IA em análise de risco de crédito: quando substituir comité

Tese

Comités de crédito em bancos e PMEs portuguesas aplicam regras implícitas — rácios de alavancagem, histórico de pagamento, sector de actividade — que modelos de inteligência artificial podem replicar com maior consistência e velocidade. Quando a decisão depende de dados estruturados e critérios repetíveis, a IA pode apresentar vantagens em precisão e reduzir significativamente o tempo de análise. O sector bancário português mantém um NPL ratio de 2,4% em Dezembro de 2024, mas a variabilidade entre instituições sugere inconsistência de critérios que a automação pode ajudar a corrigir. A questão relevante para CFOs não é se a IA pode decidir, mas quando deve fazê-lo: onde termina a regra explícita e começa a relação comercial que exige julgamento humano.

O contexto: decisão de crédito como regra disfarçada de julgamento

Segundo o Banco de Portugal e a APB, o sector bancário português registou em 2024 um rácio de non-performing loans de 2,4%, activos totais elevados e um CET1 ratio robusto. A aparente solidez esconde uma realidade operacional: muitas decisões de crédito seguem critérios que podem ser codificados — como rácios financeiros, histórico de pagamento e características sectoriais. Contudo, comités aplicam estas regras de forma inconsistente: o mesmo dossier pode ser aprovado num banco e recusado noutro, não por diferença de apetite ao risco, mas por variação na interpretação de critérios nominalmente idênticos.

A automação de decisões financeiras com IA ganhou tração em Portugal após 2020, impulsionada por pressão regulatória (Basileia III, IFRS 9) e pela digitalização acelerada durante a pandemia. Empresas com Estatuto Inovadora COTEC investem uma parte significativa do seu valor acrescentado bruto em I&D, muitas delas em soluções de machine learning para análise de risco. O ecossistema de startups português movimentou capital considerável em 2024, com várias focadas em credit scoring e fraud detection.

O argumento tradicional contra a automação assenta em três premissas: (1) decisão de crédito exige contexto relacional que a IA não captura; (2) modelos de ML são caixas negras incompatíveis com RGPD e explicabilidade regulatória; (3) risco de viés algorítmico supera ganho de eficiência. As três premissas são válidas em contextos específicos — crédito a clientes estratégicos, negociação de covenants, sectores em transformação — mas podem não se aplicar à maioria dos casos. A questão não é tecnológica, é de governação: definir onde a IA decide sozinha, onde recomenda, e onde o comité mantém autoridade final.

O argumento: quatro cenários onde a IA substitui o comité com ROI documentado

Cenário 1: Crédito a PMEs com facturação e histórico adequados. Neste segmento, a decisão depende de variáveis estruturadas como margens, rácios financeiros e histórico de pagamento. Comités aplicam thresholds implícitos que modelos de IA podem explicitar e aplicar de forma consistente. O tempo de decisão pode ser significativamente reduzido, libertando analistas para casos complexos. A automação de contas a receber em empresas portuguesas mostra que a codificação de regras de aprovação elimina variabilidade sem perda de qualidade.

Cenário 2: Renovações de crédito sem alteração de condições. Muitas renovações seguem critérios explícitos, como manutenção ou melhoria de rácios financeiros, ausência de atrasos de pagamento e estabilidade sectorial. Nestes casos, o comité valida uma decisão já tomada por regra. A IA processa a mesma análise rapidamente, com auditoria completa de variáveis consideradas. O ganho não é apenas velocidade — é rastreabilidade. Cada decisão fica documentada com as variáveis que a justificam, eliminando o risco de "aprovação por relação" que reguladores penalizam em auditorias.

Cenário 3: Análise de risco de fornecedores em procurement. Em contextos de procurement centralizado, a avaliação de fornecedores pode envolver muitas variáveis. Comités manuais analisam um conjunto limitado de variáveis, enquanto modelos de IA podem processar centenas de variáveis, incluindo rácios financeiros, reputação online, exposição a risco ESG, dependência de clientes únicos e concentração geográfica. A automação com IA em procurement permite a PMEs aplicar critérios de due diligence antes reservados a grandes corporações, reduzindo risco de ruptura de fornecimento.

Cenário 4: Crédito ao consumo e microcrédito. Em mercados desenvolvidos, modelos de machine learning podem superar analistas humanos em precisão de previsão de incumprimento quando treinados em dados adequados. A vantagem da IA não é intuição — é capacidade de detectar padrões complexos em múltiplas variáveis que humanos não conseguem processar simultaneamente. O trade-off é explicabilidade: modelos mais complexos são menos transparentes, exigindo governação rigorosa para cumprir RGPD.

