O verdadeiro desafio do ROI da IA nas finanças: precisão, confiança e o imposto de verificação

A era do «Move Fast and Break Things» (Aja rápido e quebre barreiras) chegou ao fim no setor financeiro

O famoso axioma de Mark Zuckerberg , «Aja rápido e quebre coisas», definiu uma década de tecnologia.¹ No entanto, à medida que a inteligência artificial começa a permear setores de alto risco, como saúde, direito e finanças, os profissionais estão a aprender que esse axioma não é apenas inadequado, mas também um anátema.

No nosso domínio das finanças e do risco, onde decisões importantes são tomadas com base em dados, a velocidade sem precisão é um risco. «Quebrar coisas» não combina bem com responsabilidades fiduciárias, supervisão regulatória ou avaliações de risco de carteiras. Nas finanças, assim como no direito e na medicina, o custo de estar especificamente errado supera em muito o benefício de ser geralmente rápido.

Este cálculo rigoroso criou um paradoxo determinante no mercado. A adoção da IA está a acelerar, mas a confiança continua a ser a principal limitação à sua expansão. 

De acordo com uma Clarity AI recente Clarity AI com participantes do mercado financeiro, 57,8% já estão a usar IA ou planeiam adotá-la para fins de sustentabilidade nos próximos 12 meses. O principal caso de uso citado é o processamento de dados de sustentabilidade (66,9%), uma tarefa para a qual a precisão é fundamental. No entanto, 68,6% e 37,2% dos inquiridos citam a precisão e a explicabilidade, respetivamente, como suas principais preocupações.

Embora a IA generativa prometa processar dados à velocidade do mercado, ela cria uma responsabilidade de caixa preta: se não for possível verificar o resultado, não se ousa utilizá-la. Entramos numa fase em que a principal barreira ao ROI da IA não é mais o poder de computação, mas sim a confiança e o custo proibitivo de verificar o resultado.

O «Imposto de Confiança e Verificação»

Chamamos a este atrito de «imposto de confiança e verificação». É a responsabilidade oculta da eficiência da IA, resultante do erro de aplicar ferramentas de uso geral a problemas específicos.

Imagine que, como parte do processo de pesquisa pré-investimento, um analista tenha a tarefa de analisar todo o conjunto de divulgações corporativas de uma empresa para criar um perfil de risco de sustentabilidade para o gestor de carteiras. Esta parece ser uma oportunidade ideal para a automação por IA. Usando o modelo de linguagem geral (LLM) de sua escolha, uma tarefa que normalmente levaria três horas é concluída em menos de 30 minutos.

No entanto, o analista logo nota valores errados. A empresa está retirando uma quantidade de água equivalente ao volume do Lago Superior devido a uma interpretação incorreta de uma unidade “KM3”. O valor das emissões de escopo 2 é maior do que as emissões totais da Alemanha. Algo deu errado. Eles passam as quatro horas seguintes tentando analisar e validar as conclusões da IA, cuja dificuldade é agravada pela inexistência de transparência e explicabilidade da fonte.

A questão reside na arquitetura dos próprios modelos. Os LLMs de uso geral baseiam-se num enorme corpus de dados, uma mistura caótica de fontes que inclui tópicos do Reddit, artigos de opinião e dados de baixa qualidade. Quando faz uma pergunta a um modelo geral, ele está efetivamente a vasculhar esse oceano de dados. O facto de ele conseguir ocasionalmente captar insights ou dados verdadeiramente especializados é uma ocorrência incidental.

Na escrita criativa, essa fluência ampla é uma vantagem. Nas finanças, é uma armadilha.

Tratar a verdade como uma restrição

Em cenários de alto risco em áreas especializadas (por exemplo, finanças, medicina, direito), a presença de dois elementos é fundamental para obter ganhos reais de eficiência e evitar a armadilha mencionada acima: capacidades especializadas e transparência. Sem eles, a «eficiência» da IA é uma fachada que desmorona sob o peso das alucinações e do trabalho árduo da limpeza manual.

O copiloto analítico Clarity AIfornece um exemplo convincente do poder de uma inteligência especializada. Ao contrário de ferramentas de uso geral, como Gemini ou ChatGPT, que obtêm insights a partir de um vasto oceano de informações gerais, as ferramentas Clarity AIoperam em um ambiente de “sala limpa”. Graças a uma arquitetura de geração aumentada por recuperação (RAG), o copiloto Clarity AItem acesso apenas a informações relevantes para a análise de sustentabilidade: divulgações corporativas, metodologias e dados estruturados validados.

Embora isso signifique que não será possível fornecer aos utilizadores uma receita para o jantar de domingo, também significa que está livre de dados de baixa qualidade contaminantes que levam a erros dispendiosos de uma ferramenta de uso geral.

No entanto, uma dieta de dados limpa resolve apenas o lado da entrada da equação. Para eliminar verdadeiramente a «taxa de verificação» no lado da saída , o modelo deve mostrar o seu trabalho. As ferramentas Clarity AIoperam de acordo com uma política rigorosa de «sem link, sem tinta». Se o copiloto não puder comprovar um ponto de dados específico com uma fonte verificável, ele admite a falibilidade com uma frase raramente ouvida no mundo das ferramentas de IA: "Não consigo encontrar evidências para responder a essa pergunta". Ao contrário das ferramentas generalistas, o seu objetivo não é a fluência conversacional, mas a auditabilidade, fornecendo informações confiáveis com um link direto para a fonte para verificação com um clique.

Essa filosofia de transparência radical vai além de simples citações e se estende à lógica central dos nossos motores de extração de dados alimentados por LLM. Para métricas complexas, não basta apresentar um valor e um número de página; o utilizador também precisa entender como esse valor foi obtido. Por exemplo, um Clarity AI treinado para extrair a composição do conselho gera uma defesa passo a passo do seu cálculo, expondo as transformações nos bastidores que muitas vezes ficam ocultas em divulgações não estruturadas:

A divulgação afirma diretamente que o Conselho é composto por sete diretores. Também afirma que a estrutura de governança inclui dois diretores independentes, que usamos como contagem independente. A percentagem independente (28,57%) é calculada a partir das contagens diretamente relatadas (2 de 7).

Conclusão: Prova acima da promessa

Em 2026, o mercado dos adotantes de IA se dividirá. Um grupo de empresas continuará a lutar com a “taxa de verificação”, construindo fluxos de trabalho precários sobre modelos de uso geral que exigem supervisão constante e dispendiosa. Essas empresas descobrirão que seus “ganhos de eficiência” são engolidos pela necessidade de verificar cada resultado em relação à realidade. Os KPIs e OKRs serão prejudicados, os projetos-piloto fracassarão, os chefes farão perguntas difíceis e suas empresas serão incluídas de forma vergonhosa nas estatísticas que ganham as manchetes sobre o fracasso das empresas em expandir a IA. 

O grupo vencedor trocará a ampla fluência dos generalistas pela integridade verificável da especialização. Essas empresas implementarão ferramentas de IA específicas e prontas para auditoria que tratam a verdade como uma restrição, não como uma sugestão. Elas reconhecerão que, na arena de alto risco das finanças, a confiança não é uma competência social, mas sim uma métrica concreta. Elas economizarão tempo, dinheiro e superarão os seus concorrentes em inovação e desempenho, desbloqueando novos vetores para a criação de valor.

O sucesso será conquistado pelas empresas que cumprirem esse novo padrão, aquelas que exigem provas em vez de promessas. À medida que passamos da era do «agir rápido e quebrar coisas» para a era do «agir com inteligência e construir coisas», o guardião da escala não é mais a velocidade do processador, mas a integridade do processo.