Há um paradoxo no crédito para pequenas e médias empresas brasileiras. O sistema financeiro tem recursos para emprestar, mas ainda encontra dificuldade para distinguir, com precisão, quais empresas representam risco e quais apenas não conseguem demonstrar seu potencial. O resultado é conhecido: cerca de R$ 2,5 trilhões em demanda por crédito permanecem sem atendimento.

"O Banco Central chama esse fenômeno de assimetria de informação. Eu prefiro defini-lo como um problema de leitura. E a principal lição que a inteligência artificial generativa trouxe para o mercado de crédito é justamente essa: talvez estivéssemos tentando ler os sinais errados", aponta Fernando Wosniak Steler, cofundador e CEO da Delend.

Quando uma empresa vende a prazo, ela emite uma duplicata mercantil. Com a chegada da duplicata escritural, prevista pela Lei 13.775/2018, esses títulos passam a ser registrados eletronicamente, ampliando a disponibilidade e a qualidade das informações sobre as operações comerciais. Cada registro reúne valor, prazo, comprador, vendedor e, principalmente, seu desfecho: pagamento em dia, atraso ou inadimplência.

O ponto mais interessante é que uma duplicata isolada diz pouco. Mas, observadas em sequência, elas revelam padrões de comportamento. Assim como palavras formam frases, transações constroem uma linguagem financeira, marcada por recorrência, sazonalidade e hábitos de pagamento. Foi essa analogia que mudou a forma como passamos a enxergar a análise de crédito.

Os modelos de linguagem que popularizaram a IA generativa funcionam prevendo qual será a próxima palavra de uma sequência. Se uma sucessão de duplicatas também pode ser entendida como uma sequência estruturada, por que não aplicar a mesma lógica para antecipar o comportamento da próxima operação?

Essa abordagem permite substituir parte da lógica tradicional, baseada em pontuações estáticas e informações agregadas, por inferências construídas a partir do histórico transacional da própria empresa. Em vez de perguntar quem aquela empresa é segundo bases externas, passa-se a observar como ela realmente se comporta ao longo do tempo. Entram os modelos hyper personalizados.

A hipótese foi testada em um modelo fundacional de inteligência artificial treinado exatamente como o ChatGPT e Claude são treinados, e ao longo desse processo, três aprendizados chamaram a minha atenção e dos nossos cientistas de dados.

O primeiro é que, em crédito, errar para o lado da cautela pode ser uma virtude. O modelo apresentou uma tendência natural de superestimar atrasos. Em problemas estatísticos isso poderia ser interpretado como um viés. Em operações financeiras, porém, o custo de aprovar um inadimplente costuma ser muito maior do que o de recusar uma operação saudável. A métrica de engenharia nem sempre coincide com a métrica do negócio. Vale ressaltar: no crédito, o ganho limita-se à margem do spread; contudo, em caso de inadimplência, o prejuízo é total, abrangendo 100% do valor principal somado aos custos da operação.

O segundo é que modelos maiores nem sempre entregam resultados melhores. Ao ampliar significativamente o número de parâmetros, os ganhos esperados praticamente desapareceram. Em aplicações especializadas, a inteligência de ponta depende menos do tamanho do modelo e mais da qualidade dos dados utilizados em seu treinamento.

O terceiro é que mesmo empresas sem histórico suficiente já apresentam sinais úteis para análise. Embora esses casos ainda exijam cautela e outras camadas de avaliação, os resultados mostram que dados transacionais básicos conseguem oferecer uma capacidade preditiva relevante. À medida que novas operações acontecem, o próprio histórico fortalece a precisão das previsões.

Existe uma transformação mais ampla acontecendo. As fintechs mais inovadoras deixaram de tratar inteligência artificial como um recurso adicional e passaram a reconstruir sua arquitetura em torno dela. A aquisição da Hyperplane pelo Nubank é um dos sinais desse movimento. Crédito deixa de ser apenas um produto financeiro e passa a ser, antes de tudo, um problema de inteligência.

"Naturalmente, esses resultados ainda precisam ser acompanhados ao longo de diferentes ciclos econômicos e comparados continuamente com outras metodologias. Transparência sobre essas limitações é parte indispensável da construção de confiança em qualquer sistema de decisão baseado em IA", explica Steler.

Durante décadas, o mercado tratou a falta de informação como um problema inevitável. Talvez nunca tenha sido. As duplicatas sempre carregaram sinais sobre o comportamento financeiro das empresas; o que faltava era tecnologia capaz de interpretá-los, em tempo real.

Se a duplicata escritural inaugura uma nova infraestrutura para o crédito no Brasil, a inteligência artificial pode oferecer a camada de interpretação que faltava. A combinação dessas duas transformações tem potencial para reduzir a assimetria de informação, ampliar a previsibilidade das operações e ajudar a destravar parte dos mais de R$ 2 trilhões em crédito que hoje continuam fora do alcance das pequenas e médias empresas.

Se a duplicata escritural inaugura uma nova infraestrutura para o crédito no Brasil, a inteligência artificial pode oferecer a camada de interpretação que faltava. A combinação dessas duas transformações tem potencial para reduzir a assimetria de informação, ampliar a previsibilidade das operações e ajudar a ampliar a participação das pequenas e médias empresas em um mercado de crédito que movimentava cerca de R$ 2 trilhões em operações para pessoas jurídicas.