*Encaminhar o Título Original ‘#81 - Além do Hype: Por Que a Gen AI É a Próxima Verdadeira Mudança de Plataforma do Setor Bancário (Leitura Gratuita)’

Patrocinado por Triage

Construído por Executivos

No setor de serviços financeiros da África, a especialização em nichos como risco, crédito, conformidade e tecnologia pode determinar o desempenho de uma empresa. Navegar por regulamentos complexos e integrar novas tecnologias exige líderes que compreendam as nuances dos produtos financeiros, as expectativas das partes interessadas e as realidades do mercado. Sem essa profundidade de conhecimento, mesmo instituições bem financiadas correm o risco de cometer erros custosos que desestabilizam investidores, atrasam o crescimento e minam a confiança do cliente.

A Triage traz uma mistura de experiência prática como operadores nos setores bancário e de serviços financeiros, e experiência global trabalhando com algumas das maiores empresas de serviços financeiros do mundo. Nossa equipe trabalhou com líderes seniores em mais de 35 países na África, apoiando uma variedade de estratégias de crescimento e mudança em um espectro de clientes, desde empreendimentos em estágio inicial até expansões, transformações digitais e reviravoltas. Essa ampla experiência nos permite distinguir entre expertise passageira e capacidade genuína, garantindo que você se envolva com líderes que realmente entendem o que é necessário para ter sucesso no mundo em rápida evolução dos serviços financeiros.

Introdução

Ceticismo é o que é necessário para olhar por trás de um balanço patrimonial, o mais recente milagre da engenharia financeira ou a história que não pode ser perdida. . . . Apenas um cético pode separar as coisas que parecem boas e são daquelas que parecem boas e não são. Os melhores investidores que conheço exemplificam essa característica. É uma necessidade absoluta. - Howard Marks

Como uma pessoa jovem no setor financeiro, é importante desenvolver uma dose saudável de ceticismo. No setor bancário especificamente, o ceticismo compensa porque os bancos mais bem-sucedidos são aqueles que evitam perdas, em vez de aqueles que buscam ganhos. É uma arte negativa. No entanto, o ceticismo não é o mesmo que pessimismo. Significa simplesmente ter discernimento sobre o que é exagero e o que não é. O desafio para muitas pessoas no setor financeiro é que elas caem na armadilha de serem céticas pelo valor de sinalizar socialmente que você é inteligente.

Como John Collison ou foi Naval Ravikant que disse: "Os pessimistas parecem inteligentes, os otimistas ganham dinheiro". Uma mente cética é valiosa. No entanto, para que seja valiosa, deve ser combinada com rigor analítico e, principalmente, a capacidade de mudar de opinião quando os fatos mudam.

Esse é um contexto útil para a atual discussão sobre IA generativa, particularmente no setor bancário e financeiro. É importante referir-se especificamente à IA generativa, em vez do aprendizado de máquina que já existe há algum tempo, especialmente no setor bancário. A IA generativa é o tipo de inteligência que pode criar novas coisas, como texto, imagens, áudio ou vídeo a partir do aprendizado em vastas quantidades de dados. O ceticismo preguiçoso está levando muitas pessoas a chamar prematuramente a IA de exagero, enquanto o otimismo desenfreado pode levar a investimentos prematuros. Para que decisões inteligentes sobre IA sejam tomadas, é importante colocar a IA em contexto, especialmente seu contexto econômico. Isso significa analisar a IA como uma mudança de plataforma e colocá-la em seu lugar histórico em comparação com outras mudanças de plataforma. A IA em seu contexto histórico deve fazer com que os banqueiros e a indústria financeira, de modo geral, tomem as decisões certas.

No artigo de hoje, vamos entender o que é uma mudança de plataforma, revisar as mudanças de plataforma passadas e seu impacto na indústria de serviços financeiros, colocar a IA em seu contexto como uma mudança de plataforma, olhar para as iniciativas globais de bancos e fintechs em torno da IA e avaliar as principais lições para os líderes da indústria de serviços financeiros.

