Sete casos de uso de IA para ajudar os gestores de ativos a aumentar a eficiência e a produtividade em face de ventos contrários no mercado

Stuart Grant é o responsável pelos Mercados de Capitais, Gestão de Ativos e Património na SAP.

Descubra as principais notícias e eventos fintech!

Inscreva-se na newsletter da FinTech Weekly

Lida por executivos da JP Morgan, Coinbase, Blackrock, Klarna e outros

Desde a compressão de taxas até mudanças desfavoráveis nas condições macroeconómicas, passando por investimentos tecnológicos crescentes que ainda não deram os resultados esperados, as organizações de gestão de ativos enfrentam ventos contrários significativos à medida que o calendário se aproxima de 2026.

Numa 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 como resultado de fatores como estes.

Mas uma válvula de alívio da pressão está à mão na forma de implementações de inteligência artificial direcionadas e bem posicionadas. A IA, nas suas várias formas — generativa, agentiva, etc. — está a começar a demonstrar valor numa gama de casos de uso de front-office, middle-office e back-office, dando aos gestores de ativos os meios para capturar novos ganhos de produtividade e eficiência, para identificar e capitalizar sobre novas oportunidades de negócios lucrativas antes da concorrência. Na sua análise, que se baseia numa pesquisa a executivos de nível C de empresas de gestão de ativos na América do Norte e na Europa, a McKinsey determinou que, para um gestor de ativos médio, o impacto potencial da IA, da IA generativa e da IA agentiva “pode ser transformador, equivalente a 25 a 40 por cento da sua base de custos.”

O desafio para as organizações de gestão de ativos, portanto, é determinar onde dentro das suas organizações a IA pode proporcionar o maior valor.

Implementando IA para Máximo Impacto

As empresas em todo o setor de gestão de ativos estão a empregar IA em várias frentes. Grande parte dessa atividade está a ocorrer dentro de organizações maiores, que têm os recursos profundos para desenvolver as suas próprias capacidades em torno de modelos de linguagem de grande dimensão, com agentes de IA direcionados e afins. Mas o outro lado da moeda da IA é que também pode ajudar os gestores de ativos fora das maiores organizações de Tier One a competir em condições mais equitativas contra essas empresas maiores.

Além disso, embora muitas organizações concentrem os seus investimentos em casos de uso de IA voltados para o cliente, é importante não negligenciar as oportunidades de criar valor com outras implementações de IA escaláveis em todo o front, middle e back office. Em vez de procurar soluções pontuais que podem não se integrar bem umas com as outras, a abordagem mais sábia para gerar valor a partir da IA pode ser direcionar investimentos que dissolvam as barreiras virtuais entre as três camadas de escritório para criar eficiências, aumentar a produtividade, simplificar processos e informar melhor o planejamento e a estratégia.

Em resumo, procure casos de uso de IA que incentivem — e possam aproveitar — o movimento mais livre de dados ao longo de uma organização. Aqui está uma seleção que parece especialmente promissora:

1. Automatizar e acelerar o fechamento financeiro e outras funções financeiras. A área financeira tem historicamente sido uma área repleta de processos manuais. Com a ajuda de agentes de IA, as organizações de gestão de ativos têm a oportunidade de automatizar muitos dos processos em torno da função financeira, incluindo o fechamento financeiro, bem como AR, AP, reconciliação de faturas e afins. Nesses cenários, a IA pode apoiar a automação melhorada do movimento de dados. Também pode fornecer aos utilizadores de negócios financeiros notificações proativas — e cenários acionáveis — para problemas potencialmente não vistos com excedentes/deficits de capital, ajustes de balanço e afins.

2. Melhorar a gestão de risco através de uma verdadeira alocação com a finança. Os dados do back office podem ser imensamente valiosos para as equipas de gestão de risco no middle office. Essas equipas podem usar dados sobre participações de investidores, fluxos de caixa, liquidez de mercado, margem/colateral, etc., combinados com dados de perfil de cliente e comunicações para identificar sinais precoces de resgates de clientes e risco de liquidez associado.

