A temporada de impostos é aquele período do ano que coloca todo mundo em modo de alerta, e para os bancos, isso vai muito além das obrigações fiscais comuns.
É justamente nessa época que os sistemas de IA das instituições financeiras enfrentam o seu maior teste: volumes de transações disparando, pressão regulatória nas alturas e uma complexidade de dados que não perdoa falhas.
E sabe o que acontece quando um sistema de inteligência artificial não tem uma base sólida para sustentar tudo isso?
As rachaduras aparecem, e rápido. 😬
Foi exatamente sobre isso que Mark Blake, líder de prática do setor de serviços financeiros na Stibo Systems, conversou no podcast The Buzz, do FinAi News.
Segundo ele, a temporada fiscal funciona como um verdadeiro stress test para os modelos de IA em uso nos bancos, expondo problemas que passam despercebidos no restante do ano, especialmente relacionados à qualidade de dados e à governança das informações.
Neste artigo, a gente mergulha fundo nessa conversa e entende por que acertar as fundações de dados pode ser a diferença entre uma temporada fiscal tranquila e um verdadeiro pesadelo operacional. 🚀
O cenário atual: bancos apostam pesado em IA
Antes de falar sobre os problemas, vale contextualizar o tamanho da aposta que as instituições financeiras estão fazendo em inteligência artificial. Na conversa com o FinAi News, Blake explicou que, ao longo da última década, os bancos investiram pesadamente em modernização, migrando para a nuvem, construindo plataformas de dados robustas e desenvolvendo camadas analíticas sobre essas estruturas. O resultado é que, segundo ele, cerca de dois terços das organizações financeiras já implantaram IA em alguma capacidade dentro das suas operações.
Esses sistemas estão presentes em áreas como monitoramento de fraudes, subscrição de crédito, classificação de documentos, assistentes digitais e modelagem de risco. Não estamos falando de projetos-piloto escondidos num canto da empresa. São aplicações que já fazem parte do dia a dia operacional dessas instituições, influenciando decisões que afetam milhões de clientes e bilhões em transações. E é justamente por estarem tão integrados ao funcionamento dos bancos que qualquer falha nesses modelos ganha uma dimensão enorme durante períodos de alta pressão como a temporada de impostos.
Blake também fez um ponto importante: embora muitas dessas implementações de IA estejam funcionando, boa parte delas ainda é mais tática do que estratégica. Ou seja, foram adotadas para resolver problemas específicos de departamentos isolados, sem uma visão integrada que conecte toda a cadeia de valor da organização. Esse tipo de abordagem fragmentada funciona até certo ponto, mas não resiste a momentos de pressão real, onde todos os sistemas precisam trabalhar juntos de forma coordenada e confiável.
- E-BOOK GRATUITO
Um guia prático para avaliar, comparar e implementar inteligência artificial com clareza — sem desperdício de tempo ou dinheiro.
Pare de contratar ferramentas sem direção. Criamos um método estruturado para decidir qual IA realmente faz sentido para o seu negócio.
Entrega em PDF no seu e-mail · Sem spam · LGPD
🔒 Seus dados são protegidos conforme a LGPD. Você pode descadastrar a qualquer momento.
Por que a temporada fiscal expõe as falhas dos sistemas de IA
Durante a temporada de impostos, os bancos lidam com um aumento considerável no volume de transações, consultas de clientes e obrigações de reporte para órgãos reguladores. Esse pico de atividade coloca os sistemas de IA em um ritmo muito mais intenso do que o habitual, e é aí que os problemas de base começam a aparecer com mais clareza. Quando os dados que alimentam esses modelos estão desatualizados, inconsistentes ou mal organizados, o sistema começa a entregar respostas imprecisas, recomendações erradas e, em casos mais graves, falhas que podem gerar consequências regulatórias sérias para a instituição.
Mark Blake deixou bem claro no podcast que esse cenário não é uma exceção, é a regra em boa parte das instituições financeiras que ainda não investiram de forma estratégica na qualidade de dados. O problema, segundo ele, é que durante os períodos de operação normal, esses sistemas conseguem mascarar as inconsistências porque o volume de requisições é menor e as margens de erro passam despercebidas. Mas quando a demanda aumenta drasticamente, como acontece na época de impostos, o sistema simplesmente não consegue mais esconder o que estava quebrado por baixo. É como uma ponte que parece firme no dia a dia, mas treme quando passa o caminhão pesado.