Mudanças de Plataforma e Serviços Financeiros

O que é uma Mudança de Plataforma

Finanças, como qualquer outra indústria, estão sujeitas às vicissitudes que a tecnologia traz. Seja pelo telegrama e seu impacto na banca baseada em agências ou pelo mini-computador e seu impacto nos caixas eletrônicos. As finanças sempre se adaptaram às mudanças de plataforma. Em tecnologia, uma mudança de plataforma refere-se a uma mudança fundamental na arquitetura tecnológica subjacente que possibilita novas capacidades devido a uma mudança de escala na estrutura de custos subjacente. Muitas vezes, isso possibilita novos modelos de negócios e formas de criar valor. A questão chave é que deve haver uma mudança fundamental na estrutura de custos de algo, ou seja, o custo de fazer X deve ser reduzido em um fator de 10x ou mais para que algo seja realmente considerado uma mudança de plataforma. As principais características podem ser descritas como;

• Mudança na Arquitetura Fundamental: As mudanças na plataforma envolvem mudanças radicais na forma como a tecnologia é estruturada e acessada, não apenas melhorias nos sistemas existentes.
• Melhorias Exponenciais de Custo-Desempenho: Elas geralmente oferecem melhorias de ordem de magnitude (10x ou mais) em custo, desempenho ou capacidades, e não apenas ganhos incrementais.
• Novos Modelos de Criação de Valor: Mudanças de plataforma possibilitam modelos de negócios e criação de valor inteiramente novos que não eram viáveis anteriormente.
• Formação de Ecossistemas: Eles geram ecossistemas ricos de produtos, serviços e negócios complementares. Isso é frequentemente um efeito em vez de uma característica definidora.
• Disrupção de Mercado: Mudanças na plataforma frequentemente desestabilizam indústrias existentes e criam mercados totalmente novos.
• Democratização: Eles geralmente tornam a tecnologia acessível a um público mais amplo, permitindo novos participantes.

Vamos analisar algumas mudanças históricas de plataformas e, importante, analisar;

1. Do que se tratava a mudança da plataforma;
2. Seu impacto na estrutura de custos;
3. Vencedores desta mudança e como eles aproveitaram a tecnologia;

1. Mainframes: Centralizando a Computação (décadas de 1950 a início de 1970)

Contexto histórico e características-chave
Antes da década de 1950, os bancos mantinham livros-razão manualmente ou com tabuladores eletromecânicos. Processar um cheque significava que um funcionário digitava um item de linha, arquivava papéis e conciliava totais ao final do dia. Mainframes como o System / 360 da IBM introduziram computação com programas armazenados, reconhecimento de caracteres com tinta magnética e processamento em lote. Pela primeira vez, uma única máquina podia ler dezenas de milhares de cheques por hora, aplicar regras de contas automaticamente e registrar resultados durante a noite.

Curva de custo
O custo do capital foi alto, vários milhões de dólares, mas o custo marginal de postar uma transação caiu em cerca de cem para um em comparação com a entrada manual. As taxas de erro colapsaram, as janelas de corte se estreitaram e a escala se tornou um problema de software em vez de um problema de pessoal.

História do Vencedor
Na América do pós-Segunda Guerra Mundial, a classe média dos EUA estava em alta e a demanda por serviços bancários, especialmente por cheques, estava crescendo. No Bank of America, o número de contas correntes estava crescendo a uma taxa de 23.000 contas por mês e o banco tinha que fechar às 14h apenas para processar cheques. O Bank of America implementou oMáquina de Registro Eletrônico de Contabilidade(ERMA) sistema em 1959. Processava cerca de 36 000 cheques por hora, (cerca de 10 por segundo) em comparação com ~245 cheques/hora por um contador humano. Lidou com três quartos de bilhão de lançamentos por ano, e liberou o banco para expandir além da Califórnia sem contratar milhares de funcionários. Para o Bank of America, ao melhorar dramaticamente o throughput (mais de 100× mais rápido), reduziu drasticamente o custo por cheque processado e escalou para atender mais clientes. Automatizar tarefas de back-office deu a primeiros adotantes como o BofA uma vantagem de custo, alimentando seu crescimento em líderes nacionais.

2. Minicomputadores: Automação Departamental (décadas de 1970 a meados da década de 1980)

Contexto histórico e características principais
A chegada dos minicomputadores – menores e muito mais baratos do que os mainframes – democratizou a computação além da Fortune 500. Bancos, corretoras e prestadores de serviços podiam implantar sistemas mini e de médio porte (de fornecedores como DEC, Data General, a linha AS/400 da IBM, etc.) no nível de departamento ou filial. Essa era viu o nascimento de redes eletrônicas e serviços fintech que podiam operar em infraestruturas menos caras, permitindo a entrada de novos players especializados.

