O setor de serviços financeiros está investindo pesadamente em IA de Geração (GenAI), passando de US$ 35 bilhões em 2023 para uma projeção de US$ 97 bilhões até 2027, com os gastos anuais com infraestrutura a caminho de atingir US$ 400 bilhões até 2030. Todos os grandes bancos, seguradoras e gestoras de ativos possuem uma estratégia de IA, e a maioria tem dezenas de projetos-piloto em andamento.
No entanto, a maioria desses projetos-piloto está estagnada. Não porque os modelos sejam ruins, mas porque a infraestrutura de dados subjacente não consegue acompanhar o ritmo.
O verdadeiro gargalo
O Fórum Econômico Mundial identificou isso claramente em seu “AI Playbook 2026”: a segunda prioridade de investimento para as instituições financeiras é "dados básicos e recursos técnicos." Eles observam que as empresas estão "priorizando plataformas de dados de nível empresarial, investindo em arquiteturas de dados modernas que ofereçam suporte à ingestão em tempo real, dados não estruturados em grande escala e acesso controlado para modelos de IA e agentes."
Essa é uma maneira educada de dizer que a IA não pode agregar valor aos negócios se não tiver acesso aos seus dados.
As instituições financeiras possuem alguns dos maiores acervos de dados do planeta, incluindo décadas de registros regulatórios, registros de transações, arquivos de pesquisa, históricos de interação com clientes, gravações de chamadas, documentos de conformidade e dados de mercado que remontam a anos atrás. Tudo isso está lá, mas o problema é que os dados estão fragmentados em dezenas de silos de armazenamento, presos pela “gravidade dos dados” e inacessíveis para cargas de trabalho de IA sem semanas de preparação e replicação.
75% dos projetos de TI não atendem às expectativas, e as taxas de insucesso dos projetos de IA são ainda mais elevadas. O padrão é sempre o mesmo: o modelo funciona em laboratório, mas, quando entra em produção, não consegue acessar os dados de que precisa, onde precisa e quando precisa.
Os dois lados da mesma moeda
Todo caso de uso da IA Gerativa (GenAI) no setor de serviços financeiros se resume a duas coisas: fazer com que o conjunto de dados seja útil para a instituição e fazer com que a IA seja útil para o cliente.
Esses não são problemas distintos, mas sim dois lados da mesma moeda. Se a camada de dados for bem estruturada, os resultados da IA virão por consequência. Se for mal estruturada, os bilhões gastos resultarão apenas em projetos-piloto fragmentados, em vez de uma transformação empresarial.
O lado dos dados: Inteligência Empresarial
Pense no que as instituições financeiras realmente precisam que a IA faça nos bastidores. As equipes de conformidade dedicam mais de 60% do tempo apenas para localizar e resumir informações. Deutsche Bank construiu a “Aggie” com Kodex IA para lidar com a síntese de textos regulatórios e reduzir o tempo do processo de horas para minutos, enquanto outras instituições reduziram significativamente o tempo necessário para gerar relatórios de atividades suspeitas utilizando IA gerativa (GenAI) baseada na nuvem. Não se trata de experimentos, mas de sistemas em produção que geram resultados mensuráveis.
A modelagem de risco abrange a detecção de fraudes, a pontuação de crédito, a análise climática e de ESG, além da definição de preços, e todas essas disciplinas exigem um retreinamento contínuo com base em enormes conjuntos de dados não estruturados. A Capital One e o JPMorgan relataram reduções significativas nos falsos positivos e melhores taxas de detecção com sistemas de detecção de fraudes baseados em IA gerativa (FMI), enquanto as principais seguradoras europeias já implementaram dezenas de aplicações de IA que processam milhões de chamadas de API todos os meses.
As pesquisas confirmam isso. Morgan Stanley utiliza a OpenAI para oferecer aos consultores financeiros acesso instantâneo a análises sobre empresas, setores e classes de ativos, extraídas de seus dados proprietários. Outros grandes bancos relataram um aumento de dez vezes na eficiência da prospecção, e A Robinhood desenvolveu o Cortex para fornecer informações de mercado de nível profissional sobre o Amazon Bedrock.
Todos os casos de uso são diferentes, mas todos têm a mesma necessidade: precisam que os dados não estruturados certos sejam fornecidos ao recurso de computação certo, no momento certo.
Eis uma estatística preocupante: a utilização média das GPUs nas empresas é de apenas 5%. Antes que as tarefas de IA possam começar, as organizações muitas vezes precisam encontrar a escassa capacidade de GPUs, reservá-la e migrar seus dados para onde quer que essas GPUs estejam disponíveis. O desafio vai além da disponibilidade das GPUs. A gravidade dos dados mantém os dados ancorados em locais específicos, enquanto o armazenamento fragmentado obriga as equipes a replicar e preparar conjuntos de dados antes que as cargas de trabalho de IA possam começar. O resultado é maior complexidade operacional, iniciativas de IA mais lentas e custos de infraestrutura mais elevados. Não é surpresa, portanto, que 43% das organizações relatem aumento nas despesas com infraestrutura de IA, sendo que a infraestrutura de IA autônoma lidera esse aumento com 56%.
A solução é uma camada de dados unificada e de alto desempenho que atende a todas as cargas de trabalho de IA a partir de um único namespace, reunindo arquivos de conformidade, registros de KYC (Know Your Customer), corpora de pesquisa, dados de mercado, transcrições e análises proprietárias em um único local acessível, sem fragmentação, replicação entre equipes ou armazenamento intermediário. A taxa de transferência sustentada mantém as GPUs alimentadas continuamente, de modo que o retreinamento ocorra de acordo com a programação da equipe, e não com a da infraestrutura.