Blake destacou que a temporada fiscal é um evento orientado por prazo. Tudo precisa ser concluído dentro de uma janela específica de tempo. Isso significa que não existe margem para recomeçar ou ajustar processos no meio do caminho. Os bancos precisam que seus modelos de IA e seus pipelines de dados funcionem corretamente de primeira, o que torna qualquer falha na cadeia de informações muito mais custosa do que seria em outro momento do ano.
Outro ponto relevante trazido por Blake é que os bancos frequentemente subestimam a interdependência entre diferentes fontes de dados dentro da sua própria infraestrutura. Um dado incorreto em um cadastro de cliente pode se propagar por múltiplos sistemas de IA ao mesmo tempo, gerando erros em cascata que vão desde a personalização de ofertas até o reporte fiscal. E corrigir esses erros de forma retroativa, no meio da temporada, é um processo caro, demorado e cheio de riscos operacionais.
Os sinais de alerta que aparecem durante o período fiscal
Blake foi bem específico ao descrever quais são os red flags que costumam surgir nas instituições financeiras durante a temporada de impostos. O primeiro e mais recorrente é a inconsistência de registros entre diferentes sistemas. Quando identificadores de clientes não batem, quando há dados faltando em campos essenciais ou quando versões diferentes da mesma informação coexistem em plataformas distintas, os modelos de IA simplesmente não conseguem entregar resultados confiáveis.
O segundo grande sinal de alerta envolve questões de rastreabilidade e auditabilidade. Os reguladores financeiros exigem cada vez mais que os bancos sejam capazes de explicar como uma decisão automatizada foi tomada. Isso é o que o mercado chama de explainability, ou explicabilidade dos modelos de IA. Se o banco não consegue demonstrar a linhagem dos dados que alimentaram uma decisão, ou seja, de onde vieram, como foram processados e por que foram considerados confiáveis, ele fica exposto a questionamentos regulatórios que podem resultar em sanções.
O terceiro ponto são os sintomas operacionais que emergem quando os sistemas falham. Blake mencionou que um dos indicadores mais claros de que algo está errado é o aumento de correções manuais. Quando as equipes precisam intervir repetidamente para corrigir erros que deveriam ter sido resolvidos de forma automatizada, isso sinaliza que a qualidade de dados na base está comprometida. Informações conflitantes sobre valores, sobre o perfil de clientes ou sobre o status de transações são exemplos concretos desses problemas que consomem tempo e recursos durante o período fiscal.
Qualidade de dados: o alicerce que ninguém vê, mas todo mundo sente
A qualidade de dados é um daqueles temas que parece técnico demais para entrar em pauta nas reuniões estratégicas, mas que na prática define o sucesso ou o fracasso de qualquer iniciativa de IA dentro dos bancos. Blake usou uma abordagem bastante direta: você pode ter o modelo mais sofisticado do mercado, mas se os dados que o alimentam forem ruins, o resultado também vai ser ruim. Pior do que isso, a IA pode acabar amplificando problemas que já existiam, entregando respostas erradas com uma velocidade e escala que o processo manual jamais atingiria.
No contexto da temporada de impostos, isso se torna ainda mais crítico porque as informações precisam estar corretas, rastreáveis e disponíveis em tempo real. Os bancos precisam cruzar dados de transações, informações de clientes, registros tributários e históricos financeiros de forma ágil e precisa. Qualquer ruído nessa cadeia pode resultar em declarações incorretas, inconsistências com os registros da Receita e até multas. E como os sistemas de IA estão cada vez mais presentes nesse processo de consolidação e análise de dados, a responsabilidade sobre a qualidade dessas informações recai diretamente sobre a infraestrutura de dados da instituição.
Blake explicou que o conceito de Golden Record, ou registro dourado, é fundamental nesse contexto. Trata-se de ter uma versão única, consolidada e confiável dos dados de cada cliente e de cada transação, com regras de validação claras e aplicadas de forma consistente. Quando esse registro existe e é mantido de forma adequada, os modelos de IA conseguem trabalhar sobre uma base sólida, gerando resultados que podem ser auditados, explicados e defendidos perante os reguladores.
A Stibo Systems, empresa onde Blake atua, trabalha justamente com soluções de Master Data Management, ou gestão de dados mestres, que ajudam as instituições financeiras a centralizar, padronizar e garantir a confiabilidade das informações que circulam pelos seus sistemas. Na visão de Blake, as instituições que investem nessa camada de governança antes da temporada fiscal chegam muito mais preparadas para os desafios do período, com sistemas de IA funcionando de forma mais estável, decisões mais precisas e muito menos risco de exposição regulatória.