Curva de custo
Uma filial poderia agora ter seu próprio poder de computação por uma fração do custo de um computador mainframe. Sessões interativas substituíram relatórios em lote, e novos canais, como caixas eletrônicos, se tornaram econômicos. Minicomputadores reduziram o preço da computação. Um mini dos anos 70 poderia custar dezenas de milhares, reduzindo os custos de computação por unidade em uma ordem de magnitude em comparação com os mainframes dos anos 60. Essa acessibilidade ampliou a adoção de TI nas finanças. Como resultado, na década de 1980, até mesmo empresas financeiras de médio porte estavam informatizando operações, levando a um serviço mais rápido e custos unitários mais baixos.

A história do vencedor

Um Mini Computador DEC - Fonte DEC

O Citibank comprou centenas de computadores Tandem NonStop e DEC mini, os conectou a caixas eletrônicos e lançou sua campanha de marketing "Citi Never Sleeps" em 1977. Quando uma tempestade de neve fechou Nova York em 1978, os caixas eletrônicos do Citi continuaram atendendo os clientes, o volume de transações aumentou vinte por cento e a participação nos depósitos na cidade duplicou em três anos. Os custos com caixas, aproximadamente um dólar por visita,caiu para cerca de trinta centavos em um caixa eletrônico.

3. Cliente-Servidor e Bancos de Dados Relacionais: Processamento Distribuído (final da década de 1980 – 1990)

Contexto histórico e características principais
Antes da era cliente-servidor, o banco de dados estava dentro do computador, combinando tanto os dados quanto a interface. A era cliente-servidor trouxe uma separação entre a camada de dados e a camada de interface. Havia um cliente (PC) e um servidor. Um PC Windows ou Mac lidava com a apresentação, um servidor de médio porte armazenava os dados, e o SQL comunicava-se entre eles por meio de uma rede local. Bancos de dados relacionais prontos para uso significavam novos insights: milhões de linhas poderiam ser consultadas em segundos, possibilitando marketing estatístico e modelos de risco.

Curva de custo
PCs abaixo de $2.000 e caixas Unix abaixo de $100.000 permitem que os bancos consultem milhões de linhas em segundos.

História do Vencedor
A Capital One, desmembrada do Signet Bank em 1994, usou uma grade cliente-servidor rodando Oracle para testar milhares de ofertas de cartões de crédito em paralelo. Ela precificou o risco em nível individual e cresceu quarenta por cento em 1997, enquanto os incumbentes se baseavam em amplas faixas de FICO. O retorno sobre o patrimônio líquido superou consistentemente vinte por cento porque a análise substituiu a precificação generalizada. Outros vencedores incluíram Charles Schwab, que descobriu que a era do cliente-servidor poderia democratizar a corretagem de ações.

Na África, embora tenha havido um leve atraso, os vencedores incluíram;

1. O Equity Bank que aproveitou a arquitetura cliente-servidor e mini-computadores para ampliar suas capacidades transacionais ao atualizar para o Finacle (Um Sistema Bancário Central baseado em Cliente-Servidor), enquanto também ampliava sua rede de ATM usando os mesmos sistemas. Isso eventualmente se transformou em Banking de Agência. Eles passaram de uma não-entidade nos anos 90 para o maior banco da África Oriental em termos de capitalização de mercado;
2. GT Bank - Utilizou uma arquitetura cliente-servidor para melhorar o processamento de transações na agência, possibilitando um melhor atendimento ao cliente. Antes disso, os clientes tinham que esperar horas para processar um simples depósito ou retirada.

4. Cloud 1.0: Infraestrutura como Serviço (2006–início dos anos 2010)

Fonte: Revista de Negócios e Finanças - Os Irmãos Collison

Contexto histórico e características principais

A web ainda exigia que as empresas possuíssem servidores. A Amazon Web Services transformou computação, armazenamento e bancos de dados em utilidades medidas. Um aplicativo poderia escalar de dez usuários para dez milhões sem um pedido de compra de hardware.

