Processo de avaliação de crédito habilitado por IA Agêntica: Um Roteiro Estratégico

Bhushan Joshi, Dr Manas Panda, Raja Basu

Descubra as principais notícias e eventos fintech!

Subscreva a newsletter do FinTech Weekly

Lida por executivos da JP Morgan, Coinbase, Blackrock, Klarna e mais

A indústria de serviços financeiros está a passar por uma mudança de paradigma, à medida que a IA generativa (GenAI) e os sistemas de IA agentiva estão a redefinir os fluxos de processos de negócio — sendo a tomada de decisão de crédito um deles. Os bancos estão agora a adotar sistemas orientados por IA, melhorando a precisão preditiva e automatizando simultaneamente fluxos de trabalho complexos. Este artigo explora como a GenAI e a IA agentiva podem ser implementadas estrategicamente no processo de avaliação de crédito, melhorando significativamente o nível de eficiência e automação, ao mesmo tempo que abordam considerações de governação, risco e conformidade.

A Vantagem da GenAI: Enriquecimento Inteligente de Dados

Os dados são a força vital da avaliação de crédito. Os bancos e instituições financeiras avaliam e analisam inúmeros elementos de dados utilizando modelos logísticos e heurísticos. Com a chegada da GenAI, este processo deu um salto, uma vez que os modelos GenAI forneceram a capacidade de avaliar dados não estruturados, gerando conhecimentos valiosos. A geração de dados sintéticos para simular cenários antecipadamente é outra mudança fundamental no processo de avaliação.

Os modelos GenAI são excelentes na análise de informações não estruturadas, transformando-as em dados estruturados. Esta capacidade permite a extração de atributos-chave, como consistências de rendimento, inconsistências de pagamento, dados de emprego, despesas discricionárias, etc., que podem fornecer informações críticas na avaliação de subscrição.

A geração de dados sintéticos é uma capacidade oferecida pelos modelos GenAI, que pode ser aproveitada para modelação robusta e fins de validação. Isto pode ajudar a mitigar a escassez de dados em casos extremos. Os modelos de IA podem ser usados para definir cenários extremos, adicionar critérios mais nuances — reservas de liquidez, volatilidade de rendimento, etc. — e podem ser validados com dados sintéticos. Estes dados que preservam a privacidade melhoram a generalizabilidade e a resiliência do modelo a riscos extremos.

Os sistemas GenAI multimodais podem sinalizar inconsistências — como discrepâncias entre rendimento declarado, registos fiscais, extratos bancários, etc. — através de comparação e contraste. Estas atividades manuais demoradas podem ser aceleradas com melhor conformidade, detetando lacunas e melhorando a integridade dos dados.

IA Agentiva: Orquestração de Fluxos de Trabalho Autónomos

Enquanto os sistemas GenAI multimodais facilitam a integridade dos dados, criam e validam cenários extremos, a malha de IA agentiva orienta com fluxo de trabalho autónomo.

A IA agentiva avançou ainda mais o processo de avaliação com tomada de decisão autónoma de tarefas discretas. A malha de IA agentiva, composta por múltiplos agentes especializados, é capaz de realizar múltiplas tarefas discretas simultaneamente. Verificação de identidade, recuperação e validação de documentos, avaliação de métricas, validação externa de dados, consultas a centrais de crédito, análise psicométrica, entre outras, podem ser realizadas simultaneamente por agentes especializados. Cada agente opera com objetivos definidos, métricas de sucesso e protocolos de escalonamento, tornando o processo mais rápido com maior precisão.

Esta malha agentiva impõe lógica de negócio, invoca modelos preditivos e encaminha candidaturas com base em limites de confiança, automatizando dinamicamente os fluxos de trabalho do processo. Por exemplo, decisões de baixa confiança ou anomalias sinalizadas são automaticamente escaladas para subscritores humanos no circuito, com alertas enviados através de sistemas de mensagens para agir. Simultaneamente, os sistemas agentivos podem monitorizar proativamente candidaturas, detetar contradições e iniciar mecanismos de remediação. Da mesma forma, se o perfil de crédito de um candidato cair numa zona cinzenta, pode acionar automaticamente uma revisão secundária ou solicitar documentação adicional ou trazer um humano para o circuito.

Exemplo: Um grande banco global implementou recentemente um processo totalmente automatizado de gestão de casos a partir de e-mails de clientes — registando casos, invocando fluxos de trabalho, mensagens com acompanhamento de estado e comunicação — reduzindo o esforço e o tempo de processamento para metade do anterior.

Para completar, a capacidade de PNL permite que os agentes conversem com os candidatos em tempo real, esclarecendo ambiguidades, recolhendo dados em falta e resumindo os próximos passos — em vários idiomas e com ativação por voz, conforme necessário. Isto reduz o atrito e melhora as taxas de conclusão, especialmente para segmentos de clientes hesitantes e mal servidos.

Arquitetura Híbrida: Equilibrar Precisão e Explicabilidade

As tecnologias GenAI e IA agentiva estão a desenhar fluxos de processo e arquitetura — melhorando a eficiência enquanto equilibram a precisão e a explicabilidade dos resultados.
Uma arquitetura híbrida que combina IA agentiva com modelos GenAI melhora o poder preditivo com dados mais ricos e uma transparência regulatória melhorada. Combinar agentes de IA também aumenta a robustez e as capacidades de execução automatizada sem falhas.

Enquanto a GenAI pode gerar explicações contrafactuais — cenários "e se" que ilustram como os candidatos podem melhorar a sua elegibilidade para empréstimos, os sistemas agentivos podem recolher dados de resultados, selecionar casos extremos e iniciar ciclos de re-treinamento. Este processo de auto-aprendizagem adaptativa com conjuntos de dados mais limpos e cenários extremos plausíveis melhora a precisão do processo de avaliação de elegibilidade de empréstimos dos clientes.

Apelo à ação: Construir Sistemas de IA Fiáveis para uma Avaliação Mais Precisa

Avaliar a elegibilidade para empréstimos é um processo complexo que impacta a experiência do cliente e a relação comercial de longo prazo. Algumas recomendações chave a ter em mente ao redesenhar o fluxo são: a) Uma arquitetura com humano no circuito para melhorar o processo geral de tomada de decisão com rastreabilidade e explicabilidade, b) Identificar e mapear adequadamente os resultados das decisões para as características associadas para abordar preocupações de interpretabilidade e conclusões de auditoria, c) Implementar barreiras de proteção de IA responsável, salvaguardas operacionais como controlos de acesso baseados em funções, matriz de escalonamento, etc., melhorariam a resiliência do processo.

Conclusão

O processo de tomada de decisão de crédito está num ponto de inflexão com a GenAI e a IA agentiva a redefinir os fluxos de processo de negócio — tornando o ecossistema de empréstimos mais eficiente e resiliente. As instituições financeiras que investirem em design cuidadoso, governação rigorosa e modelos de dados robustos, automatizando casos de uso de alto risco, liderarão a próxima era de subscrição inteligente.