A importância dos dados em tempo real durante o período fiscal
Um dos pontos que Blake enfatizou com bastante clareza durante a conversa foi a necessidade de acesso a dados em tempo real, especialmente durante a temporada de impostos. Quando os sistemas operam com informações defasadas ou quando os profissionais precisam acessar múltiplas plataformas para montar um panorama completo de um cliente ou transação, o risco de erro aumenta significativamente, e o tempo necessário para concluir cada tarefa se multiplica.
Segundo Blake, uma plataforma de Master Data Management bem implementada resolve exatamente esse gargalo, oferecendo um ambiente único e controlado onde todas as informações relevantes estão acessíveis, atualizadas e validadas. Isso elimina a necessidade de consultas manuais em diferentes sistemas, reduz drasticamente a chance de erros e libera as equipes para focarem em atividades de maior valor agregado, em vez de ficarem presas em processos de reconciliação de dados.
Para os bancos, essa disponibilidade em tempo real não é apenas uma questão de eficiência operacional. É uma questão de conformidade regulatória. Durante a temporada de impostos, os prazos são apertados e os reguladores esperam respostas rápidas e precisas. Instituições que dependem de processos manuais para consolidar dados ficam em desvantagem clara, tanto em termos de velocidade quanto de confiabilidade nas informações reportadas.
Governança de dados: a estratégia que separa os bancos preparados dos que correm risco
Se a qualidade de dados é o alicerce, a governança é o sistema estrutural que garante que esse alicerce vai se manter firme ao longo do tempo. Dentro dos bancos, a governança de dados envolve políticas claras sobre como as informações são coletadas, armazenadas, atualizadas e utilizadas pelos sistemas de IA. É um conjunto de processos, responsabilidades e controles que define quem tem acesso a quais dados, como eles são validados e quais são os critérios para considerar uma informação confiável o suficiente para ser usada na tomada de decisão.
Blake destacou que a falta de governança é um dos maiores desafios que ele encontra nas instituições financeiras com as quais trabalha. Muitos bancos ainda operam com silos de dados, onde cada departamento mantém as suas próprias bases, com os seus próprios critérios de qualidade, e sem nenhuma visão unificada do cliente ou das transações. Quando chega a temporada de impostos e os sistemas de IA precisam consolidar essas informações para gerar relatórios, a bagunça se revela em toda a sua extensão. Os dados não batem, as versões conflitam entre si e o esforço para reconciliar tudo isso manualmente consome tempo e dinheiro que poderiam ser usados de forma muito mais produtiva.
A boa notícia, segundo Blake, é que existe um caminho claro para resolver esse problema, e ele começa com a adoção de uma estratégia de governança que trate os dados como um ativo estratégico da organização, e não como um subproduto operacional. Isso significa criar uma camada de dados confiável, com processos de validação contínua, responsabilidades bem definidas e uma visão integrada que permita aos sistemas de IA acessar informações precisas independentemente da origem. Os bancos que fazem isso tendem a performar melhor durante a temporada fiscal, com menos incidentes, menos retrabalho e uma capacidade muito maior de responder rapidamente às demandas regulatórias.
Adoção empresarial: IA precisa ser uma estratégia de toda a organização
Um dos temas que Blake abordou com mais ênfase foi a necessidade de as instituições financeiras tratarem a IA como uma estratégia de toda a empresa, e não como um projeto isolado de um departamento de tecnologia. Ele observou que muitos bancos correram para adotar inteligência artificial, mas fizeram isso de forma tática e fragmentada. O resultado é uma série de iniciativas desconectadas que funcionam bem individualmente, mas que não se comunicam entre si e não oferecem uma visão integrada do negócio.
Para que a IA realmente entregue valor durante momentos de alta pressão como a temporada de impostos, é fundamental que exista um roteiro empresarial coerente que conecte dados, modelos e processos de ponta a ponta. Blake mencionou que as instituições que estão tendo mais sucesso são aquelas que investem não apenas em tecnologia, mas em educação, conscientização e mudança de cultura dentro da organização. Quando todos os departamentos entendem o papel dos dados na cadeia de valor e assumem responsabilidade pela sua qualidade, o resultado é uma operação muito mais resiliente e preparada para os desafios do mercado.
