A GFT anunciou o lançamento de uma nova estratégia tecnológica voltada ao setor bancário, focada na aplicação de inteligência artificial sobre o histórico transacional das instituições. Por meio dos chamados Transaction Foundation Models (TFM), a empresa propõe que bancos utilizem seus próprios dados para treinar modelos capazes de identificar padrões de comportamento e correlações complexas em operações financeiras. Segundo a companhia, a iniciativa visa consolidar inteligência que antes ficava fragmentada em sistemas isolados.

O objetivo central é transformar dados de pagamentos, transferências e contratações em uma camada de inteligência unificada e reutilizável. Essa estrutura permite que as instituições apliquem os mesmos modelos de base para diferentes finalidades, como gestão de risco de crédito, conformidade regulatória, personalização de ofertas e detecção de fraudes. A GFT informou que essa tecnologia está sendo integrada à sua plataforma de IA agêntica, denominada Wynxx, já utilizada por mais de cem instituições financeiras ao redor do mundo.

A mudança para modelos de base transacionais

A transição para modelos de base transacionais representa uma mudança estrutural na forma como o setor financeiro lida com a inteligência artificial. Historicamente, os bancos operaram com modelos estatísticos rígidos e estanques, desenvolvidos especificamente para um único problema de negócio. A proposta da GFT é mover essa arquitetura para um paradigma de aprendizado profundo, onde o modelo compreende a semântica das transações em um contexto mais amplo.

Ao treinar IAs com dados transacionais proprietários, os bancos conseguem capturar nuances que modelos genéricos de mercado ignoram. Essa abordagem não apenas melhora a acurácia, mas também reduz a redundância operacional, visto que a mesma base de conhecimento pode ser adaptada para diferentes departamentos, desde a prevenção de perdas até o marketing analítico.

Mecanismos de eficácia e ganhos operacionais

O diferencial dos TFM reside na capacidade de processar grandes volumes de dados transacionais para extrair sinais comportamentais em tempo real. Em um cenário onde as ameaças financeiras evoluem rapidamente, a capacidade de identificar anomalias antes que uma transação seja concluída é um diferencial competitivo crítico para qualquer instituição financeira.

Em uma prova de conceito realizada pela GFT, os resultados indicaram um salto expressivo na eficácia operacional. Segundo dados divulgados, a precisão dos modelos de detecção de fraude apresentou um aumento de 40% ao utilizar os novos modelos de base. Esse ganho é atribuído à maior capacidade da IA em correlacionar múltiplos pontos de dados que, individualmente, não seriam considerados suspeitos pelos sistemas tradicionais.

Implicações para o ecossistema financeiro

A adoção de modelos transacionais proprietários coloca pressão sobre as instituições que ainda dependem de sistemas legados ou de soluções de prateleira que não permitem customização profunda. Para os reguladores, o desafio será acompanhar como essas IAs agênticas tomam decisões que afetam a concessão de crédito e a segurança do consumidor, exigindo maior transparência nos algoritmos.

Para o ecossistema brasileiro, que possui um dos sistemas bancários mais digitalizados e transacionais do mundo, a tecnologia sinaliza uma oportunidade de otimização. Instituições que conseguirem integrar seus dados de forma eficiente poderão reduzir custos operacionais e melhorar a experiência do cliente, mantendo a conformidade em um ambiente de supervisão bancária cada vez mais atento à IA.

Perspectivas e desafios futuros

Embora os resultados iniciais sejam promissores, a escalabilidade desses modelos em ambientes de produção complexos permanece como a próxima fronteira. A integração de modelos de IA agêntica exige uma governança de dados robusta, garantindo que a inteligência gerada seja confiável e alinhada às políticas de risco de cada banco.

O mercado deverá observar como a GFT e outras empresas de tecnologia financeira adaptarão essas ferramentas para diferentes jurisdições e volumes de dados. A capacidade de manter a precisão dos modelos em cenários de mercado voláteis será o verdadeiro teste para a longevidade dos Transaction Foundation Models.

A evolução da inteligência artificial no setor financeiro parece estar se movendo rapidamente da fase de experimentação para a integração profunda com os dados proprietários que definem o negócio bancário. O sucesso dessa transição dependerá da capacidade das instituições em equilibrar inovação tecnológica com a segurança inerente às suas operações críticas.

Com reportagem de Brazil Valley

Source · Forbes España