Sete casos de uso de IA para ajudar gestores de ativos a aumentar eficiência e produtividade diante de ventos contrários do mercado

Stuart Grant é Chefe de Mercados de Capitais, Gestão de Ativos e Patrimônio na SAP.

Descubra as principais notícias e eventos de fintech!

Inscreva-se na newsletter da FinTech Weekly

Lida por executivos do JP Morgan, Coinbase, Blackrock, Klarna e mais

De compressão de taxas a mudanças desfavoráveis nas condições macroeconômicas e investimentos crescentes em tecnologia que ainda não deram retorno esperado, organizações de gestão de ativos enfrentam obstáculos significativos à medida que o calendário se aproxima de 2026.

Em uma análise de 2025 da indústria global de gestão de ativos, a McKinsey & Company descobriu, por exemplo, que as margens dos gestores de ativos diminuíram em três pontos percentuais na América do Norte e cinco pontos percentuais na Europa nos últimos cinco anos devido a fatores como esses.

Mas uma válvula de alívio está à disposição na forma de implantações direcionadas e bem posicionadas de inteligência artificial. A IA em suas várias formas — generativa, agentic, etc. — está começando a demonstrar valor em uma variedade de casos de uso de front, middle e back-office, dando aos gestores de ativos os meios de captar novos ganhos de produtividade e eficiência, identificar e capitalizar novas oportunidades de negócios lucrativas antes da concorrência. Em sua análise, baseada em uma pesquisa com executivos de nível C de empresas de gestão de ativos na América do Norte e Europa, a McKinsey determinou que, para um gestor de ativos médio, o impacto potencial da IA, IA generativa e IA agentic “poderia ser transformador, equivalente a 25 a 40 por cento de sua base de custos.”

O desafio para as organizações de gestão de ativos, então, é determinar onde dentro de suas estruturas a IA pode oferecer o maior valor.

Implantando IA para Impacto Máximo

Empresas de todo o setor de gestão de ativos estão empregando IA em várias frentes. Grande parte dessa atividade ocorre dentro de organizações maiores que possuem recursos profundos para desenvolver suas próprias capacidades em modelos de linguagem grande, agentes de IA direcionados e similares. Mas o outro lado da moeda da IA é que ela também pode ajudar gestores de ativos fora das maiores organizações de Tier Um a competir em pé de igualdade contra essas empresas maiores.

Além disso, enquanto muitas organizações concentram seus investimentos em casos de uso de IA voltados ao cliente, é importante não negligenciar as oportunidades de criar valor com outras implementações escaláveis de IA em front, middle e back offices. Em vez de buscar soluções pontuais que podem não se integrar bem entre si, a abordagem mais inteligente para gerar valor com IA pode ser direcionar investimentos que dissolvam as barreiras virtuais entre as três camadas de escritórios, criando eficiências, fortalecendo a produtividade, simplificando processos e informando melhor o planejamento e a estratégia.

Resumindo, procure casos de uso de IA que incentivem — e possam aproveitar — o movimento mais livre de dados por toda a organização. Aqui estão alguns que parecem especialmente promissores:

1. Automatizar e acelerar o fechamento financeiro e outras funções financeiras. Finanças historicamente têm sido uma área repleta de processos manuais. Com a ajuda de agentes de IA, organizações de gestão de ativos têm a oportunidade de automatizar muitos processos relacionados à função financeira, incluindo o fechamento financeiro, bem como contas a receber, contas a pagar, reconciliação de faturas e similares. Nesses cenários, a IA pode apoiar a automação aprimorada do movimento de dados. Também pode fornecer aos usuários de negócios financeiros notificações proativas — e cenários acionáveis — para problemas potencialmente não detectados, como excedentes/deficiências de capital, ajustes no balanço patrimonial, etc.

2. Melhorar a gestão de riscos por meio de alinhamento verdadeiro com as finanças. Dados do back office podem ser extremamente valiosos para as equipes de gestão de risco no middle office. Essas equipes podem usar dados sobre participações de investidores, fluxos de caixa, liquidez de mercado, margem/garantia, etc., combinados com dados de perfil e comunicação com clientes, para identificar sinais precoces de resgates de clientes e riscos de liquidez associados.

