a16z: Conformidade está em toda parte, uma oportunidade enorme no setor de IA

Autor: James da Costa, Angela Strange; Fonte: a16z; Tradução: Shaw, Golden Finance

Nos últimos vinte anos, as profissões que mais cresceram nos Estados Unidos foram manicure e pedicure.

E logo atrás, vem o especialista em conformidade.****

O volume de negócios de conformidade é muito maior do que a maioria imagina. Cada fluxo de entrada e saída de fundos das empresas está sob supervisão regulatória: pagamento de salários deve cumprir regulamentos salariais, declaração de receita deve atender às exigências fiscais, transferências de fundos devem seguir regras de pagamento e combate à lavagem de dinheiro, além de verificação de identidade do cliente. Em setores altamente regulados, até mesmo a forma e a frequência de comunicação entre empresas e clientes entram na gestão de conformidade.

Atualmente, mais de 400 mil profissionais de conformidade estão empregados nos EUA, com gastos anuais relacionados a recursos humanos ultrapassando 40 bilhões de dólares, além de custos adicionais de centenas de bilhões de dólares com consultorias e terceirizações. No setor bancário, por exemplo, entre 2010 e 2014, o número de novas regulamentações na Seção 12 do Código Federal de Regulamentações (bancos e operações bancárias) ultrapassou todo o conteúdo dessa seção em 1980.

Apesar da forte demanda de mercado, a oferta de talentos na área de conformidade permanece escassa. O Bureau de Estatísticas do Trabalho dos EUA prevê que, nos próximos dez anos, a lacuna de profissionais será superior a 33.300 por ano. A situação se agrava pelo fato de que 87% dos novos profissionais na área acabam deixando o setor, com uma rotatividade anual superior a 20%, criando um ciclo de contratação contínua e perda de especialistas.

Com o ambiente de negócios global cada vez mais complexo, as empresas enfrentam uma quantidade crescente de requisitos legais e regulatórios, mas suas respostas continuam bastante uniformes: simplesmente aumentam a equipe para resolver os problemas.

Porém, a realidade mostra que aumentar a equipe não traz os resultados desejados. Por exemplo, o TD Bank foi multado em 3 bilhões de dólares em 2024 por não conseguir monitorar efetivamente 92% de suas transações. Desde 2018, o banco acumulou até 70 mil alertas de risco, sem conseguir tratá-los de forma eficiente.

O TD Bank não é um caso isolado. Nos últimos dez anos, quase todas as grandes instituições financeiras enfrentaram problemas de expansão contínua de suas equipes e acúmulo de tarefas, enquanto suas operações ainda dependem fortemente de trabalho manual, dificultando melhorias.

O trabalho de conformidade é trabalhoso: processos complexos, burocracia excessiva e dependência de materiais em papel, o que mantém a maior parte das operações manuais e altos custos de pessoal. Essas dores de cabeça e a inércia do setor fazem da conformidade uma “área de desastre” para startups.

Por que a situação está mudando agora?

1. Transformação tecnológica: de “apenas em fase de teste” para “confiável”

Se um produto é apenas “funcional”, seu mercado é limitado; mas uma vez aperfeiçoado ao máximo, sua escala pode crescer cem vezes. Essa lógica vale para conformidade: produtos com 90% de precisão ainda não atendem às exigências.**

O processamento de documentos é uma das etapas centrais do trabalho de conformidade — e um exemplo clássico. A tecnologia de Reconhecimento Óptico de Caracteres (OCR) existe há décadas e consegue reconhecer textos com alta precisão. Mas, em cenários como análise de hipotecas, acesso a empresas ou verificação de indenizações de seguros, “suficientemente bom” não é suficiente. Hoje, modelos de linguagem visual (VLM) não apenas reconhecem o conteúdo, mas também compreendem o contexto geral do documento, reduzindo drasticamente os erros. Como resultado, muitas empresas estão adotando essas tecnologias em larga escala e firmando parcerias. Isso não é uma simples atualização técnica, mas uma mudança de paradigma: de “apenas para testes” para “suficientemente confiável para operações essenciais”.

