Por que 84% dos bancos agora priorizam o software livre em sua estratégia de IA
Equipe Moveo AI
1 de fevereiro de 2026
in
🏆 Insights de Liderança
O setor bancário global está passando por uma mudança silenciosa, mas significativa. De acordo com o Relatório sobre o Estado da IA em Serviços Financeiros 2026, produzido pela NVIDIA em parceria com a Evident Insights, 84% das instituições financeiras agora consideram que modelos e softwares de código aberto são importantes para sua estratégia de IA. Ainda mais revelador: 42% já estão usando ou avaliando agentes de IA autônomos.
Esses dados refletem uma mudança de mentalidade. Os bancos desejam flexibilidade para usar diferentes modelos, evitar dependência de um único fornecedor e manter o controle sobre seus dados. Mas há um detalhe crítico que muitos ignoram: modelos de código aberto sozinhos não resolvem os desafios de conformidade, segurança e orquestração que o setor financeiro exige.
Alexandra Mousavizadeh, co-fundadora e co-CEO da Evident Insights, resume a questão: "Modelos de código aberto podem ajudar os bancos a fechar a lacuna com os primeiros a se mover, desbloquear eficiências de custo e proteger contra o lock-in de fornecedores, mas não estão sem suas limitações. Abordagens proprietárias podem desbloquear desempenho superior para tarefas específicas do domínio. Os principais bancos precisam demonstrar proficiência em ambas as abordagens, aplicando o tipo certo de modelo ao problema certo, no contexto certo."
O problema não é o modelo, é a arquitetura
Nos últimos dois anos, muitas instituições financeiras adotaram soluções de IA genéricas, esperando resolver múltiplos problemas com uma única ferramenta. Algumas optaram por modelos de código aberto em busca de flexibilidade. Outras permaneceram em plataformas proprietárias fechadas. A realidade revelou limitações em ambas as abordagens quando implementadas isoladamente.
O problema central não é o modelo em si, mas a arquitetura. De acordo com a análise do O'Reilly Radar, a maioria do mercado ainda depende do que os especialistas chamam de abordagem "prompt-and-pray": enviar um prompt elaborado para um modelo e esperar que ele faça a coisa certa. Funciona bem em demonstrações. Falha na produção.
As IAs genéricas não entendem o contexto específico do setor bancário. Toda conversa começa do zero. Não há memória de interações anteriores, padrões comportamentais ou histórico de relacionamentos. Para operações de cobrança, por exemplo, isso significa perder sinais valiosos que poderiam indicar a melhor abordagem para cada cliente.
A conformidade também sofre. De acordo com American Banker, soluções genéricas tratam a regulação como uma camada adicional, não como parte do design. Quando algo dá errado, não há uma alternativa. O sistema não pode se autocorrigir e não há como verificar se a IA simplesmente quebrou uma política ou prometeu algo que não deveria.
O problema mais sutil, entretanto, é estrutural. Muitas organizações operam com três sistemas desconectados: um para segmentação, outro para conversa e outro para determinar as próximas ações. A inteligência não flui entre eles. Por isso, a escolha entre código aberto e proprietário é uma falsa dicotomia. O que importa é a camada de orquestração que conecta tudo.
Saiba mais → A Estratégia Campeã para Cobrança de Dívidas: AI Trifecta
O que define soluções que geram resultados
O relatório da NVIDIA/Evident apresenta uma descoberta notável: 89% dos entrevistados afirmam que a IA está ajudando a aumentar a receita e reduzir custos. Entre aqueles que relataram ganhos, 64% viram aumentos de receita superiores a 5%, e 29% acima de 10%.
O que diferencia aqueles que alcançam resultados?
Primeiro, a capacidade de aplicar o modelo certo ao problema certo, no contexto certo. Isso significa entender que tarefas diferentes requerem abordagens diferentes. Um modelo otimizado para análise de documentos não é o mesmo que funciona melhor para conversas com clientes. Os principais bancos constroem arquiteturas que permitem o uso de múltiplos modelos de maneira coordenada.
