*Encaminhar o Título Original ‘#81 - Além do Hype: Por Que a IA Gen é a Próxima Verdadeira Mudança de Plataforma dos Bancos (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 fazer ou quebrar o desempenho de uma empresa. Navegar por regulamentações complexas 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, até mesmo instituições bem financiadas correm o risco de cometer erros dispendiosos que inquietam os investidores, atrasam o crescimento e minam a confiança dos clientes.

A Triage traz uma mistura de experiência prática como operadores em serviços bancários e financeiros, além de experiência global ao trabalhar com algumas das maiores empresas de serviços financeiros do mundo. Nossa equipe trabalhou com líderes seniores em mais de 35 países da África, apoiando uma variedade de estratégias de crescimento e mudança em um espectro de clientes, desde empreendimentos em estágio inicial até escalas, passando por transformações digitais e reviravoltas. Essa ampla experiência nos permite distinguir a diferença entre expertise passageira e capacidade genuína, garantindo que você se envolva com líderes que realmente compreendem o que é necessário para ter sucesso no rapidamente evolutivo mundo dos serviços financeiros.

Introdução

Ceticismo é o que é necessário para olhar além 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 jovem na área financeira, 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, 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 na área financeira é que elas caem na armadilha de serem céticas pelo valor de sinalizar socialmente que são inteligentes.

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

Este é um contexto útil para a atual discussão sobre IA generativa, particularmente em banca e finanças. É importante referir-se especificamente à IA generativa, em oposição ao aprendizado de máquina que 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 vastos conjuntos de dados. O ceticismo preguiçoso está levando muitas pessoas a chamarem prematuramente a IA de exagero, enquanto um otimismo desenfreado pode levar a investimentos prematuros. Para que decisões inteligentes sobre IA sejam tomadas, é importante colocar a IA em contexto, particularmente 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, em geral, tomem as decisões certas.

No artigo de hoje, vamos entender o que é uma mudança de plataforma, revisar 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 iniciativas globais de bancos e Fintechs em torno da IA e avaliar as principais lições para líderes na indústria de serviços financeiros.

Mudanças de Plataforma e Serviços Financeiros

O que é uma Mudança de Plataforma

A finança, como qualquer outra indústria, está sujeita às incertezas que a tecnologia traz. Quer se trate do telegrama e do seu impacto na banca baseada em agências, ou do mini-computador e do seu impacto nos caixas eletrônicos. A finança sempre se adaptou às mudanças de plataforma. Em tecnologia, uma mudança de plataforma refere-se a uma mudança fundamental na arquitetura tecnológica subjacente que permite novas capacidades devido a uma alteração significativa 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 reduz por um fator de 10x+ 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 alterações radicais na forma como a tecnologia é estruturada e acessada, não apenas melhorias nos sistemas existentes.
• Melhorias Exponenciais em Custo-Desempenho: Normalmente, proporcionam melhorias de ordem de magnitude (10x ou mais) em custo, desempenho ou capacidades, não apenas ganhos incrementais.
• Novos Modelos de Criação de Valor: As mudanças de plataforma permitem modelos de negócios e de criação de valor inteiramente novos que anteriormente não eram viáveis.
• Formação de Ecossistemas: Eles geram ecossistemas ricos de produtos, serviços e negócios complementares. Isso é frequentemente um efeito, em vez de uma característica definidora.
• Perturbação do Mercado: As mudanças nas plataformas muitas vezes perturbam indústrias existentes e criam mercados completamente novos.
• Democratização: Eles normalmente tornam a tecnologia acessível a um público mais amplo, permitindo a participação de 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 principais
Antes da década de 1950, os bancos mantinham livros de contas manualmente ou com tabuladores eletromecânicos. Processar um cheque significava um funcionário digitar um item, arquivar papel e conciliar totais no final do dia. Mainframes como o System / 360 da IBM introduziram a computação com programas armazenados, reconhecimento de caracteres em tinta magnética e processamento em lotes. Pela primeira vez, uma única máquina podia ler dezenas de milhares de cheques por hora, aplicar regras de conta automaticamente e registrar resultados durante a noite.

