Por que 92% do mercado de capitais usa IA, mas quase ninguém consegue provar o retorno?

Pesquisa da Anbima mostra que a adoção avançou mais rápido que a governança, a medição e a criação de receita

21/10/2026 - 03:43

0 1

Por que 92% do mercado de capitais usa IA, mas quase ninguém consegue provar o retorno?

O mercado de capitais brasileiro já passou da fase de decidir se usará inteligência artificial. A tecnologia está presente em 92% das 177 empresas que responderam à primeira edição do estudo Retrato da Inteligência Artificial no Mercado de Capitais, produzido pela Anbima em parceria com o Datafolha. A questão que ficou para trás é a adoção. A que permanece é mais incômoda: quantas instituições conseguem demonstrar quanto a IA devolveu em eficiência, receita ou qualidade de decisão?

A própria pesquisa mostra a distância entre uso e gestão. A maturidade média ficou em 2,7 em uma escala de 1 a 5, e 43% dos respondentes avaliam os resultados de maneira informal e subjetiva. Outros 15% não medem nem acompanham os efeitos. O setor colocou a ferramenta dentro da operação antes de construir a régua capaz de dizer se ela está funcionando.

O que significa uma adoção de 92% sem retorno consolidado?

Significa que a inteligência artificial já deixou de ser um projeto isolado de inovação, mas ainda não virou uma linha de resultado administrada pela empresa. A pesquisa da Anbima registra usos em resumo de documentos, apoio a análises, organização de dados, automação de rotinas, revisão de processos e decisões pontuais. São aplicações úteis, mas espalhadas por departamentos e com critérios diferentes para medir ganho.

Uma equipe pode considerar sucesso reduzir o tempo de leitura de um relatório. Outra pode contar respostas produzidas por um assistente. Uma terceira pode olhar para a quantidade de processos automatizados. Sem uma definição comum de resultado, os números não se somam. O conselho recebe uma coleção de iniciativas, não uma demonstração de valor corporativo.

A diferença aparece em uma comparação regional. O Evident AI Index for Banks, edição América Latina de 2026, analisou 20 grandes bancos com base em quatro dimensões: transparência, liderança, inovação e talentos. Mais de dois terços publicam casos de uso com resultados, mas nenhuma das instituições divulgou retorno realizado ou projetado para o conjunto de suas atividades de IA. A tecnologia produz casos mensuráveis; a empresa ainda não consegue juntar esses casos em uma conta de negócio.

Por que a adoção cresceu mais depressa que a maturidade?

Porque comprar acesso a uma ferramenta é uma decisão menor que reorganizar o processo em torno dela. Um modelo pode resumir documentos em minutos. A instituição ainda precisa saber se o resumo está correto, quem revisa a resposta, qual fonte foi usada, que dado não pode entrar no sistema e como o erro será registrado. A maturidade nasce desses controles, não do número de licenças contratadas.

O relatório da Anbima identifica 53% das empresas em estágios iniciais de maturidade. O resultado ajuda a explicar a média de 2,7. A presença da IA é ampla, mas a formalização de políticas e processos de monitoramento avança em ritmos diferentes. Em uma atividade que lida com patrimônio, crédito, investimentos e informação sensível, esse intervalo transforma uma decisão tecnológica em decisão de gestão.

Também existe uma diferença entre experimentar e escalar. Um teste tolera acompanhamento manual e escopo restrito. Uma ferramenta usada por analistas, atendimento e áreas de risco precisa de regras de acesso, trilha de auditoria, revisão de fornecedores e indicadores comparáveis. A passagem de um estágio para o outro exige pessoas responsáveis pelo resultado. Sem esse dono, cada área otimiza sua própria rotina e ninguém responde pelo efeito total.

Qual empresa brasileira mostra que uso e resultado podem andar juntos?

O Nubank aparece como um caso concreto no estudo da Evident. O banco digital ficou em primeiro lugar no índice latino-americano e liderou três das quatro dimensões avaliadas: talentos, inovação e liderança. A instituição também apresentou densidade de talentos em IA de 5%, três vezes a média observada pela pesquisa. Esses números não provam que toda aplicação do banco gera retorno, mas mostram uma estrutura dedicada a transformar tecnologia em capacidade operacional.

O resultado ganha escala quando comparado com o restante da amostra. Os bancos brasileiros representam 7 das 20 instituições analisadas, ou 35% do índice, e responderam por 49% dos casos de uso com resultados divulgados nos dois anos anteriores. A proporção é uma conta simples: o Brasil ocupa pouco mais de um terço da amostra e concentra quase metade dos casos reportados com efeito mensurável.

O caso do Nubank não serve como autorização para copiar uma ferramenta. Ele mostra outra coisa: liderança, talento e inovação precisam aparecer juntos. A Evident também coloca o Itaú Unibanco em segundo lugar, seguido por Bradesco e Banco do Brasil. Os quatro primeiros colocados são brasileiros. A vantagem competitiva, portanto, está menos em anunciar IA e mais em criar capacidade para operar, testar e explicar seus usos.