Segundo, ajuste fino em dados proprietários. Helen Yu, CEO da Tigon Advisory, destaca: "O verdadeiro valor é capturado quando as instituições ajustam esses modelos nos seus dados de transações proprietários, históricos de interações com clientes e inteligência de mercado, criando capacidades de IA que os concorrentes não podem replicar." A diferença entre usar uma IA genérica e uma treinada em dados específicos de negócios é a diferença entre ter um assistente generalista e um especialista que entende profundamente a operação.
Terceiro, agentes que aprendem, lembram e conectam. O relatório mostra que 21% dos bancos já implantaram agentes de IA, com mais 22% planejando fazê-lo no próximo ano. De acordo com CIO Dive, esses agentes não apenas executam tarefas. Eles raciocinam, planejam e aprendem com cada interação. Mais importante, eles conectam informações entre sistemas, eliminando silos que fragmentam a inteligência organizacional.
Mas quais capacidades realmente importam? Nossa pesquisa descobriu que apenas 6% dos bancos possuem as sete capacidades críticas necessárias para escalar a IA agentiva com sucesso. Descubra quais são em nosso relatório, 7 Capacidades Críticas para IA Agentiva em Bancos.
A arquitetura importa. Como aponta Backbase, soluções que tratam a IA como uma camada adicional (AI-bolted) funcionam em demonstrações, mas têm dificuldades na produção. Soluções construídas do zero para a IA (AI-native) integram governança, conformidade e aprendizado contínuo no design.
A ponte entre flexibilidade e segurança empresarial
Os 84% dos bancos que priorizam o código aberto não estão abandonando a segurança ou a conformidade. Eles estão buscando plataformas que ofereçam o melhor dos dois mundos: a flexibilidade de escolher e alternar entre modelos à medida que a tecnologia evolui, combinada com a orquestração, governança e camada de segurança que o setor financeiro exige.
Isso significa arquiteturas que suportam "trazer seu próprio LLM", permitindo o uso de modelos de código aberto como Llama ou Mistral, ou modelos proprietários ajustados para tarefas específicas. Significa LLMs hospedados privadamente, onde os dados bancários nunca saem do controle da instituição. E significa sistemas multi-agente com conformidade incorporada ao design, e não adicionada como um pensamento posterior.
Em cobranças e recuperação de receitas, essa especialização mostra impacto direto. De acordo com a análise do Neurons Lab sobre IA agentiva em serviços financeiros, agentes de IA que entendem o contexto do setor podem identificar sinais de dificuldade financeira antes que as contas se tornem inadimplentes. Eles podem ajustar abordagens em tempo real com base no comportamento, nas preferências de canal e no histórico de pagamentos.
O padrão se repete em diferentes áreas: soluções que combinam flexibilidade de modelo com orquestração de nível corporativo consistentemente superam abordagens que priorizam apenas um lado da equação.
A pergunta que os líderes precisam fazer
A adoção de código aberto por 84% dos bancos não é uma rejeição das soluções proprietárias. É o reconhecimento de que flexibilidade e controle são requisitos fundamentais. Mas flexibilidade sem governança é um risco. Controle sem inteligência é um desperdício.
Antes de avaliar qualquer solução de IA, os líderes de tecnologia e operações devem considerar algumas perguntas fundamentais: A solução aprende com cada interação ou cada conversa começa do zero? Posso trazer meus próprios modelos ou estou preso a um único fornecedor? A conformidade está embutida na arquitetura ou é uma camada adicional? Os sistemas de segmentação, conversa e ação estão conectados ou atuam em silos?
Se você deseja avaliar onde sua organização está nessa jornada, criamos uma ferramenta gratuita que analisa sua prontidão para a IA agente em menos de 5 minutos. Faça a Avaliação de Prontidão para Agentes de IA e descubra os próximos passos para sua estratégia.
O futuro não pertence àqueles que usam o modelo mais avançado. Pertence àqueles que aplicam inteligência de uma forma conectada, com a flexibilidade de escolher os melhores modelos para cada tarefa e a governança para operar de forma segura em grande escala. Em um setor onde relacionamentos e confiança definem o sucesso, a capacidade de lembrar, aprender e se adaptar não é um diferencial. É uma exigência.