Curva de custo
Em vez de milhões em capex, um desenvolvedor precisava de um cartão de crédito e poderia pagar centavos por hora pelo processamento. A capacidade elástica significava que o custo aumentava aproximadamente na proporção do uso, eliminando grandes aumentos. Isso estava muito longe da era dos bancos de dados relacionais, onde era necessário dimensionar o crescimento com antecedência, levando a um capex significativo.

História do vencedor
A Stripe foi lançada em 2010, quatro anos depois da AWS, que foi lançada em 2006, com uma API de pagamento que estava em funcionamento em minutos. Seu exemplo de código de sete linhas abstraía a subscrição de comerciantes, liquidação e conformidade. Em 2024, a Stripe lidava com cerca de US$ 1,4 trilhões em pagamentos, volumes que anteriormente pertenciam a adquirentes bancários e processadores legados, e seu custo de integração permaneceu um erro de arredondamento graças à cobrança em nuvem baseada em uso. As APIs se tornaram uma nova forma de criação de valor, validando a nuvem como uma verdadeira mudança de plataforma.

5. Era Móvel & Nativa na Nuvem (anos 2010 ‑ 2020)

Fonte: [itweb.co.za]

Contexto histórico & características principais
Os smartphones colocaram um computador de internet, sensor biométrico e elemento seguro em cada bolso, transformando "distribuição" em uma lista de aplicativos na loja. Além disso, as plataformas de nuvem pública (AWS, GCP, Azure) forneceram infraestrutura de nível bancário como um utilitário; microsserviços e pipelines de CI/CD possibilitaram lançamentos de recursos semanais - até mesmo diários. As redes móveis funcionaram como trilhos de pagamento; códigos QR e contas virtuais deslocaram o hardware dedicado de POS e redes de agências.

Curva de custo
Neste novo modelo, os clientes forneceram o terminal, a largura de banda e a autenticação; o custo incremental de integração caiu para uma fração dos custos de integração de um cliente baseado em filial ou comerciante. As taxas de transação em plataformas baseadas em aplicativos caem abaixo de 1%, abrindo acesso lucrativo a pagamentos de baixo valor e contas isentas de taxas.

Vencedores & seus playbooks

• Nubank (Brasil, fundado em 2013)
  • Aquisição apenas para dispositivos móveis via lista de espera viral; mais de 2.000 micro‑serviços AWS para análise de crédito em tempo real.
  • Código implantado dezenas de vezes por dia, lançando recursos mais rápido do que os reguladores poderiam aprovar os aumentos de preços dos bancos tradicionais.
  • Até 2023: 100 milhões de clientes em toda a América Latina; US$ 11 bilhões em taxas legadas economizadas para os usuários; participação de dois dígitos no mercado de cartões do Brasil, mantendo uma das menores razões de custo-renda no setor bancário global.
  • Sua receita está crescendo a duas vezes a taxa de seus custos e está a caminho de se tornar o banco mais lucrativo do Brasil até 2028.
• TymeBank (África do Sul, fundada em 2019)
  • Núcleo em nuvem na AWS; KYC instantâneo e sem papel por meio de quiosques biométricos dentro de redes de supermercados (Pick n Pay, Boxer).
  • Sem filiais próprias, equipe técnica enxuta; venda cruzada de poupança, crédito e seguros no aplicativo.
  • Até 2024: 8 milhões de clientes; alcançadolucratividade em menos de cinco anos, demonstrando que a distribuição física pode ser terceirizada enquanto o núcleo permanece puramente digital.
• Outros exemplos incluem empresas como Flutterwave, Stitch, MNT Halan, Paystack e Paymob.

Por que eles venceram

• Distribuição sem infraestrutura;
• Economia elástica
• Superfícies voltadas para desenvolvedores;
• Ciclos de iteração rápida;

Juntos, esses players ilustram como dispositivos de propriedade do cliente mais uma arquitetura nativa de nuvem criam uma vantagem estrutural de custo — e tornaram a velocidade, e não a escala legada, a arma decisiva tanto na banca africana quanto na global.