Mulher escreve em caderno enquanto analisa documentos financeiros sobre mesa em escritório corporativo

O que a governança tem a ver com a receita?

Tem relação com a capacidade de escolher onde escalar e onde interromper. Um estudo da Deloitte sobre governança de IA em bancos avaliou 135 líderes de instituições financeiras por meio de um índice com 41 indicadores, distribuídos em políticas, estrutura organizacional, controles, pessoas e monitoramento. A análise encontrou associação entre maturidade de governança e crescimento da receita.

Segundo o relatório, um aumento de dez pontos no índice esteve associado a dez pontos percentuais a mais de crescimento da receita, depois de considerados fatores como uso de IA, localização, tamanho da força de trabalho e tempo de operação. A Deloitte faz uma ressalva necessária: o número descreve o perfil financeiro de bancos com governança mais forte, não uma previsão automática para qualquer empresa.

A conta apresentada no próprio estudo ajuda a dimensionar a diferença. Para um banco com receita anual de 500 milhões de dólares, crescimento de 10% representa 50 milhões de dólares. No modelo da Deloitte, um crescimento de 20% representaria 100 milhões. São 50 milhões de dólares de diferença entre os dois ritmos. O dado não transforma governança em causa isolada da receita, mas mostra por que controles deixaram de ser vistos como despesa administrativa.

Por que investidores e conselhos passaram a cobrar explicações?

Porque o gasto com IA já compete com outras prioridades de capital, enquanto o risco de erro alcança a reputação e a relação com clientes. A pesquisa de 2026 da Spencer Stuart, feita com 65 presidentes de comitês de nomeação e governança de empresas dos índices S&P 500 e MidCap 400, colocou a supervisão de IA entre as três prioridades desses comitês. A pauta foi citada por 42% dos entrevistados.

A mesma pesquisa mostra que 92% dos participantes consideram tecnologia e transformação digital um foco de educação dos conselhos, contra 75% em 2025. Entre os que apontaram a supervisão de IA como prioridade, 52% disseram que a responsabilidade está com o conselho completo, 41% com o comitê de auditoria e 15% com o comitê de riscos ou de nomeação e governança.

O movimento muda a pergunta feita à área de tecnologia. Antes, bastava informar que um piloto estava em andamento. Agora, a liderança precisa explicar qual problema foi resolvido, que indicador mudou, que risco foi aceito e quanto custa manter a solução. A prestação de contas deixa de acontecer apenas depois de um incidente. Ela passa a fazer parte da decisão de investimento.

Qual é o gargalo quando a ferramenta parece funcionar?

O gargalo costuma estar nos dados que alimentam a ferramenta. Em material da Clearwater Analytics sobre IA generativa e investimentos, a empresa destaca que dados integrados e confiáveis são a base para automatizar fluxos e apoiar decisões. A companhia atua justamente com tecnologia para gestão de investimentos, portanto o material tem interesse comercial e precisa ser lido com essa ressalva.

A conclusão, porém, conversa com o estudo da Anbima. Uma IA pode acelerar a consulta a uma base, mas não corrige sozinha um cadastro duplicado, uma informação sem origem ou uma série com critérios alterados. Se duas áreas usam definições diferentes para cliente, ativo ou rentabilidade, a resposta pode parecer precisa e ainda assim comparar grandezas incompatíveis.

É por isso que a medição precisa começar antes da automação. A instituição deve registrar a linha de base, a fonte do dado, o tempo do processo, o custo envolvido e o nível de erro observado. Depois, compara o mesmo período com a ferramenta em operação. Sem essa fotografia inicial, a empresa confunde atividade com ganho. Mais consultas respondidas não significam necessariamente mais receita, menos risco ou melhor experiência.

O que uma instituição pode medir na segunda-feira?

O primeiro passo é escolher um único processo de marketing, atendimento, análise ou operação que já use IA. Em seguida, registre quatro pontos: volume mensal, tempo gasto, custo da equipe e taxa de correção ou retrabalho. O indicador precisa ter um responsável nominal e uma fonte de dados que outra pessoa consiga verificar. A Anbima mostra que 43% ainda fazem a avaliação de modo informal. Uma planilha com critério fixo já supera uma opinião sem registro.

O segundo passo é separar eficiência de resultado comercial. Se um sistema reduz o tempo de análise de um relatório, o ganho operacional deve ser medido em horas e custo. Se a aplicação pretende apoiar retenção, vendas ou criação de produto, a métrica precisa alcançar esse objetivo, sem atribuir à IA toda mudança ocorrida no período. A pergunta correta é qual parcela do resultado pode ser ligada ao processo e qual evidência sustenta essa ligação.

O terceiro passo é levar a conta para a liderança com a limitação explícita. O relatório da Evident mostra que 70% das instituições analisadas publicam casos com resultados, mas nenhuma apresenta retorno consolidado de todas as atividades de IA. O gestor que documenta um piloto, informa o que ainda não sabe e define a condição para escalar toma uma decisão mais segura que aquele que apresenta uma coleção de promessas. A tecnologia já entrou no mercado. O trabalho de marketing e gestão agora é provar o que ela mudou.