3. Identificar e mobilizar rapidamente oportunidades para novas estruturas de taxas e modelos de negócios. Organizações podem solicitar às suas ferramentas de IA que pesquisem e modelem o impacto de possíveis mudanças de taxas, bem como novos modelos de negócios. O que os dados históricos sugerem sobre como uma mudança de taxa impactaria as contas a receber? Existem oportunidades de dividir uma área existente do negócio (como fundos de classe de ativos específicos ou regiões geográficas) em duas ou mais partes, ou de categorizar clientes de forma diferente, e, em caso afirmativo, qual é a força do argumento de negócio para essas mudanças?

4. Informar decisões sobre expansão para novos produtos ou regiões. Sua organização está considerando entrar em um mercado geográfico promissor, mas relativamente arriscado. Como essas mudanças anteriores se saíram em termos de custos previstos e reais? Quais são os impactos regulatórios e de RH mais prováveis de uma mudança assim? Um diálogo com um assistente digital de IA generativa pode fornecer respostas valiosas a essas perguntas, resultando em decisões estratégicas melhor informadas.

5. Modelar cenários do tipo “e se” sobre o impacto potencial do reequilíbrio de portfólio no futuro, bem como nas prioridades de investimento e na tolerância ao risco dos clientes. Ferramentas de IA podem fornecer insights sobre o impacto potencial dessas mudanças, além de oferecer recomendações sobre o momento ideal, considerando obrigações de contas a pagar e outros fatores. Ao fazer conexões como essa com dados, a IA ajuda a resolver desconexões de informações entre a função financeira e a gestão de portfólio de front-office, apoiando um planejamento estratégico e orçamentário mais preciso.

No caso de uma empresa com a qual trabalho, por exemplo, eles buscam combinar dados de atribuição de portfólio sobre o desempenho de elementos individuais de seu portfólio com dados sobre a tolerância ao risco e estruturas de taxas dos clientes. O objetivo é entender melhor as reverberações financeiras do reequilíbrio de portfólio em relação às expectativas dos clientes e aos lucros futuros.

6. Aumentar a produtividade. Alguns executivos de gestão de ativos com quem conversei recentemente dizem que suas organizações estão buscando dobrar os ativos sob gestão sem aumentos materiais na equipe, simplesmente aproveitando a IA e agentes de IA de forma mais ampla em suas organizações. Eles estão criando agentes de IA e colocando-os ao lado dos funcionários — como extensões digitais desses funcionários, essencialmente. No final, os ganhos de produtividade que esses agentes proporcionam permitem que empresas pequenas e médias tenham peso suficiente para competir de forma mais equilibrada com empresas maiores.

7. Aperfeiçoar a detecção de fraudes durante a integração de clientes. A IA é hábil em escanear rapidamente e validar a autenticidade de documentos de onboarding, identificando até mesmo as menores anomalias (como tamanho da fonte, formatação de documentos, etc.) que podem indicar que um cliente não é quem parece ser e, portanto, requer uma triagem mais rigorosa.

Por mais impactantes que esses casos de uso possam ser dentro de uma organização de gestão de ativos, maximizar seu valor depende fortemente da qualidade e acessibilidade dos dados que os alimentam. Antes de tudo, os dados devem ser compreensíveis para humanos e máquinas de forma autônoma. Muitas vezes, as empresas extraem dados de aplicações fonte e os transferem para um lago de dados. No entanto, isso remove semânticas e contextos vitais específicos do ambiente de aplicação. Sem esses metadados, a saída da IA — e seu impacto geral — pode ser subótima. Portanto, muitas organizações se beneficiam mais ao deixar esses dados em seu ambiente de aplicação natural, junto com os metadados acompanhantes. Pense nesses dados como as baterias que alimentam a IA generativa, IA agentic e análises inteligentes dentro de uma organização. Quanto mais potentes as baterias, melhor posicionada estará uma organização de gestão de ativos para aproveitar seus investimentos em IA para superar os obstáculos que enfrentam.

Sobre o autor

Stuart Grant é Chefe de Mercados de Capitais, Gestão de Ativos e Patrimônio na SAP. Há mais de 20 anos trabalha com dados na indústria de mercados de capitais, atuando em gestão de produtos, desenvolvimento de negócios e gestão empresarial.