Lições Chave das Mudanças de Plataforma Passadas

Algumas lições importantes das mudanças de plataformas anteriores

1. Todas as mudanças na plataforma permitiram que serviços financeiros fossem realizados de uma maneira diferente. A ideia fundamental era a estrutura de custos de um problema específico, seja o custo para transacionar ou o custo para distribuir.
2. Os beneficiários das mudanças de plataforma foram ou bancos que rapidamente adotaram a tecnologia (BoFA, Citi) ou novos entrantes que entenderam o que a mudança possibilitou (Stripe, Nubank);

O Contexto para IA Generativa

Para mim, as mudanças de plataforma no passado se concentraram em custo e distribuição, dado que esses domínios eram realmente específicos de software, ou seja, determinísticos. A Gen AI pode não ser necessariamente um problema de custo e distribuição. Minha visão é que a Gen AI será uma redução de 10.000 vezes no custo de oferecer um relacionamento sob medida. Atualmente, bancos e fintechs têm distribuído transações por meio de tecnologia e essa é uma tendência que continuará. Quase todo mundo transaciona pelo celular, com muito poucas transações acontecendo na agência. Isso se aplica tanto a indivíduos quanto a clientes corporativos. No entanto, o gargalo restante para a distribuição adicional de serviços financeiros é possibilitar o relacionamento bancário em grande escala. Isso porque esse trabalho ainda é feito por seres humanos, dado que a gestão de relacionamentos é de alto contexto e requer julgamento.

A Gen AI pode oferecer um "banco de relacionamento" premium por centavos por cliente. Hoje, um RM africano de destaque custa cerca de $6.000 por mês para atender aproximadamente 30 clientes, cerca de $300 cada após despesas gerais. Transferir esse trabalho para a IA pode reduzir o custo para meros centavos, desbloqueando conselhos de alto toque para o mercado de massa e transformando o acesso financeiro em todo o continente. Na minha opinião, essa é a próxima fronteira, uma vez que o Fintech transacional já foi resolvido.

Os relacionamentos ainda serão importantes no setor bancário—mas eles mudarão de humano para humano para humano para IA. As conversas sobre dinheiro muitas vezes carregam vergonha; muitos clientes escondem perguntas básicas do olhar de um banqueiro. Uma IA inanimada e incansável reduz essa barreira social, convidando à sinceridade e a infinitas perguntas "estúpidas". Maior honestidade mais orientação 24/7 torna a IA um poderoso e escalável gerente de relacionamento.

Iniciativas Globais de IA

Como os Bancos do Mundo Estão Realmente Usando a IA Generativa

Se você remover as manchetes e o alvoroço, a pergunta permanece: o que os maiores bancos do mundo estão realmente fazendo com a IA generativa? Não o potencial futuro. Não o que os fornecedores estão oferecendo. O que foi realmente implementado e onde?

Nos últimos dois anos, o setor financeiro global entrou silenciosamente na era da IA generativa. Mas a imagem que emerge não é uniforme. É uma mistura de ferramentas internas silenciosas, experimentos cautelosos voltados para o cliente e alguns movimentos genuinamente ousados que sugerem como os bancos podem ser reestruturados de dentro para fora. Abaixo, dou uma visão geral;

Interno Primeiro, Cliente Depois

Se há um tema consistente, é este: a IA começa de dentro.

A maior parte da adoção de IA generativa tem se concentrado na produtividade interna—ferramentas que ajudam os funcionários a fazer mais com menos. DeAssistente de analista do JPMorgan que analisa pesquisa de equity, para Ferramenta da Morgan Stanley impulsionada por GPT para gerentes de patrimônio, a aposta inicial é em capacitar os banqueiros, não em substituí-los.

Goldman Sachs é construindo copilotos para desenvolvedores.O Citi tem resumos de IA ajudando a equipe a lidar com memorandos e redigir e-mails. O “Standard Chartered”SC GPT” está ativo para 70.000 funcionários, ajudando com tudo, desde redação de propostas até consultas de RH.

Dado que vivemos em um ambiente regulatório de alta supervisão, ferramentas internas fazem sentido porque os bancos podem experimentar e aprimorar suas habilidades em IA sem enfrentar quaisquer infrações regulatórias. Se a recente ação do CBN contra a Zap é um indicativo, então é melhor prevenir do que remediar.

Segmento por Segmento: Onde Está o Valor

Divisões diferentes estão se movendo a diferentes velocidades. O banco de varejo lidera em termos de volume. Nesse sentido, o Wells Fargo’sFargo ou Bank of America’s Erica, chatbots alimentados por IA generativa agora estão lidando com centenas de milhões de interações anualmente. Na Europa, o Commerzbank lançou recentemente Ava, seu próprio chatbot.

