Quem controla os agentes de IA no crédito?
Tendências e InsightsNotícia

Quem controla os agentes de IA no crédito?

Agentes de IA já recomendam condições de crédito no Brasil, mas a lei de responsabilidade continua com a instituição, não com o algoritmo.

Por VTEX19 de nov. de 20265 min de leitura
agentes de IA no créditogovernança de IABanco Centralcrédito embarcadoBNPL

Agentes de IA já participam de decisões de crédito no Brasil

Agentes de IA deixaram de só consultar informação e passaram a organizar dados, simular cenários e recomendar condições de crédito dentro de parâmetros definidos pela instituição, segundo artigo de Bruno Sayão, fundador e CEO da fintech Sinky, publicado na Finsiders Brasil [1]. Essa mudança de papel, de ferramenta de consulta para participante ativo do processo, é o que torna a pergunta sobre controle inevitável.

Um levantamento do Banco da Inglaterra e da Autoridade de Conduta Financeira do Reino Unido (FCA), citado no mesmo artigo, mostra a escala do fenômeno: 80% dos respondentes de uma pesquisa completa sobre o setor financeiro relataram ter agentes de IA em operação [1]. A distribuição por nível de autonomia revela, porém, que a maior parte da adoção ainda é cautelosa.

As categorias podem coexistir numa mesma instituição, e o levantamento não indica que esses usos estejam concentrados especificamente na concessão de crédito [1].

Nível de autonomia do agenteInstituições que relataram uso
Apoio à decisão80%
Execução restrita a regras e limites predefinidos46%
Autonomia condicional22%
Ampla autonomia2%

Quem responde quando o agente de IA erra?

A responsabilidade por uma decisão de crédito automatizada continua sendo da instituição financeira que a implementou, não do agente de IA nem do fornecedor de tecnologia que o construiu. É esse o ponto central defendido por Bruno Sayão: automatizar uma decisão não automatiza a responsabilidade por ela [1].

“A autonomia de um agente deve ser proporcional à capacidade da instituição de governá-lo.”
Bruno Sayão, fundador e CEO da Sinky [1]

Isso significa que, se um agente nega um pedido, altera uma taxa ou reduz um limite, a instituição precisa conseguir identificar os fatores que levaram àquele resultado, não aceitar uma justificativa gerada pelo próprio agente sem correspondência com os registros reais da operação [1]. A exigência não é explicar cada cálculo interno do modelo, mas produzir uma justificativa compreensível o suficiente para ser analisada e contestada.

Essa proporcionalidade exige definir alçadas antes de colocar o agente em produção: o que ele pode decidir sozinho, o que precisa de validação humana e em que situações, como valores elevados ou sinais de risco atípico, o caso é automaticamente encaminhado para um profissional responsável [1].

O Brasil ainda não tem regra específica para IA no crédito

O Banco Central inclui o estudo dos riscos da IA no sistema financeiro na agenda de prioridades para o biênio 2025-2026, mas não deve editar norma específica antes do fim de 2026, segundo Antonio Guimarães, chefe de Regulação do Sistema Financeiro da autarquia, em entrevista durante o evento Finance of Tomorrow [2]. Isso deixa o setor operando sob uma zona cinzenta regulatória enquanto a adoção já avança em produção.

O próprio BC publicou em 2023 um relatório de avaliação de impacto regulatório que sinaliza os elementos que devem compor uma futura norma: exigência formal de explicabilidade mínima para modelos de decisão de crédito, avaliação de impacto algorítmico, requisitos de diversidade nos dados de treinamento, validação independente de modelos e inventário obrigatório de sistemas de IA em uso [2].

Nenhum desses pontos é lei hoje, mas todos funcionam como um roteiro do que será cobrado.

Enquanto isso, o investimento em tecnologia não espera a regulação. Os bancos brasileiros aplicaram R$ 47,8 bilhões em tecnologia em 2025, parte expressiva em soluções de IA, big data e analytics, segundo a Associação Brasileira das Empresas de Software (ABES) [2].