Além disso, a inteligência artificial possui várias capacidades poderosas: primeiro, consegue ler, extrair informações e fazer análises lógicas com precisão quase humana, seja em documentos de registro de empresas, relatórios financeiros ou PDFs de regulamentos de 400 páginas. Segundo, agentes inteligentes podem operar sistemas legados como se fossem humanos, sem esperar por interfaces ou meses de integração. Terceiro, suportam tarefas de longo prazo, executando toda a cadeia de trabalho: buscar dados, cruzar informações, marcar anomalias, gerar e enviar relatórios, tudo de ponta a ponta, sem intervenção manual.

No campo jurídico, a variedade de grandes modelos cresce e sua precisão se mantém alta, o que encoraja as equipes do setor a adotá-los de forma mais ampla. Atualmente, vários modelos de linguagem alcançam entre 80% e 100% de acertos em 162 tarefas de raciocínio jurídico do benchmark LegalBench. Isso é importante para conformidade, pois seu núcleo é aplicar lógica jurídica sob restrições de negócios reais: interpretar regulamentos, aplicar regras a situações concretas, identificar anomalias e marcar cláusulas ambíguas.

2. Ciclo de vendas: de lento a rápido

Hoje, o risco de não atualizar o sistema de conformidade supera o risco de uma transformação empresarial. Por muito tempo, empresas reguladas usaram ferramentas de governança, risco e conformidade (GRC) complexas e sistemas antigos com baixa estabilidade. A resistência à migração é grande, pois uma falha em auditorias pode ser cara. Assim, manter o status quo, mesmo que “suficientemente bom”, parece mais seguro.

A inteligência artificial mudou esse cenário radicalmente. O setor de conformidade deixa de ser apenas um centro de custos e passa a gerar receita. No setor financeiro, a eficiência na verificação de identidade (KYC/B) melhora, reduzindo o tempo de abertura de contas, a rotatividade de clientes e acelerando receitas. A otimização do combate à lavagem de dinheiro diminui falsos positivos, evitando marcar clientes legítimos e fortalecendo relacionamentos. A revisão de conteúdo de marketing fica mais rápida, permitindo que anúncios cheguem ao público mais cedo.

Isso também altera a lógica competitiva: empresas que digitalizam suas operações de conformidade não só reduzem custos, mas também conquistam clientes que seus concorrentes mais lentos não conseguem reter. A disputa atual não é apenas por tecnologia de IA, mas por quem consegue usá-la melhor.

Além disso, com agentes inteligentes se tornando uma operação padrão na internet, surgem novos riscos. Sistemas tradicionais de conformidade são projetados para humanos. Quando os adversários passam a usar agentes autônomos, é preciso desenvolver novas soluções de IA para verificar identidades, entender intenções e definir responsabilidades.

Essas mudanças fazem com que departamentos de conformidade, que antes evitavam softwares especializados, agora adotem ativamente ferramentas digitais.

Componentes do sistema de conformidade

Todo setor regulado organiza seu trabalho de conformidade em três partes principais:

• Regras regulatórias: leis externas, políticas internas e a interpretação e conexão entre elas.

• Sistemas de software: implementam as regras em programas, incluindo plataformas GRC, sistemas de gestão de casos, ferramentas de triagem de sanções e automações tradicionais. Esses sistemas geralmente são pouco estáveis.

• Pessoal de execução: operam os sistemas de acordo com as regras, realizando análise de documentos, preenchimento de formulários, cruzamento de dados e elaboração de relatórios.

O trabalho de conformidade consiste, na maior parte, em extrair informações de documentos, verificar manualmente a precisão dos dados e monitorar continuamente, repetindo essas tarefas periodicamente.

