analítica. Reduções de inadimplência nas novas operações reforçam que o ganho não foi apenas de velocidade, mas também de qualidade da decisão.
O impacto financeiro acompanha a eficiência operacional. Ferramentas oriundas da Kunumi já teriam gerado cerca de R$ 250 milhões em impacto direto. Em uma visão consolidada, o uso de IA na operação de crédito ultrapassou R$ 1 bilhão em contribuição ao lucro líquido anual, considerando a base comparativa anterior à transformação.
O diferencial do caso não está apenas na modelagem, mas na incorporação de dados não estruturados e contexto externo. A IA monitora continuamente fontes públicas, como notícias e sinais econômicos regionais, para antecipar eventos de risco. Um evento climático, como uma geada em uma região agrícola, pode gerar alertas automáticos antes que o impacto financeiro se materialize na carteira. Esse tipo de capacidade reduz o tempo entre evento e decisão, um dos principais gargalos históricos da gestão de risco.
Outro avanço relevante está na análise de redes econômicas. Em situações de recuperação judicial, o mapeamento de cadeias de fornecedores, clientes e credores, que antes levava dias de trabalho manual, passou a ser realizado de forma automatizada em poucas horas. Isso permite identificar rapidamente exposições indiretas e priorizar ações, reduzindo perdas potenciais.
A ampliação de mercado também merece destaque. Um dos maiores desafios do setor bancário sempre foi avaliar clientes sem histórico de crédito. A abordagem adotada utiliza dados sintéticos, capazes de simular comportamentos financeiros preservando privacidade. Essa técnica permite treinar modelos mais robustos e expandir a capacidade de concessão para públicos historicamente excluídos.
Apesar da automação intensiva, o papel humano permanece central. A IA assume tarefas de processamento massivo, identificação de padrões e geração de recomendações. A decisão final continua sob responsabilidade do analista, agora apoiado por um sistema que amplia sua capacidade cognitiva.
O caso revela um conjunto claro de aprendizados. O primeiro é que escala não se resolve apenas com mais pessoas ou mais regras, mas com arquitetura de decisão baseada em dados e modelos. O segundo é que ganhos relevantes só aparecem quando a IA está integrada ao fluxo operacional, não como camada paralela. O terceiro é que velocidade e qualidade não são trade-offs quando a modelagem é contínua e alimentada por dados em tempo real. O quarto é que novas fontes de dados, inclusive sintéticas e não estruturadas, ampliam o alcance do crédito e reduzem assimetria de informação.
Algumas práticas se destacam. Estruturar uma equipe dedicada de IA dentro da área de negócio, e não isolada em tecnologia. Tratar modelos como ativos vivos, com ciclos curtos de atualização e validação. Incorporar sinais externos e contextuais na tomada de decisão, reduzindo dependência exclusiva de histórico financeiro. Priorizar casos de uso com impacto direto em receita e risco desde o início, evitando dispersão em pilotos. Garantir governança clara, com o humano na decisão final e a IA como amplificador de capacidade.
A implicação é direta. A vantagem competitiva não está apenas no uso de IA, mas na forma como ela é integrada ao fluxo operacional. O Bradesco não substituiu o analista de crédito. Redefiniu o limite do que ele consegue fazer em escala, velocidade e precisão.