A maturidade da governança não acompanha o ritmo da adoção

Só 21% das empresas afirmam ter um modelo maduro de governança para agentes autônomos, mesmo com a adoção de IA agêntica em expansão acelerada, segundo o relatório "State of AI in the Enterprise 2026", da Deloitte, com 3.235 líderes de negócios e tecnologia em 24 países [3]. O instituto de IA da Deloitte descreve esse hiato como um dos achados mais relevantes da edição.

Esse gap de maturidade é particularmente sensível em crédito, onde um erro de governança não aparece como uma falha de produto qualquer: aparece como um financiamento negado indevidamente, uma taxa mal calculada ou um limite reduzido sem justificativa rastreável.

A saída recomendada no artigo da Finsiders Brasil é incorporar a governança à arquitetura de decisão desde o início, integrando dados, modelos, regras de negócio, políticas de crédito e supervisão humana num só desenho, em vez de tratá-la como camada adicionada depois que o agente já está em produção [1].

Auditar a decisão significa rastrear o ciclo de vida inteiro do agente

Auditar uma decisão de crédito tomada com apoio de IA não é revisar o resultado isolado, mas reconstruir todo o caminho que levou até ele: quais dados foram usados, qual versão do modelo estava ativa, quais políticas vigoravam e quais etapas o agente executou [1]. Sem esse histórico, a instituição identifica o resultado, mas não consegue explicar por que decisões parecidas produziram saídas diferentes.

O versionamento ganha peso estratégico nesse contexto. Uma atualização aparentemente pequena num modelo, numa instrução ou numa base de conhecimento pode mudar como o agente interpreta uma informação ou recomenda uma condição de crédito, e cada mudança precisa deixar registro [1].

O relatório "Sound Practices for Responsible Adoption of Artificial Intelligence", publicado pelo Conselho de Estabilidade Financeira (FSB) em outubro de 2026, reforça essa direção ao recomendar práticas de governança proporcionais ao risco de cada aplicação, incluindo qualidade dos dados, transparência, monitoramento contínuo, supervisão humana efetiva e gestão de riscos de fornecedores terceirizados [1].

O que muda para quem vende com crédito embutido no checkout

Para quem opera comércio digital, o crédito deixou de ser uma etapa separada da compra e passou a acontecer dentro do próprio fluxo de checkout, com aprovação quase instantânea via BNPL, Pix parcelado ou crediário digital [4]. Isso significa que falhas de governança num agente de crédito não ficam restritas ao back-office de um banco: afetam diretamente a conversão e a experiência de compra do lojista.

O volume em jogo torna o tema mais urgente a cada trimestre. O Morgan Stanley projeta que o volume transacionado via BNPL no Brasil pode ultrapassar US$ 31 bilhões em 2028, um salto puxado por categorias de maior valor e por consumidores historicamente fora do crédito tradicional [4]. Essas decisões acontecem em milissegundos, dentro do checkout de varejistas que não são instituições financeiras, mas dependem de parceiros que são.

Para um executivo de e-commerce ou B2B, isso aponta para três perguntas práticas diante de qualquer parceiro de crédito embarcado ou BNPL:

Nenhuma dessas perguntas é nova em crédito tradicional. O que muda é que, com agentes de IA no meio do caminho, a resposta precisa vir documentada, não apenas assumida.

  1. 1O parceiro consegue explicar, em linguagem compreensível, por que um cliente teve crédito negado ou reduzido no seu checkout.
  2. 2Existe registro auditável de qual versão do modelo decidiu cada operação, e por quanto tempo esse registro fica disponível.
  3. 3Há um caminho claro de escalonamento humano para casos de valor elevado, reclamação do cliente ou sinal de risco atípico.

Fontes

  1. [1]Finsiders Brasil, Quem controla o agente de IA que decide seu crédito? — finsidersbrasil.com.br
  2. [2]CNN Brasil, A IA já está dentro do sistema financeiro, mas quem irá vigiá-la? — cnnbrasil.com.br
  3. [3]Deloitte, State of AI in the Enterprise 2026 — deloitte.com
  4. [4]E-Commerce Brasil, O crédito invisível e o fim da fricção — ecommercebrasil.com.br