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 Diretor de Mercados de Capitais, Gestão de Ativos e Gestão Patrimonial na SAP.

Descubra as principais notícias e eventos de fintech!

Subscreva a newsletter do FinTech Weekly

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

Da compressão de taxas a alterações desfavoráveis nas condições macroeconómicas, passando por investimentos crescentes em tecnologia que ainda não deram os resultados esperados, as organizações de gestão de ativos enfrentam ventos contrários significativos à medida que o calendário avança para 2026.

Numa análise de 2025 sobre a indústria global de gestão de ativos, a McKinsey & Company constatou, por exemplo, que as margens dos gestores de ativos diminuíram três pontos percentuais na América do Norte e cinco pontos percentuais na Europa nos últimos cinco anos, devido a fatores como estes.

Mas existe uma “válvula de alívio” prestes a ser acionada, sob a forma de implantações direcionadas e bem posicionadas de inteligência artificial. A IA, nas suas várias formas — generativa, agentica, etc. — começa a demonstrar valor em diversos casos de utilização de front-, middle- e back-office, dando aos gestores de ativos meios para capturar novos ganhos de produtividade e eficiência, identificar e capitalizar novas oportunidades de negócio lucrativas antes da concorrência. Na sua análise, baseada num inquérito a executivos de nível C nas empresas de gestão de ativos em toda a América do Norte e a Europa, a McKinsey determinou que, para um gestor de ativos médio, o potencial impacto da IA, da IA generativa e da IA agentica “poderia ser transformador, equivalente a 25 a 40 por cento da sua base de custos”.

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

Implementar IA para um Impacto Máximo

As empresas em todo o ecossistema da gestão de ativos estão a empregar IA em diferentes frentes. Grande parte dessa atividade ocorre em organizações maiores, com recursos profundos para desenvolver as suas próprias capacidades em torno de modelos de grandes linguagens, agentes de IA direcionados e semelhantes. Mas o outro lado da moeda da IA é que também pode ajudar os gestores de ativos fora das maiores organizações Tier One a competir em condições mais equilibradas com estas empresas maiores.

Além disso, embora muitas organizações direcionem os seus investimentos para casos de utilização de IA virados para o cliente, é importante não descurar as oportunidades de criar valor com outras implementações escaláveis de IA em todo o front, middle e back offices. Em vez de procurar soluções pontuais que possam não se integrar bem entre si, a abordagem mais sensata para gerar valor com a IA poderá ser direcionar investimentos que dissolvam as “paredes virtuais” entre as três camadas de escritório, para criar eficiências, reforçar a produtividade, agilizar processos e informar melhor o planeamento e a estratégia.

Em suma, procure casos de utilização de IA que incentivem — e possam alavancar — o movimento mais livre de dados por toda uma organização. Aqui vão alguns que parecem especialmente promissores:

1. Automatizar e acelerar o encerramento financeiro e outras funções de finanças. Historicamente, a finança tem sido uma área marcada por 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 de finanças, incluindo o encerramento financeiro, bem como AR, AP, reconciliação de faturas e afins. Nesses cenários, a IA pode apoiar uma automação melhorada do movimento de dados. Também pode fornecer aos utilizadores de negócio de finanças notificações proativas — e cenários acionáveis — para potenciais problemas não visíveis com excedentes/deficit de capital, ajustes ao balanço e afins.

2. Melhorar a gestão de risco através de uma verdadeira integração com a finança. Os dados do back office podem ser extremamente 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 e comunicações dos clientes para identificar sinais precoces de resgates de clientes e o risco de liquidez associado.

3. Identificar e mobilizar rapidamente oportunidades para novas estruturas de taxas e novos modelos de negócio. As organizações podem orientar as suas ferramentas de IA para pesquisarem e modelarem o impacto de potenciais alterações de taxas, bem como de novos modelos de negócio. O que é que os dados históricos sugerem sobre o modo como uma alteração de taxa afetaria as contas a receber? Existem oportunidades para dividir uma área existente do negócio (como uma classe de ativos específica ou fundos geográficos) em duas ou mais partes, ou para agrupar os clientes de forma diferente, e, em caso afirmativo, quão forte é o caso de negócio para movimentos como estes?

4. Informar decisões sobre expansão para novos produtos ou geografias. A sua organização está a considerar um movimento para um promissor, mas relativamente mais arriscado, novo mercado geográfico. Como é que movimentos semelhantes no passado se traduziram em termos de custos esperados e reais? Quais são os prováveis impactos regulatórios e de RH de uma mudança como esta? Um diálogo com um assistente digital de IA generativa pode produzir respostas valiosas a questões como estas, resultando em decisões estratégicas mais bem informadas.

5. Modelar cenários “e se” em torno do impacto potencial do reequilíbrio da carteira nos ganhos futuros, bem como nas prioridades de investimento do cliente e na apetência ao risco. As ferramentas de IA podem fornecer informação sobre o impacto potencial destas mudanças, ao mesmo tempo que oferecem recomendações sobre o timing ótimo tendo em conta as obrigações de contas a pagar e outros fatores. Ao estabelecer ligações como estas com os dados, a IA ajuda a resolver desconexões de informação entre a função de finanças e a gestão de carteiras do front office, apoiando um planeamento estratégico e um orçamento mais certeiros.

No caso de uma empresa com a qual trabalho, por exemplo, estão a procurar combinar dados de atribuição da carteira sobre o desempenho de elementos individuais da sua carteira com dados sobre a apetência ao risco e as estruturas de taxas dos clientes. O objetivo é compreender melhor as repercussões financeiras do reequilíbrio da carteira face 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 procuram duplicar os ativos sob gestão sem aumentos materiais no quadro de pessoal, simplesmente através do uso mais amplo de IA e agentes de IA em toda a organização. Estão a criar agentes de IA e a colocá-los ao lado dos colaboradores — como extensões digitais desses colaboradores, essencialmente. No final, os ganhos de produtividade que estes agentes proporcionam permitem que empresas pequenas e médias “equivalham em força” e consigam competir a um nível mais equilibrado com empresas maiores.

7. Apurar a deteção de fraude durante o onboarding do cliente. A IA é particularmente competente em analisar e validar rapidamente a autenticidade dos documentos de onboarding, identificando até as mais pequenas anomalias (no tamanho da fonte, formatação do documento, etc.) que podem sugerir que o cliente não é quem aparenta ser e, portanto, que precisa de uma triagem mais rigorosa.

Por mais impactantes que estes casos de utilização possam ser dentro de uma organização de gestão de ativos, maximizar o seu valor depende fortemente da qualidade e da acessibilidade dos dados que os alimentam. Em primeiro lugar, os dados têm de ser compreensíveis para humanos e para máquinas numa base de auto-serviço. Muitas vezes, as empresas extraem os dados de aplicações de origem e movem-nos para uma data lake. No entanto, ao fazê-lo, remove-se semântica e contexto vitais específicos do ambiente da aplicação. Sem estes metadados, a saída da IA — e o impacto geral — pode ficar aquém do ideal. Assim, em muitos casos, as organizações ficam melhor servidas ao manterem esses dados no ambiente natural da aplicação, juntamente com os metadados associados. Pense nos dados nestas aplicações como as baterias que alimentam a IA generativa, a IA agentica e a analítica inteligente dentro de uma organização. Quanto mais poderosas forem as baterias, melhor posicionada estará uma organização de gestão de ativos para alavancar os seus investimentos em IA e atravessar os ventos contrários que a confrontam.

Sobre o autor

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