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 Banca Privada 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 comissões a alterações desfavoráveis nas condições macroeconómicas, passando por crescentes investimentos 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 concluiu, por exemplo, que as margens dos gestores de ativos diminuíram três pontos percentuais na América do Norte e cinco pontos percentuais na Europa ao longo dos últimos cinco anos, devido a fatores como estes.

Mas há uma válvula de alívio à vista, na forma de implantações direcionadas e bem posicionadas de inteligência artificial. A IA, nas suas várias formas — generativa, agentica, etc. — começa a demonstrar valor em vários casos de uso das áreas de front-, middle- e back-office, dando aos gestores de ativos meios para capturar novos ganhos de produtividade e eficiência, para identificar e aproveitar novas oportunidades de negócio lucrativas antes da concorrência. Na sua análise, baseada num inquérito a executivos C-level de empresas de gestão de ativos em toda a América do Norte e Europa, a McKinsey determinou que, para um gestor de ativos médio, o impacto potencial 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, portanto, 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 Maximizar o Impacto

Empresas em todo o setor de gestão de ativos estão a aplicar IA em várias frentes. Grande parte dessa atividade ocorre em organizações maiores, que têm recursos profundos para desenvolver as suas próprias capacidades em torno de modelos de grande linguagem, agentes de IA direcionados e afins. Mas o outro lado da moeda da IA é que também pode ajudar gestores de ativos fora das maiores organizações de nível um a competir em condições mais equilibradas com estas empresas maiores.

Além disso, embora muitas organizações foquem os seus investimentos em casos de uso de IA virados para o cliente, é importante não ignorar as oportunidades de criar valor com outras implementações escaláveis de IA nas áreas de front-, middle- e back-offices. Em vez de procurar soluções pontuais que podem não se integrar bem entre si, a abordagem mais sensata para gerar valor com IA pode ser direcionar investimentos que dissolvam as barreiras virtuais entre as três camadas de escritório para criar eficiências, reforçar a produtividade, simplificar processos e informar melhor o planeamento e a estratégia.

Em suma, procure casos de uso de IA que incentivem — e possam tirar partido de — o movimento mais livre de dados por toda a organização. Aqui vai uma série de opções que parecem especialmente promissoras:

1. Automatizar e acelerar o fecho financeiro e outras funções de finanças. Historicamente, a área das finanças tem sido um terreno marcado 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 financeira, incluindo o fecho financeiro, bem como AR, AP, reconciliação de faturas e afins. Nesses cenários, a IA pode apoiar uma automatização melhorada do movimento de dados. Também pode fornecer a utilizadores de negócio em finanças notificações proativas — e cenários acionáveis — para potenciais problemas não observados com excedentes/insuficiências de capital, ajustes ao balanço e afins.

2. Melhorar a gestão de risco através de um alinhamento real com as finanças. Os dados do back office podem ser imensamente valiosos para equipas de gestão de risco no middle office. Essas equipas podem usar dados sobre participações de investidores, fluxos de caixa, liquidez de mercado, margem/caução, etc., combinados com dados do perfil e das comunicações dos clientes para identificar sinais precoces de resgates de clientes e do risco de liquidez associado.

3. Identificar e mobilizar rapidamente oportunidades para novas estruturas de comissões e modelos de negócio. As organizações podem orientar as suas ferramentas de IA para pesquisar e modelar o impacto de potenciais alterações de comissões, bem como de novos modelos de negócio. O que sugerem os dados históricos sobre como uma alteração de comissões 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 clientes de forma diferente; e, se sim, 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 arriscado, novo mercado geográfico. Como é que movimentos passados como este se revelaram em termos de custos esperados e reais? Quais são os prováveis impactos regulatórios e de RH de um movimento como este? Um diálogo com um assistente digital de IA generativa pode gerar respostas valiosas para questões como estas, resultando em decisões estratégicas melhor informadas.

5. Modelar cenários what-if sobre o potencial impacto do rebalanceamento da carteira nos ganhos futuros, bem como nas prioridades de investimento e na apetência de risco dos clientes. As ferramentas de IA podem fornecer informações sobre o potencial impacto destes tipos de alterações, oferecendo também recomendações sobre o timing ideal à luz das obrigações de contas a pagar e de outros fatores. Ao estabelecer ligações como estas com os dados, a IA ajuda a colmatar desconexões de informação entre a função de finanças e a gestão de carteiras do front-office, apoiando um planeamento estratégico e orçamentação mais ajustados.

No caso de uma empresa com a qual trabalho, por exemplo, está a procurar combinar dados de atribuição de carteira sobre o desempenho de elementos individuais da sua carteira com dados sobre a apetência de risco e as estruturas de comissões dos clientes. O objetivo é compreender melhor as repercussões financeiras do rebalanceamento 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 estão a procurar duplicar os ativos sob gestão sem aumentos materiais no número de colaboradores, simplesmente ao alavancar IA e agentes de IA de forma mais ampla por toda a organização. Estão a criar agentes de IA e a colocá-los diretamente 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 ganhem dimensão para competir, em condições mais equilibradas, com empresas maiores.

7. Afiar a deteção de fraude durante o onboarding do cliente. A IA é excelente a analisar e validar rapidamente a autenticidade de documentos de onboarding, identificando até as mais pequenas anomalias (no tamanho da letra, na formatação do documento, etc.) que podem sugerir que um cliente não é quem aparenta ser e, portanto, exigir uma triagem mais rigorosa.

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 da acessibilidade dos dados que os alimentam. Em primeiro lugar, os dados têm de ser compreensíveis para humanos e máquinas, numa base de autoatendimento. Muitas vezes, as empresas extraem dados de aplicações de origem e movem-nos para um 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 abaixo do ideal. Assim, em muitos casos, as organizações estão melhor servidas ao deixar esses dados no seu ambiente natural de aplicação, juntamente com os metadados correspondentes. Pense nos dados nessas 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 tirar partido dos seus investimentos em IA para ultrapassar os ventos contrários que a confrontam.

Sobre o autor

Stuart Grant é Diretor de Mercados de Capitais, Gestão de Ativos e Banca Privada na SAP. Há 20+ anos que trabalha com dados na indústria dos mercados de capitais em funções que abrangem gestão de produto, desenvolvimento de negócio e gestão de negócio.