1. IA no setor financeiro: por que a discussão sobre adotar já acabou
2. O que a IA já faz nos bancos: da previsão à ação autônoma
3. Por que o orçamento do banco ainda é orçamento de fundação
4. Do digital ao cognitivo: a IA que escala o julgamento
5. Por que a maioria das iniciativas de IA morre antes da produção
6. AI for Banking: o retrato da IA no setor financeiro e o que vem no Volume 2
No setor financeiro, a pergunta que dominou os últimos anos, adotar ou não adotar inteligência artificial, perdeu a relevância prática. A adoção já é praticamente universal. O que separa os bancos agora é a capacidade de execução: transformar um arquipélago de pilotos isolados em operação de verdade, governada e auditável. Esse é o retrato que o AI for Banking 2026, novo estudo do Distrito em parceria com a Stark Infra, traça sobre a IA no setor financeiro brasileiro e global.
O relatório percorre a distância entre o que a tecnologia promete e o que os bancos de fato entregam. E mostra que essa distância não se explica por falta de tecnologia, e sim por falta de fundação: dados, integração, arquitetura e governança. É a fundação, não a licença de mais um modelo, que determina o que consegue sair do laboratório.
Por trás desse diagnóstico está uma mudança mais profunda, a passagem da transformação digital para a transformação cognitiva, que redefine o que exatamente a inteligência artificial automatiza dentro de um banco. Este artigo organiza o que já está em operação, do uso mais simples ao mais autônomo, e o que cada degrau exige de quem decide.
IA no setor financeiro é o uso de sistemas de inteligência artificial, de modelos estatísticos de crédito a IA generativa e agentes autônomos, para executar, apoiar ou automatizar decisões e operações dentro de bancos e instituições financeiras. Diferente da automação tradicional, que segue regras fixas e entradas previsíveis, esses sistemas interpretam contexto, lidam com exceções e produzem análises que antes dependiam de julgamento humano.
A adoção dessas tecnologias deixou de ser diferencial competitivo e virou linha de base. Entre as prioridades declaradas pelos bancos brasileiros, cibersegurança aparece com 100% de relevância alta ou média, enquanto nuvem e IA generativa empatam em 84% e a IA tradicional alcança 80% (Pesquisa Febraban de Tecnologia Bancária, em parceria com a Deloitte, 2025). Quando quatro em cada cinco instituições colocam IA no topo da lista, o assunto deixou de ser aposta e virou expectativa.
O problema é que adotar não é o mesmo que escalar. Ter um piloto rodando prova que a tecnologia funciona, não que a instituição consegue operá-la em produção, com volume, auditoria e responsabilização. É nessa passagem que a maior parte do valor da IA no setor financeiro se ganha ou se perde, e é ela que o restante deste artigo destrincha.
As aplicações de inteligência artificial nos bancos podem ser lidas como uma escada de autonomia crescente. Cada degrau entrega mais valor, mas também exige mais fundação por baixo: dados mais limpos, integração mais profunda e governança mais madura. Entender em que degrau cada iniciativa de IA no setor financeiro está ajuda a calibrar expectativa e risco.
No primeiro degrau está a IA que estima probabilidades: risco de crédito, propensão a inadimplência, detecção de fraude em tempo real. São modelos que analisam grandes volumes de transações para apontar o que merece atenção antes que vire prejuízo. Bancos como Nubank e Banco do Brasil apoiam decisões de crédito e antifraude nesse tipo de modelo, que já é a camada mais consolidada de IA no setor financeiro.
Um degrau acima, a IA assume tarefas operacionais repetitivas que antes consumiam horas humanas: leitura e classificação de documentos, conciliação, preenchimento de formulários regulatórios, triagem de processos. Aqui a IA generativa amplia o alcance da automação tradicional, porque lida com linguagem natural e com documentos que não seguem um padrão rígido. Santander e Bradesco têm direcionado esforços a esse tipo de automação de back office.
O terceiro degrau é o da IA que conversa, com clientes e com funcionários. Assistentes virtuais respondem dúvidas, resolvem pendências e orientam decisões financeiras dentro do app. O assistente Erica, do Bank of America, é uma das referências globais de escala nesse formato. No Brasil, o movimento ficou explícito quando o Itaú reposicionou a própria marca para lançar a ia.i, sua IA conversacional. Copilotos internos, por sua vez, ajudam gerentes e analistas a encontrar informação e redigir pareceres mais rápido.
No topo estão os agentes: sistemas que planejam, executam e ajustam sequências de ações para atingir um objetivo, com intervenção humana apenas nos pontos de controle. Em vez de responder a um comando por vez, um agente pesquisa dados, interpreta o resultado, decide o próximo passo e reporta. É o degrau que sustenta a ideia de autonomous banking.
Casos como Morgan Stanley, Conta Simples e Decade começam a mostrar o que muda quando a máquina passa de assistente a executor. É também o degrau que mais depende de fundação, porque delegar ação sem governança é multiplicar risco.
O apetite pelo tema é real e está no balanço. O mercado global de inteligência artificial em banking deve saltar de US$ 34,6 bilhões em 2025 para US$ 451,5 bilhões em 2035, um ritmo de 29,3% de crescimento ao ano (Precedence Research, 2026).
