AI Field Notes: A maior oportunidade de IA na análise de crédito empresarial pode estar no “talvez”?

Durante anos, grande parte do atrito na análise de crédito empresarial veio de levar casos ambíguos até o ponto em que os analistas conseguem tomar uma decisão de crédito com segurança. O esforço manual por trás dessas decisões complexas pode custar eficiência aos times de crédito e contribuir para a desistência de clientes. Mas os avanços recentes em IA agêntica estão começando a mudar isso.

Mais das informações contextuais e difíceis de estruturar, que tradicionalmente levavam analistas experientes a entrar no processo logo no início, agora podem ser revisadas, comparadas e investigadas antes que eles precisem intervir.

Para os credores, a oportunidade imediata não é simplesmente automatizar mais aprovações ou recusas. É reduzir a investigação manual necessária para resolver o “talvez”: os casos em que um contexto adicional ainda poderia mudar a decisão. Resolvendo isso, os times de crédito conseguem aumentar significativamente o volume de crédito concedido, mantendo o risco sob controle.

Principais conclusões

• A maior oportunidade de IA no curto prazo pode estar no “talvez”. A IA agêntica pode investigar casos ambíguos mais cedo, reduzindo o trabalho manual necessário para prepará-los para uma decisão de crédito segura.
• Isso pode mudar a economia da investigação. Se os casos ambíguos exigem menos tempo e esforço para serem compreendidos, os credores podem avaliar mais deles sem alterar seus critérios de crédito.
• A IA agêntica deve atuar ao lado das capacidades de análise de crédito já existentes. As regras podem lidar com sinais determinísticos, os agentes de IA podem investigar o que está por trás deles, e os analistas de crédito podem se concentrar no julgamento.
• O limite certo para a revisão humana deve ser testado, não presumido. Execuções em modo sombra (shadow runs) e testes lado a lado mostram onde a IA é confiável e onde a expertise dos analistas de crédito ainda agrega valor significativo.

Por que o “talvez” é onde a IA agêntica fica interessante

A automação tradicional de crédito sempre foi mais forte onde o sinal e a resposta já estão bem definidos. Com o tempo, dados, regras e verificações automatizadas facilitaram para os credores identificar os resultados óbvios cedo e levar os casos simples pelo processo com eficiência.

A parte mais difícil é o que acontece quando o sinal, por si só, não basta para chegar a uma conclusão.

Ian Bradley, Chief Operating Officer da Breakout Finance, descreveu isso recentemente com uma analogia simples de semáforo:

“Os casos de luz vermelha e verde geralmente são mais fáceis de resolver. Os casos de luz amarela, aqueles em que a resposta ainda não é óbvia, são os que exigem mais trabalho. É preciso gastar tempo descobrindo o que deixaria o caso um pouco mais verde, ou quais variáveis estão de fato deixando-o mais vermelho.”

Pense em um tomador cuja receita ficou fora da faixa esperada. O sinal pode ser fácil de identificar, mas a conclusão inicial pode ser precipitada. O trabalho mais difícil é entender o que está por trás dele: se a mudança é temporária ou estrutural, se a explicação do tomador é corroborada em outras partes do dossiê e que evidências adicionais poderiam mudar substancialmente a avaliação.

Esse contexto adicional pode mover a decisão em qualquer direção. Um dossiê que inicialmente parece fraco pode ficar mais convincente depois de uma diligência mais profunda, enquanto uma proposta aparentemente forte pode revelar problemas de fundo quando as evidências são examinadas mais de perto.

Historicamente, boa parte dessa investigação ficava com o analista de crédito. A IA agêntica agora consegue assumir mais dela, mais cedo, revisando informações menos estruturadas, comparando evidências entre fontes, apontando inconsistências e identificando o que continua em aberto.

Para os times, a oportunidade é reduzir o tempo que os analistas gastam reunindo as evidências necessárias para tomar uma decisão segura. E, quando o custo de fazer esse trabalho cai, o impacto vai além da eficiência dos analistas.

Mudando a economia do “talvez”

Alguns tomadores são caros de avaliar porque o crédito em si é realmente complexo. Outros simplesmente dão muito trabalho para serem compreendidos.

Essa distinção importa, especialmente no crédito para pequenas empresas. Um tomador pode, no fim, caber no apetite de risco do credor, mas várias horas de investigação manual ainda podem tornar difícil justificar o avanço do caso.

É aí que reduzir o trabalho em torno do “talvez” começa a mudar mais do que o tempo de resposta. Se a IA torna mais rápido e barato chegar a uma visão clara de um tomador ambíguo, uma investigação mais profunda pode se tornar viável em casos que antes exigiam esforço manual demais para valer a pena.

Aplicar IA ao “talvez” não deve significar reconstruir a análise de crédito do zero

É importante notar que, embora as ferramentas de IA possam acelerar o trabalho de investigação, elas não deveriam exigir que os times descartem seus processos, regras ou controles de análise de crédito existentes. Em muitos casos, essas novas soluções podem ser introduzidas no fluxo de trabalho atual, ao lado dos sistemas e das capacidades que já funcionam bem.