Receba o melhor conteúdo de inovação em seu e-mail
Todas as notícias, dicas, tendências e recursos que você procura entregues na sua caixa de entrada.
Ao assinar a newsletter, você concorda em receber comunicações da Método Viral. A gente se compromete a sempre proteger e respeitar sua privacidade.
O treinamento contínuo e a capacitação das equipes também entraram na conversa como fatores determinantes. Blake reforçou que as pessoas são parte essencial dessa equação. Não basta ter a tecnologia certa se os profissionais que a utilizam não compreendem como tirar o melhor proveito dela. E no setor financeiro, onde a precisão e a conformidade são inegociáveis, esse entendimento se torna ainda mais relevante.
O que os bancos podem aprender com esse stress test anual
Uma das perspectivas mais interessantes que Blake trouxe na conversa é a ideia de encarar a temporada de impostos não apenas como um período de pressão, mas como uma oportunidade de diagnóstico. Cada falha que aparece durante esse período é um sinal claro de onde estão os pontos fracos da infraestrutura de IA e de qualidade de dados do banco. Ignorar esses sinais e apenas apagar os incêndios do momento é uma estratégia que garante que os mesmos problemas vão se repetir no próximo ano, possivelmente em uma escala ainda maior.
Blake também lembrou que a temporada fiscal não é o único momento de pressão do ano. Existem obrigações regulatórias e de reporte que ocorrem ao longo de todo o calendário, e cada uma delas representa uma oportunidade semelhante de testar e validar a robustez dos sistemas de dados e de IA. A diferença é que a temporada de impostos concentra um volume particularmente alto de demandas simultâneas, tornando os problemas mais visíveis e urgentes.
Os bancos que adotam uma postura mais proativa usam os aprendizados da temporada fiscal para revisar suas políticas de governança, identificar as fontes de dados que precisam de atenção e ajustar os seus modelos de IA para lidar melhor com os picos de demanda. Essa mentalidade de melhoria contínua, orientada pelos dados reais do negócio, é o que diferencia as instituições que crescem com a tecnologia das que simplesmente sobrevivem a ela. E com a pressão regulatória aumentando a cada ano, essa diferença vai ficando cada vez mais relevante no mercado financeiro.
O que as conversas com clientes estão revelando
Blake também compartilhou um pouco do que tem ouvido nas conversas com clientes da Stibo Systems no setor financeiro. Segundo ele, profissionais que atuam em áreas como risco, precificação e crédito estão chegando com um tema em comum: boa parte do trabalho que foi feito até agora em IA e dados ainda não está entregando os resultados esperados. E a percepção que está crescendo entre essas equipes é que o problema não está na tecnologia em si, mas na falta de uma fundação de dados sólida sobre a qual construir.
Muitas dessas instituições estão agora em um processo que Blake descreveu como de preenchimento retroativo, ou seja, estão voltando atrás para implementar a gestão de dados mestres que deveria ter sido colocada em prática antes das camadas de IA. É um reconhecimento de que a corrida para adotar inteligência artificial foi feita, em muitos casos, sem o preparo adequado da base. E os que estão fazendo essa correção de rota agora tendem a colher resultados melhores e mais sustentáveis no médio prazo.
IA não é mágica: os resultados dependem do ambiente
A conversa com Mark Blake no podcast The Buzz serve como um lembrete importante para o setor: IA não é mágica, e os seus resultados dependem diretamente da qualidade do ambiente em que ela opera. Modelos avançados, algoritmos sofisticados e pipelines bem desenhados perdem boa parte do seu potencial quando os dados que os alimentam não são confiáveis. E em um setor tão sensível quanto o financeiro, onde as consequências de um erro podem ir muito além do operacional, investir em qualidade de dados e governança não é opcional. É o pré-requisito para tudo o que vem depois.
Como Blake resumiu de forma bem direta: as instituições financeiras não têm problema de tecnologia. Tecnologia é o que não falta nesse setor. O que falta em muitos casos é resolver a questão dos dados. Uma vez que os dados estão corretos, organizados e governados, tudo o que é construído sobre essa base, incluindo os modelos de IA, passa a funcionar com muito mais eficiência e confiabilidade. E a temporada de impostos, com toda a sua pressão e complexidade, é o momento perfeito para descobrir se essa base está realmente sólida ou se ainda precisa de atenção. 💡