Por exemplo, no caso de relatórios de atividades suspeitas (SAR) no setor bancário: quando o sistema NICE Actimize emite um alerta de transação suspeita, a especialista em conformidade, Sara, realiza a investigação. Ela acessa o sistema bancário principal, consulta o histórico completo da transação, e verifica dados de identidade, documentos de abertura de conta e fontes de fundos em bancos de dados independentes e compartilhados. Depois, avalia se a transação atende aos critérios de relatório de atividade suspeita, tomando uma decisão. Por fim, ela volta ao NICE Actimize, escreve a justificativa e copia manualmente informações de diferentes sistemas para montar o relatório.

Cada uma dessas etapas pode ser uma oportunidade de entrada para startups de IA.

3. Transformar regras regulatórias em código

O Código Federal de Regulamentações dos EUA, Seção 12 (que cobre o Federal Reserve, FDIC, OCC, entre outros), além de regulamentos estaduais, é publicado em PDFs. Antes, era preciso ler, interpretar e transformar manualmente em políticas internas, além de acompanhar mudanças.

A inteligência artificial pode converter essas regras em códigos padronizados, armazenando-os de forma estruturada, atualizando automaticamente e permitindo que agentes inteligentes os executem. Um documento de 400 páginas pode ser decomposto em uma lista clara de obrigações de conformidade, que o sistema verifica automaticamente. Assim, as regras deixam de ser apenas documentos para leitura humana e passam a ser lógica de execução por programas. Isso traz duas mudanças principais: o monitoramento de conformidade passa a ser contínuo, e a implementação de novas regras em toda a empresa leva minutos, não meses.

Por exemplo, no cenário de folha de pagamento no Brasil, o especialista precisa consultar o site do governo várias vezes, atualizar planilhas com dados de funcionários e recalcular salários manualmente.

Caso de uso: Tako criou um sistema inteligente que traduz as complexas leis trabalhistas brasileiras (com mais de 10.000 sindicatos e quase 900 mudanças anuais) em uma plataforma automatizada. Essa ferramenta verifica automaticamente a conformidade salarial, responde a dúvidas operacionais em linguagem natural e alerta antes de violações ocorrerem.

2. Substituir sistemas antigos completamente

Muitos sistemas de conformidade foram criados antes da era da computação em nuvem, e ainda dependem de copiar e colar informações entre plataformas diferentes. Isso mantém a eficiência baixa, pois humanos fazem a conexão entre sistemas. Além disso, trocar esses sistemas leva anos, com altos riscos e custos, e os responsáveis por riscos geralmente não aprovam projetos de migração.

Com o tempo, muitas empresas, especialmente bancos, acumularam uma dívida tecnológica de décadas, que hoje impede a adoção de IA.

Hoje, há três principais opções para a transformação digital:

1. Manter os sistemas atuais, usando arquiteturas headless: continuar usando os sistemas existentes como backend, construindo agentes inteligentes ou interfaces novas por cima.

2. Desenvolver sistemas próprios: reconstruir do zero os sistemas principais, incluindo modelos de dados, permissões, processos, integrações e auditoria.

3. Comprar plataformas de IA nativas: migrar para plataformas de nova geração, projetadas para agentes inteligentes, leitura automática e orquestração de processos.

Se os sistemas atuais armazenam dados essenciais de conformidade, conectam dezenas de fontes internas e externas, e representam anos de lógica de negócio, muitas empresas preferem a primeira opção por questões de risco. Mas essa abordagem é passiva: enquanto os concorrentes reduzem custos e aumentam receitas com IA, a limitação de sistemas antigos dificulta até mesmo a implementação de ferramentas básicas, como agentes de voz que leem programas antigos dos anos 90.

Hoje, substituir sistemas tradicionais não só é viável, como é uma condição essencial para liberar o potencial da IA. Sistemas antigos foram feitos para operações manuais: dados isolados, difícil acesso, regras codificadas de forma rígida, atualizações lentas, processos em lote e sem resposta em tempo real. Exemplos incluem o sistema bancário central Jack Henry, a plataforma de monitoramento NICE Actimize e o sistema de supervisão de comportamento de funcionários Smarsh.

