Pedir um aumento de limite hoje pode significar conversar com um agente de IA que já decidiu, sozinho, quanto seu perfil de risco comporta — antes mesmo de você abrir o aplicativo do banco. Não é um cenário hipotético. No Brasil, 82% dos bancos já incorporam inteligência artificial generativa, e o próximo passo, sair do chatbot de atendimento e chegar ao agente que decide, contrata e ajusta produtos financeiros sozinho, já está em produção em instituições como Bradesco e Nubank. Este texto reúne dados concretos sobre o que já funciona, o que ainda é promessa e para onde a decisão de compra financeira está se deslocando.
O investimento em IA financeira deixou de ser experimento
Segundo levantamento da Deloitte citado pela InfoMoney, oito em cada dez bancos brasileiros já usam IA generativa, com ganho médio de produtividade de 11,4%. O orçamento de tecnologia do setor somava R$ 47,8 bilhões, 13% acima do ano anterior, e os bancos previam elevar em 61% os investimentos em IA, analytics e big data. Open Finance cresceria 65% e Pix, 48% — dois pilares que sustentam justamente os agentes que hoje automatizam contratação de produtos e gestão de limites.
Esse volume de dinheiro não está indo para chatbots de atendimento. Está indo para infraestrutura de decisão: motores de crédito, orquestração de agentes especialistas e integração via API com o ecossistema financeiro do cliente. É a diferença entre responder perguntas e agir sobre uma conta bancária.
Bradesco e Nubank: dois caminhos para o mesmo problema
O Bradesco chama seu modelo de “Humanos + Agentes”: squads multiagente que assumem tarefas repetitivas enquanto times humanos ficam com estratégia e exceções. Segundo a StartSe, o resultado é 30% de aumento de produtividade nessas squads, com 100% dos funcionários tendo acesso à plataforma corporativa BIA e 80% usando o sistema de forma recorrente. Foram mais de 6 milhões de interações registradas e 10% de redução no tempo médio de atendimento.
No crédito especificamente, o modelo Renda BRA 5.0, construído com a Kunumi, reduziu em 50% as variáveis usadas para estimar renda, cortou em 95% o tempo de desenvolvimento do modelo e gerou R$ 250 milhões em receita de valor ao ampliar aprovações com fontes de renda alternativas. Já o Pix Inteligente, operado via WhatsApp, chegou a 74% de conversão de jornada, reduziu o tempo de transação em 75% e o custo por transação em 60%, com 16% de crescimento na base ativa em seis meses.
O Nubank aposta em uma arquitetura diferente. Segundo a StartSe, a fintech estrutura sua IA em quatro pilares — base proprietária de dados de mais de 135 milhões de clientes latino-americanos, o “Nubank AI Engine” para decisões em tempo real, aplicação ao longo de toda a jornada (crédito, atendimento e operações) e resultados de negócio como margem e custo. O CEO David Vélez resumiu a aposta como prioridade central da companhia: reconstruir o sistema financeiro em torno de IA, não anexar IA a um sistema já pronto.
Entre fintechs de crédito menores, o padrão que vem se firmando é o do agente supervisor: em vez de um único modelo decidir tudo, um agente central consulta agentes especialistas de pré-análise, decisão, precificação e repescagem, e escolhe qual acionar em cada etapa da jornada do cliente, segundo a FintechLab. É uma resposta direta ao problema de escala: treinar um modelo generalista para todo o funil de crédito custa caro e erra mais do que orquestrar vários modelos especializados.
O que muda na prática para quem gerencia limite e crédito
Reunindo os casos acima, três mudanças concretas já afetam a operação de bancos e fintechs no Brasil:
- Decisões de limite deixam de ser eventos pontuais e passam a ser monitoradas continuamente por agentes, que reavaliam risco conforme novos dados de renda, comportamento e transações chegam — não apenas na abertura da conta ou em ciclos de revisão trimestral.
- A concessão de crédito passa a depender de arquiteturas de múltiplos agentes especialistas, e não de um único modelo, reduzindo a chance de um erro isolado travar toda a esteira de aprovação.
- Canais conversacionais como WhatsApp deixam de ser só atendimento e passam a executar transações completas — como mostra o caso do Pix Inteligente do Bradesco, com redução real de tempo e custo por operação.
Também há um efeito colateral direto sobre times de risco e compliance: quando um agente aprova ou nega um aumento de limite, alguém precisa conseguir explicar por quê, com quais dados e sob qual política. A automação sem rastreabilidade de decisão não sobrevive a uma auditoria. Por isso os projetos mais maduros documentados até aqui vêm acompanhados de camadas de governança, não apenas de modelos preditivos.
A contratação de produtos está saindo do aplicativo do banco
O avanço do Open Finance combinado a agentes de terceiros muda outra coisa: onde a decisão de compra acontece. Segundo a Exame, fintechs como Magie, ELSA, Plum e Cleo já operam via WhatsApp e outros canais conversacionais, ajudando o cliente a organizar as próprias finanças sem nunca abrir o app do banco que detém a conta. Marcelo Oliveira, diretor de estratégia da consultoria Verity, resume o risco para as instituições financeiras: virar “executor técnico silencioso” — útil, mas substituível, e cada vez mais distante da relação direta com o cliente.
Esse movimento tem paralelo na infraestrutura de pagamentos: Mastercard e Visa lançaram, respectivamente, Agent Pay e Intelligent Commerce, dois protocolos que permitem a agentes de IA pesquisar produtos, comparar condições e executar pagamentos em nome do consumidor, com tokenização e autenticação via API, conforme relatou a StartSe. Fintechs brasileiras de crédito e pagamentos já adaptam essa mesma lógica para contratação autônoma de produtos financeiros. Somado ao Open Finance, isso cria um cenário em que o cliente autoriza um agente a comparar e contratar crédito, cartão ou seguro entre múltiplas instituições, sem visitar o site ou o app de nenhuma delas.
A Exame reforça que essa capacidade de processar grandes volumes de dados de risco em menos tempo já está acelerando decisões de concessão de crédito, definição de limites e condições de financiamento — tanto para o consumidor final quanto para times financeiros corporativos, que usam os mesmos agentes para previsão de fluxo de caixa e classificação automática de despesas.
Conclusão
O padrão que emerge dos casos de Bradesco, Nubank e das fintechs de crédito menores não é “IA responde perguntas melhor” — é “IA decide e executa”, com governança tentando acompanhar o ritmo. Para bancos e fintechs brasileiras, a pergunta prática deixou de ser se vale a pena automatizar contratação de produtos e gestão de limites. É se a instituição vai construir a camada de agentes que decide, ou vai virar apenas a infraestrutura que um agente de terceiro aciona por trás de um WhatsApp que não é o seu. Quem acompanha o setor de perto sabe: essa decisão está sendo tomada agora, não em 2027.