Curva de custo
A fatura de capital foi elevada, vários milhões de dólares, mas o custo marginal de postar uma transação caiu cerca de cem para um em relação à entrada manual. As taxas de erro colapsaram, as janelas de corte foram reduzidas e a escala tornou-se um problema de software em vez de um problema de pessoal.

A história do vencedor
Na América do pós-Segunda Guerra Mundial, a classe média dos EUA estava em expansão e a demanda por serviços bancários e cheques em particular estava a crescer. No Bank of America, o número de contas de verificação estava a crescer a uma taxa de 23.000 contas por mês e o banco teve de fechar às 14h apenas para processar cheques. O Bank of America implementou oMáquina de Registo Electrónico 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 contabilista humano. Lidou com três quartos de um bilhão de lançamentos por ano e libertou o banco para expandir-se além da Califórnia sem contratar milhares de empregados. Para o Bank of America, ao melhorar dramaticamente a capacidade de processamento (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 de 1980)

Contexto histórico e principais características
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 implementar sistemas mini e de médio porte (de fornecedores como DEC, Data General, linha AS/400 da IBM, etc.) a nível de departamento ou filial. Esta era viu o nascimento de redes eletrônicas e serviços fintech que podiam operar em infraestruturas mais baratas, permitindo novos players especializados.

Curva de custo
Uma filial agora poderia 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 tornaram-se econômicos. Minicomputadores reduziram o preço da computação. Um mini da metade dos anos 1970 poderia custar dezenas de milhares, reduzindo os custos de computação por unidade em uma ordem de grandeza em comparação com os mainframes dos anos 1960. 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 atendimento 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, conectou-os a caixas eletrônicos e lançou a sua campanha de marketing "Citi Never Sleeps" em 1977. Quando uma nevasca paralisou Nova Iorque em 1978, os caixas eletrônicos do Citi continuaram a atender os clientes, os volumes de transações aumentaram vinte por cento e a participação de depósitos na cidade duplicou em três anos. Os custos com atendentes, aproximadamente um dólar por visita,caiu para cerca de trinta cêntimos num ATM.

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

Contexto histórico e características chave
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 tratava da apresentação, um servidor de médio porte armazenava os dados, e o SQL comunicava-se entre eles através de uma rede local. Bancos de dados relacionais prontos para uso significavam novas percepções: milhões de linhas podiam ser consultadas em segundos, permitindo modelos de marketing estatístico e de risco.

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

A história do vencedor
A Capital One, desprendida do Signet Bank em 1994, utilizou uma rede cliente-servidor a correr Oracle para testar milhares de ofertas de cartões de crédito em paralelo. Avaliou o risco a nível individual e aumentou a sua base de clientes em quarenta por cento em 1997, enquanto os incumbentes dependiam de amplos níveis FICO. O retorno sobre o capital próprio superou consistentemente os vinte por cento porque a análise substituiu a precificação generalizada. Outros vencedores incluíram Charles Schwab, que percebeu que a era cliente-servidor poderia democratizar a corretagem de ações.

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

1. O Equity Bank que aproveitou a arquitetura cliente-servidor e mini-computadores para escalar suas capacidades transacionais ao atualizar para o Finacle (um sistema bancário central baseado em cliente-servidor), enquanto também escalava sua rede de ATMs 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 por capitalização de mercado;
2. Banco GT - Usou uma arquitetura cliente-servidor para melhorar o processamento de transações na agência, permitindo um melhor atendimento ao cliente. Antes disso, os clientes tinham que esperar horas para processar um simples depósito ou levantamento.

4. Cloud 1.0: Infraestrutura como Serviço (2006–início da década de 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. Uma aplicação poderia escalar de dez usuários para dez milhões sem uma ordem de compra de hardware.