O problema, no entanto, é que alguns desses não estão realmente usando IA generativa e, de fato, estão dependendo de aprendizado de máquina. Isso artigo dá uma boa explicação de como o Erica do Bank of America funciona, na verdade é um turco mecânico. No entanto, é a experimentação que importa.

No banco corporativo e de investimento, a mudança é mais sutil. As ferramentas internas do JPMorgan suportam as equipes de pesquisa e vendas, e não os clientes.O Deutsche Bank está usando IA para analisar os registros de comunicação dos clientes. Isso não é atendimento ao cliente—é alavancagem de dados, ajudando os banqueiros a entender e atender os clientes melhor e mais rápido.

A gestão de patrimônio está em um meio termo. A IA do Morgan Stanley não conversa diretamente com os clientes, mas garante que os consultores nunca entrem em uma reunião despreparados. O Deutsche Bank e o First Abu Dhabi Bank estão testando assistentes voltados para clientes de alto nível, projetados para responder a perguntas de investimento complexas em tempo real.

Diferenças Regionais: Quem Está se Movendo Rápido?

Fonte:Índice de IA Evidente

A América do Norte está liderando, como era de se esperar. Os bancos dos EUA; JPMorgan, Capital One, Wells Fargo, Citi e RBC transformaram a IA em um motor de produtividade. E graças a parcerias com a OpenAI e a Microsoft, eles tiveram acesso antecipado a modelos de ponta.

A Europa é mais cautelosa. BBVA, Deutsche e HSBC estão testando ferramentas internamente, muitas vezes com mais restrições. O GDPR lança uma longa sombra. Como sempre, a Europa está focando na regulação em vez do progresso, e isso pode custar caro.

A África e a América Latina estão em um estágio inicial, mas avançando rapidamente. O Nubank no Brasil é um destaque, fazendo parceria com a OpenAI para implantar ferramentas internamente e, eventualmente, para os clientes. Na África do Sul, bancos como o Standard Bank e o Nedbank estão realizando pilotos internos de IA em áreas de risco, suporte e desenvolvimento.

China: Construindo Sua Própria Pilha de IA

Os bancos da China não estão apenas usando IA—estão construindo a pilha.

• ICBC lançouZhiyong, um modelo de linguagem grande de 100 bilhões de parâmetros construído internamente. Foi chamado mais de um bilhão de vezes, impulsionando casos de uso que vão desde análise de documentos até automação de marketing em 200 domínios empresariais. Não é apenas uma ferramenta interna, é uma mudança fundamental na forma como o banco opera.
• O Ant Group lançou dois LLMs financeiros -Zhixiaobao 2.0 (para clientes de varejo) eZhixiaozhu 1.0 (para profissionais financeiros). O primeiro é projetado para explicar produtos financeiros para usuários comuns dentro do Alipay. O último ajuda gerentes de patrimônio a resumir relatórios de mercado e gerar insights de portfólio.
• Ping An Group, uma das minhas fintechs favoritas, uma combinação de seguros, bancos e tecnologia, está indo ainda mais longe. Ela construiuPergunte ao Bob, um assistente de IA generativa tanto para clientes quanto para gerentes de relacionamento. Para os clientes, o AskBob pode responder a perguntas sobre investimentos e seguros em chinês natural. Para os consultores, ele puxa e resume o histórico do cliente, dados de produtos e materiais de marketing, transformando cada agente em um especialista financeiro digitalmente aprimorado. A ambição da Ping An é redefinir a consultoria financeira por meio da IA, não apenas responder perguntas, mas antecipá-las.

Na China, onde as estruturas regulatórias incentivam fortemente a localização de dados e a transparência dos modelos, essas instituições estão tomando o caminho longo: construindo IA treinada sob medida que pode prosperar em ambientes regulatórios, linguísticos e de mercado domésticos. Além disso, a China possui uma densidade de talentos suficiente para permitir que os bancos construam seus próprios modelos fundamentais, um feito que pode não ser repetido em nenhum outro lugar do mundo.

Quem está por trás disso?

Alguns grandes nomes aparecem em todos os lugares: a Microsoft (via Azure OpenAI) é de longe a plataforma mais comum. Todos, desde o Morgan Stanley até o Standard Chartered, estão executando seus modelos na sandbox segura da Microsoft.

