IA em decisão de crédito

A resposta curta

Um modelo de linguagem não deve ser o que aprova ou nega crédito. Essa decisão pertence ao seu modelo de score e à sua política escrita, ambos auditáveis e defensáveis.

O que a IA faz bem é tudo em volta dessa decisão: coletar e ler o que o solicitante enviou, explicar uma exigência em linguagem simples, e impedir que um solicitante qualificado abandone um formulário que ele não entendeu. Construímos nessa superfície no Banco BMG e a conversão de crédito subiu 30%.

Onde o valor realmente está

Olhe a queda entre propostas iniciadas e propostas concluídas. Na maioria dos credores ela é grande, e a maior parte não é risco. É fricção: uma exigência de documento que ninguém explicou, um campo que falhou na validação sem dizer por quê, uma espera sem status.

Cada solicitante qualificado perdido nessa lacuna é receita que a sua política de risco já tinha aprovado. Recuperá-los muda o negócio sem tocar na posição de risco, e é por isso que é o lugar certo de começar.

A linha regulatória

Trace de forma explícita e escreva. A decisão, os fatores e os códigos de motivo vêm do sistema determinístico. A IA pode explicar aquela decisão na língua do solicitante, mas não pode originá-la, reescrever o motivo virando outra coisa, nem sugerir um resultado que ainda não foi decidido.

Essa distinção é o que torna o projeto aprovável. Um sistema que ajuda na compreensão é um objeto regulatório diferente de um sistema que toma a decisão, e confundir os dois é como uma construção morre na revisão jurídica.

O que a IA de fato faz

Ela lê os documentos que o solicitante enviou e diz na hora o que está errado, em vez de depois de dois dias de revisão manual. Responde que renda conta, por que aquele documento foi recusado, o que acontece depois e quando.

Do lado do analista, ela monta o caso: junta o dossiê, extrai os campos, sinaliza as inconsistências e mostra as fontes. O humano continua decidindo, mais rápido e com entrada melhor.

O dado e as permissões

Cadastro do solicitante, repositório de documentos, documentos de política e o sistema de decisão, tudo sob controle de acesso que segue o usuário solicitante. Nada nesse domínio tolera um sistema que recupera de forma ampla e filtra depois.

A maioria desses sistemas é antiga e não foi feita para acesso em tempo real, então orce a integração com honestidade. É o tema recorrente de sistema legado, e fingir que é pequeno é como cronograma escorrega.

Guardrails inegociáveis

Nenhuma política inventada, nunca. Nenhuma aprovação sugerida. Nenhum número que o sistema de registro não produziu. Log completo do que foi recuperado e mostrado, porque você vai ter que reconstruir uma interação meses depois para um regulador ou uma contestação.

E um caminho de recusa que seja de fato usado: a resposta correta para uma pergunta fora de política é que um humano vai responder, não um palpite plausível. Isso é controle determinístico, conforme guardrails.

Viés é risco vivo aqui

Um sistema que explica exigências de forma diferente para solicitantes diferentes, ou que lê melhor documentos de um grupo que de outro, produz resultado desigual mesmo sem nunca ter tomado uma decisão.

Teste isso de propósito, por segmento, antes do lançamento e com periodicidade depois. É um dos casos mais claros para o conjunto de referência descrito em evals, com abertura por segmento em vez de uma nota agregada.

Como medir

Taxa de conclusão entre os solicitantes que chegam ao passo, tempo da proposta até a decisão, e taxa de retrabalho nos documentos enviados. Depois, essencial, qualidade da aprovação e inadimplência posterior, para confirmar que você recuperou qualificados e não marginais.

Se o segundo conjunto anda na direção errada, o primeiro não foi ganho. Medir só a parte de cima desse par é como um projeto de crédito reporta sucesso e cria problema de carteira.

Como sequenciar

Comece na superfície pré-decisão, onde o valor é alto e a exposição regulatória é baixa. Explicação de documento e status primeiro, montagem do caso para o analista depois, e nada que toque a decisão em si.

Essa ordem coloca um sistema em produção cedo o bastante para aprender com solicitantes reais, que é a diferença entre um piloto que atravessa e um que não, conforme por que pilotos falham. É assim que construímos IA em produção, ponta a ponta.