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

A história do vencedor
A Stripe foi lançada em 2010, quatro anos após a AWS ter sido lançada em 2006, com uma API de pagamento que ficou ativa em minutos. O seu exemplo de código de sete linhas abstraiu a subordinação de comerciantes, liquidação e conformidade. Até 2024, a Stripe processou cerca de US $1,4 trilhão em pagamentos, volumes que anteriormente estavam com adquirentes bancários e processadores legados, e o seu custo de integração permaneceu um erro de arredondamento graças à faturação em nuvem baseada no uso. As APIs tornaram-se uma nova forma de criação de valor, validando a nuvem como uma verdadeira mudança de plataforma.

5. Era Móvel & Nativa na Nuvem (2010s – 2020s)

Fonte: [itweb.co.za]

Contexto histórico & características principais
Os smartphones colocam um computador de internet, sensor biométrico e elemento seguro em cada bolso, transformando a “distribuição” numa listagem de loja de aplicativos. Além disso, as plataformas de nuvem pública (AWS, GCP, Azure) forneceram infraestrutura de grau bancário como uma utilidade; micro-serviços e pipelines de CI/CD possibilitaram lançamentos de funcionalidades semanalmente — até diariamente. As redes móveis funcionaram como trilhos de pagamento; códigos QR e contas virtuais substituíram o hardware dedicado de POS e as redes de agências.

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

Vencedores & os seus livros de estratégias

• Nubank (Brasil, fundado em 2013)
  • Aquisição apenas para dispositivos móveis através de uma 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 rapidamente 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 custo-rendimento na banca global.
  • A sua receita está a crescer a um ritmo duas vezes superior ao das suas despesas e estão a caminho de se tornarem 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 através de quiosques biométricos dentro de cadeias de supermercados (Pick n Pay, Boxer).
  • Sem filiais próprias, equipe técnica enxuta; venda cruzada de poupanças, crédito e seguros no aplicativo.
  • Até 2024: 8 milhões de clientes; alcançadolucratividade em menos de cinco anos, demonstrando que a distribuição física pode ser subcontratada enquanto o núcleo permanece puramente digital.
• Outros exemplos incluem empresas como Flutterwave, Stitch, MNT Halan, Paystack e Paymob.

Por que eles ganharam

• Distribuição sem infraestrutura;
• Economia elástica
• Superfícies focadas no desenvolvedor;
• Ciclos de iteração rápida;

Tomados em conjunto, estes players ilustram como dispositivos de propriedade do cliente mais uma arquitetura nativa da nuvem criam uma vantagem estrutural de custo — e fazem da velocidade, e não da escala legada, a arma decisiva tanto na banca africana como na global.

Principais Lições de Mudanças de Plataforma Passadas

Algumas lições-chave de mudanças de plataforma passadas

1. Todas as mudanças na plataforma permitiram que os serviços financeiros fossem realizados de uma maneira diferente. A ideia fundamental era a estrutura de custos de um problema específico, seja o custo de transação ou o custo de distribuição.
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 possibilitava (Stripe, Nubank);

O Contexto da IA Generativa

Para mim, as mudanças anteriores nas plataformas focaram no custo e na distribuição, dado que esses domínios eram realmente específicos de software, ou seja, determinísticos. A Gen AI pode não ser necessariamente uma questão de custo e distribuição. A minha opinião é que a Gen AI representará uma redução de 10.000x no custo de entrega de um relacionamento personalizado. Atualmente, os bancos e as Fintechs distribuíram transações através da tecnologia e esta é uma tendência que continuará. Quase todos realizam transações no seu telefone, com muito poucas transações a acontecerem na agência. Isso se aplica tanto a indivíduos quanto a clientes corporativos. No entanto, o principal gargalo para a distribuição adicional de serviços financeiros é permitir o banco relacional em escala. Isso porque continua a ser trabalho de 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 gestor de relacionamento (RM) de topo na África custa cerca de $6 000 por mês para atender ~30 clientes, cerca de $300 cada, após custos indiretos. Se esse trabalho for transferido para a IA, o custo pode cair para meros centavos, desbloqueando conselhos personalizados para o mercado de massa e transformando o acesso financeiro por todo o continente. Na minha opinião, este é o próximo frontier, dado que o Fintech transacional já foi resolvido.