3. Identificar e mobilizar rapidamente oportunidades para novas estruturas de taxas e modelos de negócio. As organizações podem solicitar às suas ferramentas de IA que pesquisem e modelem o impacto de potenciais alterações nas taxas, bem como novos modelos de negócio. O que os dados históricos sugerem sobre como uma alteração nas taxas afetaria as contas a receber? Existem oportunidades para dividir uma área existente do negócio (como classes de ativos específicas ou fundos geográficos) em duas ou mais partes, ou para agrupar clientes de maneira diferente, e se sim, quão forte é o caso de negócios para movimentos como estes?

4. Informar decisões sobre expansão em novos produtos ou geografias. A sua organização está a considerar uma mudança para um novo mercado geográfico promissor, mas relativamente arriscado. Como se saíram as mudanças passadas como estas em termos de custos esperados e reais? Quais são os impactos regulamentares e de RH prováveis de uma mudança desse tipo? Um diálogo com um assistente digital de IA generativa pode fornecer respostas valiosas a perguntas como estas, resultando em decisões estratégicas mais bem informadas.

5. Modelar cenários de “e se” em torno do impacto potencial do reequilíbrio de portfólio em ganhos futuros, bem como nas prioridades de investimento e apetite ao risco do cliente. As ferramentas de IA podem fornecer insights sobre o impacto potencial desses tipos de mudanças, ao mesmo tempo que oferecem recomendações sobre o momento ideal à luz das obrigações de contas a pagar e outros fatores. Ao fazer conexões como esta com dados, a IA ajuda a resolver desconexões de informação entre a função financeira e a gestão de portfólio do front office, apoiando um planejamento estratégico e orçamentação mais assertivos.

No caso de uma empresa com que trabalho, por exemplo, estão a tentar combinar dados de atribuição de portfólio sobre o desempenho de elementos individuais do seu portfólio com dados sobre o apetite ao risco dos clientes e estruturas de taxas. O objetivo é compreender melhor as reverberações financeiras do reequilíbrio de portfólio em relação às expectativas dos clientes e aos ganhos futuros.

6. Aumentar a produtividade. Alguns executivos de gestão de ativos com quem falei recentemente dizem que as suas organizações estão a procurar dobrar os ativos sob gestão sem aumentos materiais no número de funcionários, simplesmente aproveitando a IA e os agentes de IA de forma mais ampla em suas organizações. Estão a criar agentes de IA e a colocá-los ao lado dos funcionários — como extensões digitais desses funcionários, essencialmente. No final, os ganhos de produtividade que esses agentes oferecem permitem que empresas pequenas e médias se posicionem de forma mais competitiva em relação a empresas maiores.

7. Afiar a deteção de fraudes durante o onboarding de clientes. A IA é eficiente a escanear e validar rapidamente a autenticidade dos documentos de onboarding, identificando mesmo as mais pequenas anomalias (no tamanho da fonte, formatação de documentos, etc.) que podem sugerir que um cliente não é quem parece e, assim, requer mais triagem.

Por mais impactantes que casos de uso como estes possam ser dentro de uma organização de gestão de ativos, maximizar o seu valor depende fortemente da qualidade e acessibilidade dos dados que os alimentam. Primeiro e acima de tudo, os dados devem ser compreensíveis para humanos e máquinas de uma forma auto-serviço. Muitas vezes, as empresas extraem dados de aplicações de origem e movem-nos para um data lake. No entanto, fazer isso remove semânticas e contextos vitais específicos ao ambiente de aplicação. Sem esses metadados, a saída da IA — e o impacto geral — podem ser subótimos. Portanto, as organizações em muitos casos são melhor servidas deixando esses dados no seu ambiente de aplicação natural, juntamente com os metadados que os acompanham. Pense nos dados nessas aplicações como as baterias que alimentam a IA generativa, a IA agentiva e a análise inteligente dentro de uma organização. Quanto mais poderosas forem as baterias, melhor posicionada estará uma organização de gestão de ativos para aproveitar os seus investimentos em IA para enfrentar os ventos contrários que as confrontam.

Sobre o autor

Stuart Grant é o responsável pelos Mercados de Capitais, Gestão de Ativos e Património na SAP. Há mais de 20 anos, trabalha com dados na indústria de mercados de capitais em funções que abrangem gestão de produto, desenvolvimento de negócios e gestão de negócios.