No Brasil, os bancos devem investir R$ 50,4 bilhões em tecnologia em 2026, uma alta de 58% em cinco anos (Pesquisa Febraban de Tecnologia Bancária, com a Deloitte, 2025).
O detalhe que muda a leitura está na composição desse gasto. A linha específica de IA saiu de R$ 596 milhões em 2024 para R$ 826 milhões em 2025, um avanço de 39%. No mesmo período, cloud e modernização somaram R$ 3,9 bilhões, quase cinco vezes mais. Antes de comprar mais IA, o banco está pagando a conta de dados, nuvem e integração, que é justamente o que torna a IA utilizável em escala.
Esse gasto de base tende a valer a pena quando a fundação sustenta a operação. A adoção de IA generativa em escala pode elevar receitas em torno de 5%, reduzir custos operacionais em cerca de 8% e diminuir provisões para perdas de crédito em aproximadamente 16% nos 200 maiores bancos do mundo, o equivalente a algo próximo de US$ 289 bilhões devolvidos ao balanço (Accenture).
O prêmio não é ganho difuso de produtividade: mexe nas três linhas que definem a rentabilidade de um banco.
A transformação digital resolveu um problema de canal. Tirou o atendimento do balcão, colocou a conta no app e deu escala à distribuição de serviços financeiros. Foi uma mudança de onde as coisas acontecem, não de quem decide.
A inteligência artificial mexe em outra camada. Ela escala o julgamento, não apenas o canal: interpreta contexto, analisa a exceção que fugia do script, redige o parecer, sugere a decisão e a justifica. Onde a automação tradicional aplicava a regra, a IA no setor financeiro passa a tratar a razão por trás da regra, que é o trabalho que sempre exigiu gente experiente.
Essa distinção tem consequência prática para o emprego. O Citi GPS estima que 54% das funções bancárias têm alto potencial de automação, a maior proporção entre os setores analisados. No Brasil, o setor bancário fechou 8.910 postos em 2025, mas a área de Tecnologia da Informação teve saldo positivo, com 6.314 admissões contra 5.469 desligamentos (DIEESE, 2025). Não é um banco que emprega menos, é um banco que emprega funções diferentes.
O entusiasmo esbarra em uma estatística incômoda. Mais de 40% dos projetos de IA agêntica devem ser cancelados até o fim de 2027, por custos crescentes, valor de negócio pouco claro ou controles de risco inadequados, de acordo com a previsão do Gartner (2025). A falha, na maioria dos casos, não é técnica: os projetos são implantados sem as estruturas que os tornariam responsabilizáveis.
No diagnóstico mais comum, os sistemas legados aparecem como vilão. 68% dos diretores de tecnologia apontam o legado como a maior barreira à adoção de IA (Caspian One, 2025). O AI for Banking argumenta que esse diagnóstico é incompleto: o segundo gargalo, organizacional, é quase invisível e explica por que resolver só o primeiro não basta.
Do lado do risco, apenas 12% dos diretores de risco descrevem seus arcabouços de governança de IA como altamente desenvolvidos (Distrito, AI for Banking, 2026).
É por isso que governança deixa de ser freio e passa a ser transmissão. Ela é a camada que converte piloto em produção e autonomia em delegação segura. Bancos que trataram governança como etapa final acumularam experimentos; os que a trataram como pré-requisito de arquitetura conseguiram sair do piloto e chegar à produção.
Uma peça central dessa fundação é o que o relatório chama de Company Brain, a camada de contexto compartilhada entre agentes. Sem ela, cada novo caso de uso chega com a própria memória e o próprio contexto, e a instituição fica mais automatizada sem ficar mais inteligente. Com ela, cada projeto passa a aumentar a capacidade de todos os próximos.
O AI for Banking Volume 1 é um panorama completo e independente, construído a partir de fontes públicas, dados setoriais e casos reais. Ele vai do estado do mercado às aplicações organizadas por autonomia, e chega a governança, regulação e o que o Brasil, com Pix e Open Finance, tem de laboratório natural para a próxima curva. São mais de 60 páginas para entender onde a inteligência artificial nos bancos realmente está, e é material gratuito.
O Volume 1 é a largada. Em seguida vem o Volume 2, com uma pesquisa proprietária e inédita do Distrito com bancos, aprofundando o tema de infraestrutura: dados, integração e arquitetura, exatamente a fundação que este panorama sobre IA no setor financeiro aponta como decisiva. Quem trabalha em banco nas áreas de tecnologia, dados, inovação ou negócios pode responder à pesquisa e receber os insights antes de todo mundo.
O retrato que emerge do AI for Banking é o de um setor que já não discute se vai usar IA, e sim se consegue operá-la. A tecnologia está disponível, o orçamento cresce e o prêmio financeiro é claro. O que ainda falta, na maioria das instituições, é a fundação que transforma capacidade em operação.
A diferença entre os bancos que escalam e os que acumulam pilotos não está no modelo escolhido nem no tamanho do orçamento, e sim na ordem das decisões: fundação antes de autonomia, governança antes de delegação. Para quem decide, isso significa tratar dados, integração e governança como pré-requisito de arquitetura, não como etapa final de um projeto que já nasceu no escuro.
Para se aprofundar mais no tema, os dados aqui apresentados e muitos outros, incluindo cases práticos, estão disponíveis nas mais de 60 páginas que compõem o volume 1 do AI for Banking 2026. Clique aqui para ler gratuitamente!