De muitas formas, isso se apoia em uma mudança pela qual os times de crédito já passaram. Caitlyn Wagner, SVP of Credit da Breakout Finance, observou que as árvores de decisão automatizadas já eliminaram boa parte do trabalho manual da entrada inicial e da coleta rotineira de dados. A IA estende essa mesma progressão para um trabalho mais difícil de capturar em lógica determinística.

Considere o caso de queda de receita que o Ian compartilhou. Veja como o processo muda quando você adiciona IA ao fluxo de trabalho:

• Uma regra identifica o sinal. A receita caiu além da faixa esperada, o que dispara uma revisão adicional.
• A IA investiga o que está por trás dele. Um agente pode comparar o desempenho recente e o histórico, revisar informações de apoio, buscar os prováveis motivos da queda e apontar evidências que sustentam ou contradizem a explicação inicial.
• O workflow coordena o que ainda é necessário. Se algo relevante continua em aberto, o processo pode solicitar mais evidências ou encaminhar o caso pela revisão adequada.
• O analista de crédito aplica o julgamento. Em vez de reconstruir o caso desde o início, ele pode partir de uma pergunta mais precisa: dado o que causou a queda, o que aconteceu desde então e as evidências disponíveis, isso muda de forma relevante a nossa visão do risco?

Isso também pode ajudar a levar a avaliação além de uma visão estática do tomador. Ian descreveu a diferença como passar de uma “foto” para um “filme”: o sinal de um momento específico ainda importa, mas também importa o que aconteceu antes dele, o que aconteceu depois e se essa trajetória muda a forma como o risco deve ser entendido.

O analista de crédito continua fazendo o julgamento de crédito. O que muda é quanto do trabalho de investigação já foi feito antes de o caso chegar a ele.

De forma mais ampla, essa pode ser uma maneira útil de pensar a aplicação de IA à análise de crédito. Os dados estruturados continuam estabelecendo fatos conhecidos. As regras lidam com a política determinística. A IA trabalha nas partes de um caso que são mais difíceis de estruturar ou que exigem mais investigação. O workflow coordena o que acontece em seguida. E a expertise humana pode permanecer focada nas perguntas em que contexto, trade-offs e experiência afetam de forma relevante a resposta.

O valor vem de usar essas capacidades em conjunto, em vez de tratar a análise de crédito como uma escolha entre automação e pessoas.

Encontrando o limite certo para a revisão do analista nos seus próprios casos “talvez”

O lugar da IA nesse processo será diferente para cada credor. Um ponto de partida útil não é decidir de antemão o que a IA deve ou não fazer, mas entender o que realmente acontece hoje nos seus casos “talvez”.

Separar os encaminhamentos pelo motivo de exigirem envolvimento humano torna a oportunidade mais fácil de enxergar. Os times conseguem distinguir entre casos que precisam de mais informações, de resolução por política determinística, de investigação adicional ou de julgamento de crédito genuíno, e identificar onde a capacidade de analistas experientes está sendo usada antes de essa expertise ser de fato necessária.

A partir daí, o limite pode ser testado em vez de presumido.

Uma abordagem prática é rodar a IA em paralelo ao processo existente, nos mesmos casos. Ela identifica as mesmas evidências relevantes? Aponta as mesmas inconsistências? Deixa passar algo importante? E, quando o caso por fim chega ao analista, quanto ele muda ou acrescenta de forma relevante ao que já foi preparado?

Execuções em modo sombra (shadow runs) e testes lado a lado permitem que os times respondam a essas perguntas antes de alterar o fluxo de trabalho em produção. Elas também podem expor premissas sobre quais partes do processo de análise de crédito realmente exigem expertise e quais simplesmente se incorporaram ao jeito como o trabalho sempre foi feito.

Ian descreveu isso como questionar a visão tradicional sobre o “segredo do negócio” de um credor:

“O segredo do negócio costumava ser tudo o que acontecia depois que um dossiê chegava ao analista. Mas muito desse trabalho é só preparar o caso. Se você consegue separar isso das partes que realmente exigem o julgamento de um analista, dá para ser muito mais deliberado sobre onde ele entra.”

Essa distinção dá aos times algo concreto para testar. Onde os analistas descobrem repetidamente um contexto importante que o sistema deixa passar, há bons motivos para manter o envolvimento deles. Onde a investigação pode ser concluída com confiabilidade por regras e IA, sem reduzir a qualidade do caso, pode haver uma oportunidade de antecipar mais desse trabalho e liberar capacidade de análise.

A fronteira entre regras, IA, workflow e julgamento humano vai continuar se movendo conforme a tecnologia evolui. O objetivo não é chegar a um modelo universal de análise de crédito, mas continuar aprendendo o que é preciso para resolver o “talvez” e qual capacidade está mais bem posicionada para cada parte desse trabalho.