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!

Subscreva a newsletter da FinTech Weekly

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

A indústria de serviços financeiros está a passar por uma mudança de paradigma, à medida que os sistemas de IA generativa (GenAI) e de IA agentiva estão a redefinir os fluxos dos processos de negócio — sendo a decisão de crédito um deles. Os bancos estão agora a adotar sistemas orientados por IA, melhorando simultaneamente a precisão preditiva e automatizando fluxos de trabalho complexos. Este artigo explora como a GenAI e a IA agentiva podem ser utilizadas de forma estratégica no processo de avaliação de crédito, melhorando significativamente o nível de eficiência e automatização, ao mesmo tempo que aborda considerações de governação, risco e conformidade.

A Vantagem da GenAI: Enriquecimento Inteligente de Dados

Os dados são o sangue vital da avaliação de crédito. Os bancos e as instituições financeiras avaliam e analisam grandes volumes de elementos de dados utilizando modelos logísticos e heurísticos. Com a GenAI, este processo dá um salto, uma vez que os modelos de GenAI fornecem a capacidade de avaliar dados não estruturados, gerando conhecimentos valiosos. Gerar dados sintéticos para simular cenários com antecedência é outra mudança fundamental no processo de avaliação.

Os modelos de GenAI são excelentes a analisar informação não estruturada, transformando-a em dados estruturados. Esta capacidade permite extrair atributos-chave, como consistências de rendimento, inconsistências de pagamentos, dados de emprego, gastos discricionários, etc., que podem fornecer conhecimentos críticos na avaliação de subscrição (underwriting).

A geração de dados sintéticos é uma capacidade que os modelos de GenAI oferecem, podendo ser explorada para fins robustos de modelação e validação. Isto pode ajudar a mitigar a escassez de dados em casos-limite. Os modelos de IA podem ser usados para definir cenários de edge, adicionar critérios mais nuances — buffers de liquidez, volatilidade do rendimento, etc. — e podem ser validados com dados sintéticos. Estes dados preservadores de privacidade melhoram a generalizabilidade e a resiliência a riscos de cauda.

Os sistemas de GenAI multimodais podem assinalar inconsistências — como discrepâncias entre rendimento declarado, registos fiscais, extratos bancários, etc. — comparando e contrastando. Estas atividades manuais, demoradas, podem ser aceleradas com uma conformidade melhorada, detetando lacunas e melhorando a integridade dos dados.

IA Agentiva: Orquestrar Fluxos de Trabalho Autónomos

Embora os sistemas de GenAI multi-modais facilitem a integridade dos dados, criem e validem cenários extremos, a IA agentiva em malha orienta-se por fluxos de trabalho autónomos.

A IA agentiva avançou ainda mais o processo de avaliação com tomada de decisão autónoma de tarefas discretas. A malha de IA agentiva, composta por múltiplos agentes especialistas, é capaz de executar várias tarefas discretas em simultâneo. A verificação de identidade, a recolha e validação de documentos, a avaliação de métricas, a validação de dados externos, as verificações no bureaus de crédito, a análise psicométrica, etc., para citar alguns, podem ser realizados em simultâneo por agentes especializados. Cada agente funciona com objetivos definidos, métricas de sucesso e protocolos de escalonamento, tornando o processo mais rápido com maior precisão.

Esta malha agentiva impõe a lógica de negócio, invoca modelos preditivos e encaminha pedidos com base em limiares de confiança, automatizando os fluxos de trabalho de forma dinâmica. Por exemplo, decisões de baixa confiança ou anomalias assinaladas são automaticamente escaladas para avaliadores humanos — in-loop — com alertas enviados através de sistemas de mensagens para agir. Em simultâneo, os sistemas agentivos podem monitorizar proativamente os pedidos, detetar contradições e iniciar mecanismos de remediação. Da mesma forma, se o perfil de crédito de um candidato cair numa zona cinzenta, pode desencadear automaticamente uma revisão secundária ou solicitar documentação adicional, ou ainda fazer entrar um humano no loop.

Dado concreto: Um grande banco global implementou recentemente um processo totalmente automatizado de gestão de casos a partir de emails de clientes — registo de casos, invocação de fluxos de trabalho, mensagens com acompanhamento de estado e comunicação — reduzindo o esforço e o tempo de processamento para metade do verificado anteriormente.

Para completar, a capacidade de NLP permite que os agentes conversem com os candidatos em tempo real, esclarecendo ambiguidades, recolhendo dados em falta e resumindo os próximos passos — em várias línguas e com suporte de voz, conforme necessário. Isto reduz o atrito e melhora as taxas de conclusão, em particular para segmentos de clientes hesitantes e não suficientemente atendidos.

Arquitetura Híbrida: Equilibrar Precisão e Explicabilidade

As tecnologias de GenAI e de IA Agentiva estão a desenhar fluxos de processo e arquitetura — melhorando a eficiência enquanto equilibram a precisão e a explicabilidade dos resultados.
Uma arquitetura híbrida que combina IA Agentiva com modelos de GenAI reforça o poder preditivo com dados mais ricos e maior transparência regulatória. Ao combinar também agentes de IA, aumenta-se a robustez e as capacidades de execução automática contínua.

Embora a GenAI possa gerar explicações contrafactuais — cenários “e se” que ilustram como os candidatos podem melhorar a elegibilidade do seu empréstimo — os sistemas agentivos podem recolher dados de resultados, selecionar casos-limite e iniciar ciclos de re-treino. Este processo de aprendizagem auto-adaptativa com conjuntos de dados mais limpos e cenários plausíveis de edge melhora a precisão do processo de avaliação da elegibilidade de empréstimos dos clientes.

Chamada à ação: Construir Sistemas de IA Fiáveis para uma avaliação mais precisa

A avaliação da elegibilidade para empréstimo é um processo complexo que tem impacto na experiência do cliente e na relação comercial de longo prazo. Algumas recomendações-chave a ter em mente, ao redesenhar o fluxo, são: a) uma arquitetura com humano no loop para melhorar o processo global de tomada de decisão com rastreabilidade e explicabilidade, b) identificar e mapear corretamente os resultados da decisão para as funcionalidades associadas, de forma a tratar preocupações de interpretabilidade e conclusões de auditoria, c) implementar controlos e guardrails de IA responsável, salvaguardas operacionais como controlos de acesso baseados em funções, matriz de escalonamento, etc., melhoraria a resiliência do processo.

Conclusão

O processo de decisão de crédito está num ponto de inflexão com a GenAI e a IA Agentiva a redefinir os fluxos dos processos de negócio — tornando o ecossistema de concessão de crédito mais eficiente e resiliente. As instituições financeiras que investirem em um desenho pensado, governação rigorosa e modelos de dados robustos para automatizar casos de uso de elevado risco irão liderar a próxima era de subscrição (underwriting) inteligente.