Sete casos de uso de IA para ajudar gestores de ativos a aumentar a eficiência e a produtividade face às adversidades do mercado

Stuart Grant é Chefe de Mercados de Capitais, Gestão de Ativos e Património na SAP.

Descubra as principais notícias e eventos do setor fintech!

Subscreva a newsletter do FinTech Weekly

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

De compressão de taxas a mudanças desfavoráveis nas condições macroeconómicas, passando por investimentos tecnológicos crescentes que ainda não deram retorno esperado, as organizações de gestão de ativos enfrentam obstáculos significativos à medida que o calendário avança para 2026.

Numa análise de 2025 da 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 esses.

Mas uma válvula de alívio da pressão está ao alcance na forma de implantações direcionadas e bem posicionadas de inteligência artificial. A IA, nas suas várias formas — generativa, agentic, etc. — começa a demonstrar valor numa variedade de casos de uso de front-office, middle-office e back-office, dando aos gestores de ativos os meios para captar novos ganhos de produtividade e eficiência, identificar e capitalizar novas oportunidades de negócio rentáveis antes da concorrência. Na sua análise, baseada numa pesquisa junto de executivos de nível C de empresas de gestão de ativos na América do Norte e Europa, a McKinsey concluiu que, para um gestor de ativos médio, o impacto potencial da IA, IA generativa e IA agentic “poderia ser transformador, equivalente a 25 a 40 por cento da sua base de custos.”

O desafio para as organizações de gestão de ativos, então, é determinar onde dentro das suas estruturas a IA pode oferecer mais valor.

Implementar IA para Máximo Impacto

Empresas de todo o setor de gestão de ativos estão a usar IA em várias frentes. Grande parte dessa atividade ocorre em organizações maiores que possuem recursos profundos para desenvolver as suas próprias capacidades em modelos de linguagem de grande escala, com agentes de IA direcionados e similares. Mas o outro lado da moeda da IA é que ela também pode ajudar gestores de ativos fora das maiores organizações de Tier Um a competir em pé de igualdade contra estas maiores empresas.

Além disso, enquanto muitas organizações concentram 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 escaláveis de IA em front, middle e back office. Em vez de procurar soluções pontuais que podem não integrar-se bem entre si, a abordagem mais inteligente para gerar valor com IA pode ser direcionar investimentos que dissolvam as barreiras virtuais entre as três camadas de escritório, criando eficiências, reforçando a produtividade, simplificando processos e informando melhor o planeamento e a estratégia.

Resumindo, procure casos de uso de IA que incentivem — e possam aproveitar — o movimento mais livre de dados por toda a organização. Aqui estão alguns que parecem especialmente promissores:

1. Automatizar e acelerar o fecho financeiro e outras funções financeiras. As finanças têm sido historicamente 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 processos relacionados com a função financeira, incluindo o fecho financeiro, bem como contas a receber, contas a pagar, reconciliação de faturas, etc. Nesses cenários, a IA pode suportar uma automação aprimorada do movimento de dados. Também pode fornecer aos utilizadores de negócios financeiros notificações proativas — e cenários acionáveis — para problemas potencialmente não detectados, como excedentes ou défices de capital, ajustes ao balanço, etc.

2. Melhorar a gestão de risco através de uma verdadeira alinhamento com as finanças. 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 holdings de investidores, fluxos de caixa, liquidez de mercado, margem/garantia, 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 possíveis alterações de taxas, bem como de novos modelos de negócio. O que os dados históricos sugerem sobre como uma alteração de taxa afetaria as contas a receber? Existem oportunidades de dividir uma área existente do negócio (como classes de ativos específicas ou fundos geográficos) em duas ou mais partes, ou de categorizar clientes de forma diferente, e, em caso afirmativo, quão forte é o caso de negócio para movimentos como esses?

4. Informar decisões sobre expansão para novos produtos ou geografias. A sua organização está a considerar entrar num mercado geográfico promissor, mas relativamente arriscado. Como correram movimentos semelhantes no passado em termos de custos previstos e reais? Quais são os impactos regulatórios e de recursos humanos mais prováveis de tal movimento? Um diálogo com um assistente digital de IA generativa pode fornecer respostas valiosas a perguntas como essas, levando a decisões estratégicas melhor informadas.

5. Modelar cenários “e se” sobre o impacto potencial do reequilíbrio de portfólio no futuro, bem como nas prioridades de investimento e apetites de risco dos clientes. As ferramentas de IA podem fornecer insights sobre o impacto potencial dessas mudanças, bem como recomendações sobre o momento ideal, tendo em conta obrigações de contas a pagar e outros fatores. Ao estabelecer ligações como essa com dados, a IA ajuda a resolver desconexões de informação entre a função financeira e a gestão de portfólio de front-office, apoiando um planeamento estratégico e orçamentação mais precisos.

No caso de uma empresa com a qual trabalho, por exemplo, eles procuram combinar dados de atribuição de portfólio sobre o desempenho de elementos individuais do seu portfólio com dados sobre a apetência de 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 lucros futuros.

6. Aumentar a produtividade. Alguns executivos de gestão de ativos com quem falei recentemente dizem que as suas organizações pretendem duplicar os ativos sob gestão sem aumentos materiais no número de colaboradores, simplesmente aproveitando a IA e agentes de IA de forma mais ampla em toda a organização. Estão a criar agentes de IA e a colocá-los ao lado dos funcionários — como extensões digitais desses mesmos funcionários, essencialmente. No final, os ganhos de produtividade que esses agentes proporcionam permitem que pequenas e médias empresas concorram de forma mais equilibrada com as maiores.

7. Aperfeiçoar a deteção de fraudes durante a integração de clientes. A IA é hábil em escanear rapidamente e validar a autenticidade de documentos de onboarding, identificando até as menores anomalias (em tamanho de fonte, formatação de documentos, etc.) que possam sugerir que um cliente não é quem parece ser e, assim, exigir uma triagem mais aprofundada.

Por mais impactantes que esses casos de uso possam ser numa organização de gestão de ativos, maximizar o seu valor depende fortemente da qualidade e acessibilidade dos dados que os alimentam. Antes de mais, os dados devem ser compreensíveis para humanos e máquinas numa base de autoatendimento. Muitas vezes, as empresas extraem dados de aplicações fonte e transferem-nos para um lago de dados. No entanto, ao fazerem isso, removem semânticas e contextos essenciais específicos do ambiente de aplicação. Sem esses metadados, a produção da IA — e o impacto global — pode ser subótima. Assim, muitas organizações beneficiam de deixar esses dados no seu ambiente de aplicação natural, juntamente com os metadados acompanhantes. Pense nesses dados dessas aplicações como as baterias que alimentam a IA generativa, a IA agentic e as análises inteligentes dentro de uma organização. Quanto mais potentes forem as baterias, melhor posicionada estará uma organização de gestão de ativos para aproveitar os seus investimentos em IA para ultrapassar os obstáculos que enfrentam.

Sobre o autor

Stuart Grant é Chefe de Mercados de Capitais, Gestão de Ativos e Património na SAP. Há mais de 20 anos trabalha com dados na indústria de mercados de capitais, desempenhando funções de gestão de produtos, desenvolvimento de negócios e gestão empresarial.