Casos de uso:

• Valon (serviços de hipoteca): criou um sistema de hipotecas do zero, que aumentou a margem de lucro de um negócio de equilíbrio de 0% para mais de 60%. Encapsulou processos complexos em ValonOS, um sistema operacional de IA nativo, com processos padronizados, registros auditáveis e operações programáveis, substituindo mais de 25 sistemas antigos. Essa plataforma já é licenciada para o setor de hipotecas, com mais de mil bilhões de dólares em volume. Quanto mais clientes, maior o efeito de dados e mais as capacidades de agentes inteligentes evoluem.

• Vesta (concessão de empréstimos hipotecários): integra as regras do CFPB (TRID, HMDA, etc.) e as exigências estaduais, além de coordenar declarações de conformidade federais e estaduais. Atualizações de regras podem ser feitas apenas por push de código, sem grandes implementações. Os credores podem fazer auditorias precisas e melhorar a eficiência operacional em 25% a 50%.

• Sardine (fraudes e monitoramento de transações): substitui gradualmente o NICE Actimize. Baseado em nuvem, consegue bloquear fraudes em tempo real e realizar análises complexas de lavagem de dinheiro. Seus agentes inteligentes, alimentados por dados em tempo real, aumentaram a eficiência de conformidade em quase 30 vezes. Por exemplo, o sistema de resumo de relatórios de atividades suspeitas (SAR) captura informações de vários sistemas, preenchendo automaticamente de 60 a 100 campos, reduzindo o tempo de submissão de 30 minutos para menos de 1 minuto.

3. Colaboração homem-máquina, potencializando o trabalho humano

O núcleo do trabalho de conformidade sempre foi a repetição de três tarefas: análise de documentos, revisão de processos e monitoramento contínuo.

Antes, a única forma de conectar essas etapas era por meio de operações manuais em sistemas antigos, mas agentes inteligentes resolvem esse problema.

Por exemplo, na abertura de contas bancárias: o especialista precisa revisar e extrair informações de documentos (RG, passaporte, registros empresariais) e relatórios financeiros, inserir dados em vários sistemas legados e verificar listas de sanções e registros de empresas. Com IA, todo o processo pode ser automatizado: análise instantânea de documentos, verificação simultânea em múltiplas bases de dados, com apenas as exceções sendo revisadas manualmente.

Caso de uso:

A Factor Labs não substituiu o sistema, mas criou uma camada superior de aplicação. Seu agente inteligente automatiza a resolução de disputas de estorno para bancos e plataformas de pagamento. Cada tarefa segue um manual personalizado, simulando a análise humana: acessa e-mails, planilhas, plataformas antifraude, coleta documentos, organiza em Word e envia em PDF ao cliente.

Conclusão

Essas três abordagens têm valor prático, e no futuro, a maioria das novas plataformas combinará as três. As empresas podem escolher o melhor ponto de entrada, dependendo do cenário:

1. Cenários com mudanças frequentes nas regras: se a operação abrange várias jurisdições ou as mudanças são rápidas, ou se as penalidades e inspeções exigem ajustes frequentes, priorize transformar regras em código.

2. Substituição de sistemas principais: quando há oportunidades de mercado novas, sem concorrentes fortes, ou quando os sistemas antigos têm custos altos e difícil renovação, a substituição completa é a melhor estratégia.

3. Foco em resultados, tarefas acumuladas ou escassez de pessoal: quando o trabalho de conformidade exige relatórios, declarações ou certificações, a prioridade é reforçar a força de trabalho com agentes inteligentes, que operam 24/7 sem erros, eliminando tarefas acumuladas (como os 70 mil alertas do TD Bank).

No longo prazo, essas três estratégias tendem a convergir. As empresas líderes do setor irão implementar simultaneamente a codificação de regras, o controle de novos sistemas essenciais e a implantação em larga escala de agentes inteligentes.