Os LLMs do Google também estão em jogo, o Wells Fargo usa o Flan para impulsionar o Fargo. E na China, é principalmente desenvolvido internamente: DeepSeek, Hunyuan e outros.

Alguns bancos, como JPMorgan, ICBC e PingAn, estão treinando seus próprios modelos. Mas a maioria está ajustando modelos existentes. Não se trata de possuir o modelo. Trata-se de possuir a camada de dados e a orquestração.

Visão Geral das Diferentes Iniciativas de IA Globalmente

E daí?

Em uma indústria altamente regulamentada, é importante ser cauteloso e é por isso que os bancos estão mantendo a IA no loop, não na linha de frente. No entanto, como observamos em outras mudanças de plataforma, é crítico ser decisivo e experimentar rapidamente. A regulamentação nunca estará à frente da execução e não é inteligente atrasar a experimentação com IA com a ideia de que você deve esperar pelas regulamentações. Lembro-me de ter construído o banking de agência há mais de uma década em um país que não tinha tais regulamentações. Depois que o construímos, fomos nós que o explicamos ao Banco Central. Se eu estivesse no conselho de um banco, minha pergunta seria "quantos experimentos estamos realizando e quantos insights estamos gerando?"

Para realmente medir o progresso, você deve voltar aos fundamentos de uma mudança de plataforma. Sua estratégia de IA deve responder:

“Nossa estratégia de IA reconstruirá a arquitetura central, cortará custos em 100×, desbloqueará novos modelos de valor, impulsionará conexões de ecossistema, disruptará mercados e democratizará o acesso?”

A lógica é clara, é importante ser cético, mas a lógica e os fatos apontam para a IA sendo uma nova mudança de plataforma. Além disso, a lógica e os fatos mostram que mudanças de plataforma passadas mudaram proverbialmente o queijo nos mercados financeiros. O trabalho do Citi com tecnologia nos anos 70 e 80 expandiu significativamente seus negócios de varejo. A Capital One surgiu do nada para se tornar um dos 10 principais bancos do mercado e um jogador significativo em indústrias adjacentes, como empréstimos automotivos e hipotecas. Na África, o Equity Bank surfou na onda cliente-servidor para se tornar o maior banco da África Oriental em valor de mercado. A mesma onda foi surfada pelo Access Bank, GT Bank e Capitec em seus respectivos mercados.

A era da plataforma de IA chegou e ela criará vencedores. A ideia não é focar nos perdedores, pois o que acontece é que os vencedores conquistam uma participação significativa no mercado em um vetor específico, por exemplo, Stripe em Pagamentos. Esses cunhos iniciais levam a ganhos de participação de mercado em áreas adjacentes, como a forma como o Nubank usou cartões de crédito para se tornar um jogador sério no setor bancário de PMEs e varejo.

Minha visão é que os vencedores na era da IA se concentrarão no custo do relacionamento. Não é mais um jogo transacional. Isso já aconteceu. É um jogo de experiência do cliente e relacionamento. Este é o insight fundamental que os líderes de serviços financeiros devem levar em consideração. Como você pode criar uma melhoria de 100x na experiência do cliente e no banco de relacionamento a uma fração do custo? Como podemos aproveitar a inteligência como um banco para ajudá-lo a gerenciar melhor suas finanças, seus negócios e sua vida? Os players que responderem a essas perguntas e executarem serão os vencedores.

Isenção de responsabilidade:

1. Este artigo é reproduzido de [Newsletter de Fintech Frontier]. Encaminhe o Título Original ‘#81 - Além do Hype: Por Que a Gen AI É a Próxima Verdadeira Mudança de Plataforma do Banco (Gratuito para Ler)’. Todos os direitos autorais pertencem ao autor original [Mary Mogoi]. Se houver objeções a esta reimpressão, entre em contato com o Gate Learn equipe, e eles irão cuidar disso prontamente.
2. Isenção de Responsabilidade: As opiniões e visões expressas neste artigo são exclusivamente do autor e não constituem qualquer conselho de investimento.
3. As traduções do artigo para outras línguas são feitas pela equipe do Gate Learn. A menos que mencionado, copiar, distribuir ou plagiar os artigos traduzidos é proibido.