Quando a camada de dados funciona, os analistas de conformidade passam da recuperação de dados para a investigação, os cientistas de dados passam da espera para a iteração, as equipes de pesquisa passam do processamento de dados para a análise de mercado, e a aquisição de GPUs passa a ser uma decisão de planejamento, em vez de um projeto de migração de dados.
O lado da experiência: engajamento do cliente
As expectativas dos clientes mudaram de forma definitiva. 71% dos consumidores de serviços bancários em todo o mundo desejam um assistente de IA no aplicativo do seu banco, e 82% querem aprovar as ações dos agentes antes da execução. A diferença entre o que os clientes esperam e o que as instituições oferecem está aumentando a cada trimestre.
Alguns bancos já estão nessa situação. ABN AMRO processa mais de 2 milhões de conversas por texto e 1,5 milhão de conversas por voz anualmente por meio de agentes de IA, sendo que mais de 50% delas são totalmente automatizadas. Outros bancos líderes relataram aumentos significativos no engajamento dos clientes e nos pedidos de poupança por meio da personalização impulsionada pela IA, enquanto o tempo de coleta de dados nas centrais de atendimento diminuiu drasticamente em todo o setor.
Mas o desafio não é criar o agente de IA. Ele fornece ao agente acesso a tudo o que ele precisa para resolver uma consulta em tempo real, incluindo gravações de chamadas, transcrições de conversas, documentos de conta, e-mails, históricos de transações, interações anteriores, portfólio de produtos e registros de reclamações.
O armazenamento fragmentado faz com que os agentes recebam um contexto parcial; um contexto parcial implica o encaminhamento para humanos, e isso faz com que a taxa de automação de 50% caia para um dígito.
Os bancos multinacionais enfrentam um nível adicional de complexidade, pois os dados dos clientes devem permanecer sob jurisdição local em cada região, enquanto os serviços de IA exigem acesso unificado entre regiões, abrangendo o GDPR na Europa, a DORA para resiliência operacional, o PCI-DSS para pagamentos e as leis locais de residência de dados. As arquiteturas tradicionais de armazenamento não conseguem atender a esses requisitos sem replicar os dados em silos separados por região, e essa replicação destrói a visão unificada de que o agente de IA precisa para realmente ajudar o cliente.
A resposta é a mesma do caso de uso do corpus: uma camada de dados, soberana por jurisdição, acessível em tempo real a partir de qualquer serviço de IA em qualquer região geográfica, com históricos completos dos clientes disponíveis para os agentes sem necessidade de preparação prévia, sem replicação entre canais e sem comprometer a conformidade.
Quando o sistema funciona, são os agentes que resolvem as consultas, em vez de pessoas físicas que fazem a triagem das filas, e as instituições oferecem a experiência personalizada e instantânea que os clientes exigem, mantendo total conformidade regulatória em todas as jurisdições em que atuam.
O fio condutor
Todo caso de uso de IA Gerativa (GenAI) no setor de serviços financeiros depende da obtenção de dados não estruturados para processamento no momento certo, no lugar certo e sob a governança adequada. O modelo nunca é o gargalo. A infraestrutura de dados é que é.
É aí que a Qumulo muda o jogo.
A Qumulo oferece uma plataforma de dados unificada que abrange ambientes locais, de borda e em nuvem, proporcionando às aplicações de IA acesso controlado a dados não estruturados por meio de um único espaço de nomes global. O Cloud Data Fabric elimina os silos de armazenamento fragmentados, enquanto o Qumulo Cloud Native amplia os serviços de arquivos corporativos para a nuvem com a escalabilidade e o desempenho necessários para a IA.
No que diz respeito aos dados, o Qumulo CloudBridging e o GPU Liquidity permitem que as instituições exponham rapidamente os dados corporativos à capacidade disponível de GPUs na nuvem, sem criar cópias adicionais nem realizar projetos de migração em grande escala. O Cloud Data Fabric mantém uma visão única dos dados distribuídos, enquanto o NeuralCache mantém os conjuntos de dados ativos próximos à computação, acelerando o treinamento e a inferência de modelos e ajudando as organizações a fazer melhor uso de seus recursos de GPU.
No que diz respeito ao engajamento do cliente, a mesma plataforma oferece aos agentes de IA acesso seguro e em tempo real ao contexto completo do cliente em todos os canais e jurisdições, sem a necessidade de replicar dados em silos regionais. As instituições financeiras podem oferecer experiências personalizadas, mantendo a soberania dos dados, a conformidade regulatória e uma visão operacional única dos dados corporativos.
A segurança é o pilar de tudo isso. O NeuralProtect ajuda a proteger os dados no momento da gravação, fortalecendo a resiliência cibernética e garantindo a integridade dos dados dos quais a IA depende. O resultado é uma plataforma única que permite que as instituições financeiras expandam com confiança o uso da IA tanto em análises internas quanto em experiências voltadas para o cliente.
As instituições que acertarem nessa questão não apenas implementarão a IA, mas o farão em grande escala, em todas as linhas de negócios, em todas as regiões geográficas e em qualquer nuvem. As que não o fizerem continuarão realizando projetos-piloto que nunca chegam a entrar em produção.
Até 2027, US$ 97 bilhões serão investidos em IA financeira. A questão não é se a sua instituição vai investir esse montante, mas se você terá a infraestrutura de dados necessária para fazer com que esse investimento valha a pena.
Tom Tasker é arquiteto sênior de soluções em nuvem na Qumulo, com foco em proteção de dados na nuvem e resiliência contra ransomware para o setor de serviços financeiros e setores regulamentados nas regiões da EMEA e APJ. Ele é coautor da publicação no blog de armazenamento da AWS Resiliência desde a concepção: como criar uma estratégia eficaz de recuperação contra ransomware e ministra palestras na Universidade de Loughborough sobre Arquitetura Moderna de Dados.