Os relacionamentos continuarão a ser importantes no setor bancário - mas vão mudar de humano‑para‑humano para humano‑para‑IA. As conversas sobre dinheiro muitas vezes trazem vergonha; muitos clientes escondem perguntas básicas do olhar de um banqueiro. Uma IA inanimada e incansável reduz essa barreira social, convidando à franqueza e a intermináveis perguntas "estúpidas". Maior honestidade, mais orientação 24/7, faz da IA um poderoso e escalável gestor de relacionamentos.

Iniciativas Globais de IA

Como os bancos do mundo estão realmente a usar a IA generativa

Se você remover as manchetes e a agitação, a questão 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 promovendo. O que realmente foi implantado 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 indicam como o setor bancário pode ser reestruturado de dentro para fora. Apresento uma visão geral abaixo;

Interno Primeiro, Cliente Depois

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

A maior parte da adoção de IA generativa tem-se concentrado na produtividade interna—ferramentas que ajudam os colaboradores a fazer mais com menos. DeAssistente de analista da JPMorgan que analisa pesquisa de equity, para Ferramenta da Morgan Stanley impulsionada por GPT para gestores de riqueza, a primeira aposta é no empoderamento dos banqueiros, e não na sua substituição.

Goldman Sachs é construindo copilotos para desenvolvedores.A Citi tem resumos de IA ajudando os funcionários a lidarem com memorandos e a redigirem e-mails. O "Standard Chartered"SC GPT” está ativo para 70.000 funcionários, ajudando com tudo, desde a redação de propostas até questões de RH.

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

Segmento a Segmento: Onde Está o Valor

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

O problema, no entanto, é que alguns destes não estão realmente a utilizar IA generativa e estão de facto a depender de aprendizagem automática. Este artigo fornece uma boa explicação de como a Erica do Bank of America funciona, é de fato um turco mecânico. No entanto, o que importa é a experimentação.

No setor bancário corporativo e de investimento, a mudança é mais subtil. As ferramentas internas do JPMorgan apoiam as equipes de pesquisa e vendas, não os clientes.O Deutsche Bank está a usar IA para analisar os registos de comunicação dos clientes. Isto 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 património encontra-se em algum lugar entre os dois. A IA do Morgan Stanley não fala diretamente com os clientes, mas garante que os consultores nunca entrem numa reunião despreparados. O Deutsche Bank e o First Abu Dhabi Bank estão a testar assistentes voltados para os clientes dos seus principais clientes, concebidos para responder a questões de investimento nuançadas em tempo real.

Diferenças Regionais: Quem Está a Avançar Rápido?

Fonte:Índice de IA Evidente

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

A Europa é mais cautelosa. BBVA, Deutsche e HSBC estão a testar ferramentas internamente, muitas vezes com mais restrições. O GDPR lança uma longa sombra. Como sempre, a Europa está a concentrar-se na regulamentação em vez do progresso e isso pode custar-lhes.

A África e a América Latina estão numa fase mais inicial, mas a avançar rapidamente. A Nubank no Brasil é um destaque, fazendo parceria com a OpenAI para implementar ferramentas internamente e, eventualmente, para os clientes. Na África do Sul, bancos como o Standard Bank e o Nedbank estão a realizar pilotos internos de IA em áreas como risco, apoio e desenvolvimento.

China: Construindo Seu Próprio Stack de IA

Os bancos da China não estão apenas a usar IA—estão a construir a pilha.

• O ICBC lançouZhiyong, um modelo de linguagem grande com 100 bilhões de parâmetros construído internamente. Foi chamado mais de um bilhão de vezes, impulsionando casos de uso que vão desde a análise de documentos até a automação de marketing em 200 domínios de negócios. 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 retalho) eZhixiaozhu 1.0 (para profissionais financeiros). O primeiro é projetado para explicar produtos financeiros a usuários comuns dentro do Alipay. O último ajuda os gestores de património a resumir relatórios de mercado e a gerar insights sobre portfólios.
• O Grupo Ping An, um dos meus fintechs favoritos, uma combinação de seguros, banca e tecnologia, está avançando ainda mais. Ele construiuAskBob, um assistente de IA generativa tanto para clientes como para gestores de relacionamento. Para os clientes, o AskBob pode responder a perguntas sobre investimentos e seguros em chinês natural. Para os consultores, ele extrai e resume o histórico dos clientes, dados de produtos e materiais de marketing, transformando cada agente em um especialista financeiro aumentado digitalmente. A ambição da Ping An é redefinir o aconselhamento financeiro através da IA, não apenas responder a 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 talento suficiente para permitir que os bancos construam seus próprios modelos fundamentais, uma façanha que pode não ser repetida em nenhum outro lugar do mundo.