Contra-argumento: quando a IA falha. Decisões que envolvem negociação de pricing, garantias ou covenants não são substituíveis. A IA recomenda condições baseadas em risco, mas a decisão final depende de estratégia comercial — manter cliente estratégico, ganhar quota de mercado, cross-sell de outros produtos. Sectores em transformação (startups tech, empresas pós-reestruturação) têm dados históricos que podem não ser preditivos de risco futuro. Nestes casos, o comité aplica julgamento prospectivo que modelos treinados em histórico não capturam. A fronteira entre regra e julgamento não é fixa — move-se conforme maturidade do sector e disponibilidade de dados.

Implicação prática: framework de decisão para CFOs

CFOs devem diagnosticar se a decisão de crédito na sua organização é substituível por IA através de perguntas estruturantes. É importante avaliar se a decisão depende maioritariamente de dados estruturados ou de contexto relacional, se o volume de decisões justifica automação, se existe histórico suficiente para treinar modelos, se a decisão exige explicabilidade regulatória, qual o custo de erro e se a organização tem capacidade de governar IA. Estas avaliações devem ser feitas no contexto específico da empresa para garantir uma implementação eficaz e segura.

Roadmap de implementação em três fases. Fase 1: Mapear decisões recentes, identificar variáveis usadas e codificar regras implícitas em árvore de decisão para tornar explícito o que o comité faz implicitamente. Fase 2: Treinar e validar modelo, comparar recomendações da IA com decisões do comité, usando divergências como oportunidade de aprendizagem. Fase 3: Pilotar em paralelo — IA recomenda, comité valida — medir ganhos e ajustar modelo. Após avaliação, decidir se expande autonomia da IA ou mantém como ferramenta de recomendação.

A matriz de decisão entre IA e RPA ajuda a distinguir quando usar automação baseada em regras (RPA) versus aprendizagem de máquina (IA). Decisões de crédito com critérios fixos são candidatas a RPA. Decisões que exigem ponderação de múltiplas variáveis com pesos não-lineares exigem IA. A escolha errada pode desperdiçar investimento e gerar frustração operacional.

Perguntas para o conselho

• Quantas decisões de crédito ou aprovação de fornecedores fazemos por mês que seguem critérios explícitos e repetíveis?
• Temos histórico documentado suficiente de decisões com outcome conhecido para treinar um modelo?
• Qual o custo actual de inconsistência — casos onde critérios idênticos geram decisões diferentes entre analistas ou períodos?
• Definimos limites claros de autonomia para IA e processo de auditoria trimestral?
• Identificamos os casos onde julgamento humano é insubstituível (clientes estratégicos, sectores em transformação, negociação de condições) e excluímos da automação?

Onde o tema é frágil: três red flags que CFO deve respeitar

Red flag 1: Decisão envolve negociação de condições (pricing, garantias, covenants). A IA recomenda condições baseadas em risco, mas não substitui relação comercial. Bancos que automatizam aprovação de crédito mantêm comité para negociar spread, prazo e garantias — a IA acelera a análise de risco, não a estratégia comercial. Red flag 2: Cliente estratégico ou top em receita. Risco reputacional de decisão automatizada pode superar ganho de eficiência. Mesmo que a IA recomende recusa, CFO deve validar pessoalmente antes de comunicar ao cliente. Red flag 3: Sector em transformação (startups tech, empresas pós-reestruturação). Dados históricos podem não ser preditivos de risco futuro. Modelos treinados em empresas maduras podem falhar ao avaliar startups sem histórico de receita ou empresas que saíram de insolvência.

Em Portugal, a fragmentação de bases de dados dificulta treino de modelos. PMEs sem auditoria externa têm demonstrações financeiras de qualidade variável, reduzindo fiabilidade de modelos. A solução não é desistir da IA — é começar com casos de uso onde dados são estruturados (renovações, fornecedores com certificação) e expandir conforme maturidade.

Próximo passo: se este tema exige decisão executiva, a Macro Consulting pode apoiar com transformação digital, ligando diagnóstico, prioridades e execução.

Fontes

• Banco de Portugal / APB (2024), Overview do Sector Bancário Português — dados de NPL ratio, activos totais, CET1 ratio e crédito a clientes em 2024. Disponível em: https://www.apb.pt/pt/publicacoes/overview-do-sector-bancario
• COTEC Portugal (2024), Estatuto Inovadora COTEC — empresas certificadas em 2024, investimento em I&D significativo. Disponível em: https://cotecportugal.pt/
• Comissão Europeia (2025), State of the Digital Decade 2025 — Portugal na UE, competências digitais básicas da população. Disponível em: https://digital-strategy.ec.europa.eu/