Processo de avaliação de crédito habilitado por IA Agentic: Um Plano Estratégico

Bhushan Joshi, Dr Manas Panda, Raja Basu

Descubra as principais notícias e eventos de fintech!

Inscreva-se na newsletter da FinTech Weekly

Lido por executivos da JP Morgan, Coinbase, Blackrock, Klarna e mais

A indústria de serviços financeiros está passando por uma mudança de paradigma, à medida que a IA generativa (GenAI) e os sistemas de IA agentes redefinem os fluxos de processos de negócios - a decisão de crédito sendo uma delas. Os bancos estão agora adotando sistemas impulsionados por IA que melhoram a precisão preditiva enquanto automatizam simultaneamente fluxos de trabalho complexos. Este artigo explora como a GenAI e a IA agente podem ser implantadas estrategicamente no processo de avaliação de crédito, melhorando significativamente o nível de eficiência e automação, ao mesmo tempo que aborda considerações de governança, risco e conformidade.

A Vantagem da GenAI: Enriquecimento Inteligente de Dados

Os dados são a alma da avaliação de crédito. Os bancos e instituições financeiras avaliam e analisam uma grande quantidade de elementos de dados utilizando modelos logísticos e heurísticos. Com a GenAI, esse processo deu um salto, pois os modelos GenAI proporcionaram a capacidade de avaliar dados não estruturados, gerando insights valiosos. A geração de dados sintéticos para simular cenários antecipadamente é outra mudança chave no processo de avaliação.

Os modelos GenAI destacam-se na análise de informações não estruturadas transformando-as em dados estruturados. Essa capacidade permite a extração de atributos-chave, como consistências de rendimento, inconsistências de pagamento, dados de emprego, gastos discricionários, etc., que podem fornecer insights críticos na avaliação de subscrição.

A geração de dados sintéticos é uma capacidade que os modelos GenAI oferecem, que pode ser aproveitada para modelagem robusta e fins de validação. Isso pode ajudar a mitigar a escassez de dados em casos extremos. Modelos de IA podem ser usados para definir cenários extremos, adicionar critérios mais sutis - reservas de liquidez, volatilidade de rendimento, etc. - e podem ser validados com dados sintéticos. Esses dados que preservam a privacidade aumentam a generalizabilidade e a resiliência do modelo em relação a riscos extremos.

Sistemas GenAI multimodais podem sinalizar inconsistências - como discrepâncias entre rendimento declarado, registros fiscais, extratos bancários, etc. por meio de comparação e contraste. Essas atividades manuais e que consomem tempo podem ser aceleradas com uma melhor conformidade, detectando lacunas e melhorando a integridade dos dados.

IA Agente: Orquestrando Fluxos de Trabalho Autônomos

Enquanto os sistemas GenAI multimodais facilitam a integridade dos dados, criam e validam cenários extremos, a mesh de IA agente orienta com fluxos de trabalho autônomos.

A IA agente avançou ainda mais o processo de avaliação com a tomada de decisões autônomas de tarefas discretas. A mesh de IA agente, composta por múltiplos agentes especialistas, é capaz de realizar várias tarefas discretas simultaneamente. Verificação de identidade, recuperação e validação de documentos, avaliação de métricas, validação de dados externos, verificações de bureau de crédito, análise psicométrica, etc., para citar alguns, podem ser realizados simultaneamente por agentes especializados. Cada agente opera com objetivos definidos, métricas de sucesso e protocolos de escalonamento, tornando o processo mais rápido e com maior precisão.

Essa mesh agente impõe lógica de negócios, invoca modelos preditivos e roteia aplicações com base em limites de confiança, automatizando os fluxos de trabalho do processo de forma dinâmica. Por exemplo, decisões de baixa confiança ou anomalias sinalizadas são automaticamente escaladas para subscritores humanos em loop, com alertas enviados através de sistemas de mensagens para que atuem. Simultaneamente, sistemas agentes podem monitorar proativamente aplicações, detectar contradições e iniciar mecanismos de remediação. Da mesma forma, se o perfil de crédito de um candidato cair em uma zona cinza, isso pode acionar automaticamente uma revisão secundária ou solicitar documentação adicional ou trazer um humano para o loop.

Um exemplo: um grande banco global implementou recentemente um processo totalmente automatizado de gestão de casos a partir de e-mails de clientes - registrando casos, invocando fluxos de trabalho, mensagens com rastreamento de status e comunicação - reduzindo o esforço e o tempo de processamento para metade do anterior.

Para completar, a capacidade de NLP permite que os agentes conversem com os candidatos em tempo real, esclarecendo ambiguidades, coletando dados faltantes e resumindo os próximos passos - em múltiplas línguas e ativado por voz conforme necessário. Isso reduz a fricção e melhora as taxas de conclusão, particularmente para segmentos de clientes hesitantes e desatendidos.

Arquitetura Híbrida: Equilibrando Precisão e Explicabilidade

As tecnologias GenAI e IA agente estão projetando fluxos de processos e arquitetura - melhorando a eficiência enquanto equilibram a precisão e a explicabilidade dos resultados.
Uma arquitetura híbrida que combina IA agente com modelos GenAI aumenta o poder preditivo com dados mais ricos e melhor transparência regulatória. Combinar agentes de IA também aumenta a robustez e as capacidades de execução automatizada sem costura.

Enquanto a GenAI pode gerar explicações contrafactuais - cenários “e se” ilustrando como os candidatos podem melhorar sua elegibilidade para empréstimos, os sistemas agentes podem coletar dados de resultados, curar casos extremos e iniciar ciclos de re-treinamento. Esse processo de auto-aprendizagem adaptativa com conjuntos de dados mais limpos e cenários extremos plausíveis melhora a precisão do processo de avaliação de elegibilidade de empréstimos dos clientes.

Chamada à ação: Construindo Sistemas de IA Confiáveis para uma avaliação mais precisa

Avaliar a elegibilidade para empréstimos é um processo complexo que impacta a experiência do cliente e o relacionamento comercial a longo prazo. Algumas recomendações chave a ter em mente, enquanto se redesenha o fluxo, são a) Uma arquitetura com humano no loop para melhorar o processo de tomada de decisão geral com rastreabilidade e explicabilidade, b) Identificar e mapear corretamente os resultados das decisões para os recursos associados a fim de abordar preocupações de interpretabilidade e auditoria, c) Implementar salvaguardas de IA responsáveis, como controles de acesso baseados em funções, matriz de escalonamento, etc. melhoraria a resiliência do processo.

Conclusão

O processo de decisão de crédito está em um ponto de inflexão com a GenAI e a IA agente redefinindo os fluxos de processos de negócios - tornando o ecossistema de empréstimos mais eficiente e resiliente. As instituições financeiras que investirem em um design cuidadoso, governança rigorosa e modelos de dados robustos automatizando casos de uso de alto risco liderarão a próxima era de subscrição inteligente.