Quem está a impulsionar isto?

Alguns grandes nomes aparecem em todo o lado: a Microsoft (via Azure OpenAI) é, de longe, a plataforma mais comum. Todos, desde o Morgan Stanley até ao Standard Chartered, estão a executar os seus modelos no ambiente seguro 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 de origem local: DeepSeek, Hunyuan e outros.

Alguns bancos, como o JPMorgan, o ICBC e o PingAn, estão a treinar os seus próprios modelos. Mas a maioria está a ajustar 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?

Num setor altamente regulamentado, é importante ser cauteloso e é por isso que os bancos estão mantendo a IA em loop, e não nas linhas de frente. No entanto, como temos observado em outras mudanças de plataforma, é fundamental ser decisivo e experimentar rapidamente. A regulamentação nunca estará à frente da execução e não é inteligente atrasar a experimentação da IA com a ideia de que você deve esperar por regulamentações. Lembro-me de ter construído a banca de agências há mais de uma década em um país que não tinha tais regulamentações. Uma vez que a construímos, fomos nós que a explicamos ao Banco Central. Se eu estivesse no conselho de um banco, minha pergunta seria: "quantos experimentos estamos realizando e quantas percepções estamos gerando?"

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

“A nossa estratégia de IA reconstrói a arquitetura central, reduz os custos em 100×, desbloqueia novos modelos de valor, provoca ligações no ecossistema, perturba mercados e democratiza o acesso?”

A lógica é clara, é importante ser cético, mas a lógica e os fatos apontam para a IA como uma nova mudança de plataforma. Além disso, a lógica e os fatos mostram que mudanças de plataforma passadas mudaram proverbiais o queijo nos mercados financeiros. O trabalho do Citi com tecnologia nos anos 70 e 80 expandiu significativamente seu negócio 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 de automóveis e hipotecas. Na África, o Equity Bank surfou a onda do cliente-servidor para se tornar o maior banco da África Oriental em termos de capitalização 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 criará vencedores. A ideia não é focar nos perdedores, porque o que acontece é que os vencedores conquistam uma participação significativa de mercado em um vetor específico, por exemplo, a Stripe em Pagamentos. Esses cunhos iniciais levam a ganhos de participação de mercado em áreas adjacentes, como a Nubank que usou cartões de crédito para se tornar um jogador sério em banca PME e retalho.

A minha opinião é que os vencedores na era da IA irão focar-se no custo da relação. Já não é um jogo transacional. Isso já aconteceu. É um jogo de experiência do cliente e de relacionamento. Esta é a percepção central que os líderes dos serviços financeiros devem ter. Como pode criar uma melhoria de 100x na experiência do cliente e no relacionamento bancário a uma fração do custo? Como podemos aproveitar a inteligência como banco para ajudá-lo a gerir melhor as suas finanças, o seu negócio e a sua vida? Os intervenientes que responderem a estas questões e executarem serão os vencedores.

Declaração de isenção de responsabilidade:

1. Este artigo é reproduzido de [Newsletter de Fintech Frontier]. 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)’. Todos os direitos autorais pertencem ao autor original [Mary Mogoi]. Se houver objeções a esta reimpressão, por favor contacte o Gate Learn equipe, e eles tratarão disso prontamente.
2. Declaração de Isenção de Responsabilidade: As opiniões e pontos de vista expressos 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 Gate Learn. A menos que mencionado, copiar, distribuir ou plagiar os artigos traduzidos é proibido.