Do piloto à produção: por que a GenAI trava no setor financeiro (e o que separa quem escala de quem patina)
- Dados e IA
- Artigo
O setor financeiro vive um paradoxo. A McKinsey estima que a IA generativa pode adicionar entre US $200 bilhões e US$ 340 bilhões por ano ao setor bancário global — o equivalente a 9% a 15% do lucro operacional. Ao mesmo tempo, o estudo GenAI Divide, do MIT, mostra que 95% dos pilotos de GenAI em empresas não produzem impacto mensurável no resultado.
Os dois números estão corretos. E a distância entre eles é exatamente o tema deste artigo: o que separa a instituição que escala IA daquela que coleciona pilotos.
O piloto funcionou — e foi exatamente esse o problema
O piloto quase sempre funciona. Ambiente controlado, dados escolhidos a dedo, escopo protegido, um time dedicado torcendo pelo resultado. A demonstração impressiona a diretoria, o projeto ganha manchete interna — e então a iniciativa morre tentando atravessar a porta do laboratório para a operação.
O piloto bem-sucedido cria uma ilusão de prontidão. Ele prova que a tecnologia funciona, mas não prova que a instituição está pronta para ela. E é nesse intervalo que os projetos se acumulam: o Gartner previa que pelo menos 30% dos projetos de GenAI seriam abandonados após a prova de conceito até o fim de 2025 — por qualidade de dados, controles de risco inadequados, custos crescentes ou valor de negócio pouco claro. Repare na lista: nenhum desses motivos é tecnológico.
Nenhuma instituição trava por falta de modelo
Este ponto precisa ser dito com clareza para quem decide orçamento: o modelo de IA deixou de ser o diferencial. Os grandes modelos estão commoditizados, acessíveis por API, com custo caindo a cada trimestre. Nenhum banco, corretora ou adquirente está patinando porque escolheu o modelo errado.
O gargalo é sistêmico, não técnico — como aponta a análise da Databricks sobre as tendências de dados e IA em serviços financeiros: em 2026, IA não é mais a vantagem; execução é. A divisória do setor passou a ser entre quem consegue operacionalizar IA e quem continua preso em pilotos. E operacionalizar não é um problema de modelo: é um problema de integração, governança e dados.
Integração é onde a IA encontra o banco de verdade
No piloto, a IA conversa com uma planilha. Em produção, ela precisa conversar com o core banking, com o sistema de custódia, com o CRM, com a conciliação, com o data warehouse que recebe carga em batch toda madrugada — e com processos que existem há vinte anos e sustentam a operação inteira.
É essa a parede onde os projetos quebram. Em uma pesquisa com clientes enterprise da Dataiku, a principal razão para iniciativas de IA perderem tração depois do piloto foi justamente o mau encaixe com os sistemas existentes (40% das respostas), seguida pela falta de confiança dos usuários nas respostas (33%) e pela ausência de um dono claro para a iniciativa (23%). Integração, confiança e dono: três problemas de arquitetura e de gestão, nenhum deles de algoritmo.
O que muda na prática: IA em produção, com resultado no P&L
Um exemplo do outro lado do muro: em parceria com a Objective, uma fintech de pagamentos colocou em produção um agente de IA de FinOps que identifica e corrige anomalias de custo de nuvem de forma contínua — reduzindo de forma mensurável o gasto gerado por essas anomalias.
Note o desenho da solução: um problema de negócio concreto (custo operacional recorrente), integração direta com a infraestrutura real da empresa e um agente que opera dentro de regras e limites definidos — não um chatbot de demonstração. É assim que IA sai do piloto: escopo real, integração real, governança real, resultado que aparece no P&L.
Escalar não é rodar mais; é rodar sob governança
No setor financeiro, essa frase tem peso duplo. Escalar IA não é multiplicar o número de usuários do assistente interno — é colocar IA em processos regulados, sob o olhar do Banco Central, da CVM, da LGPD e do comitê de auditoria. Um modelo que erra 2% das respostas em um piloto interno é curiosidade; em um processo de crédito, suitability ou liquidação, é passivo regulatório.
Quem escala entendeu que governança não é o freio da IA — é o que permite acelerar. Rastreabilidade de decisões, controle de acesso aos dados, monitoramento contínuo dos modelos em produção e gestão de risco de modelo não são burocracia: são a licença social e regulatória para colocar IA no core do negócio. As instituições que tratam governança como etapa final do projeto descobrem, tarde demais, que ela era o projeto.
Quem operacionaliza IA tratou dado como produto antes de tratar IA como projeto
Existe um padrão claro nas instituições que cruzaram o abismo: elas resolveram a fundação antes de discutir o teto. Como resumiu bem outro artigo da Databricks, bancos não têm um problema de IA — têm um problema de plataforma de dados. O setor financeiro tem provavelmente os dados de cliente mais ricos de qualquer indústria, mas eles seguem fragmentados em sistemas que nunca foram desenhados para conversar.
Tratar dado como produto significa dados com dono, qualidade medida, catálogo, linhagem e acesso governado — prontos para consumo, não apenas armazenados. É um investimento invisível que não gera manchete nem demo bonita. Mas é o que separa a instituição que lança um caso de uso por trimestre daquela que leva um ano para tirar o primeiro piloto do papel. IA como projeto tem começo, meio e fim; dado como produto é a infraestrutura sobre a qual todos os projetos de IA vão rodar.
A divisória de 2026
A pergunta para o comitê executivo deixou de ser “estamos investindo em IA?” — quase todos estão. A pergunta certa é: quantos dos nossos pilotos viraram operação, e quanto do resultado aparece no P&L? Os 95% do MIT não são uma sentença sobre a tecnologia; são um retrato de instituições que tentaram escalar sem integração, sem governança e sem dados prontos. Os 5% que cruzaram a divisória não tinham modelos melhores. Tinham fundamentos melhores.
Sua instituição está pronta para tirar a IA do piloto? Fale com os especialistas da Objective e conheça nossas histórias de sucesso no setor financeiro.
Perguntas frequentes sobre o tema
Segundo o estudo GenAI Divide, do MIT, a falha raramente está na tecnologia. Os pilotos funcionam em ambiente controlado, mas travam ao encontrar a operação real: integração com sistemas legados, dados fragmentados, ausência de governança e falta de um dono claro para a iniciativa. O problema é sistêmico, não de modelo.
Significa colocar a IA para operar em processos reais — crédito, atendimento, conciliação, compliance — integrada ao core banking e aos sistemas que sustentam a operação, com monitoramento contínuo e resultado medido no P&L. Piloto prova que a tecnologia funciona; produção prova que a instituição estava pronta para ela.
Governança é a licença para acelerar, não o freio. Em um setor sob o olhar do Banco Central, da CVM e da LGPD, rastreabilidade de decisões, controle de acesso aos dados e gestão de risco de modelo são pré-requisitos para colocar IA no core do negócio — e não etapas finais do projeto.
Porque em produção a IA precisa conversar com sistemas que existem há décadas: core banking, custódia, CRM, conciliação. Em pesquisa da Dataiku, o mau encaixe com sistemas existentes foi a principal razão de estalo pós-piloto (40% das respostas), à frente da falta de confiança nas respostas (33%) e da ausência de dono claro (23%).
Elas trataram dado como produto antes de tratar IA como projeto: dados com dono, qualidade medida, catálogo e acesso governado. E escolheram casos de uso com dor de negócio concreta, integração real e governança desde o desenho — não modelos melhores, mas fundamentos melhores.
