Superar a Fragmentação de Dados e os Limites da IA na Rentabilidade das Transações

Numa sessão dedicada da FF News Virtual Arena, especialistas do setor reuniram-se para discutir um estrangulamento crítico nas operações bancárias: como a fragmentação de dados e a arquitetura legada causam diretamente a perda de rentabilidade das instituições financeiras nos seus fluxos de transações.

A discussão contou com:

• Ian Horne, Apresentador na FF News

• Mariia Komissarova, Responsável de Negócio de Retalho de Dados e IA no Raiffeisen Bank International

• Breno Alves De Oliveira, Chief Product Officer na PAYABL

• Kirill Lisitsyn, Co-Fundador e CEO na Torus

O painel explorou os custos operacionais ocultos de coleções de dados não utilizadas, os limites da inteligência artificial não determinística e as estratégias que as instituições financeiras devem adotar para transformar dados brutos numa base sólida para a sobrevivência no mercado.

A raiz da fuga de lucros: obstáculos de sistemas legados e dados estruturados

Para instituições financeiras de várias gerações no mercado, como o Raiffeisen Bank International, a infraestrutura legada destaca-se como uma barreira interna primária à otimização. Mariia Komissarova explicou que o desafio central que faz os bancos perderem rentabilidade nos fluxos de transações é, fundamentalmente, um problema de dados.

Uma vez que as aplicações bancárias históricas operam em silos distintos, recolher e estruturar dados de transações corporativas num formato transparente e organizado é excecionalmente difícil. Sem uma estrutura adequada, calcular a rentabilidade precisa de uma transação financeira individual permanece praticamente impossível.

Esta falha tem origem na governação histórica dos dados e na falta de implementação de frameworks modernos. Paradigmas organizacionais avançados, como o conceito de "data mesh", surgiram no mercado, mas continuam a ter pouca distribuição nas grandes empresas bancárias.

À medida que o setor financeiro global navega por amplas transformações de IA na verificação de identidade e no processamento de transações, resolver esta camada de dados deixou de ser um luxo. Estabelecer uma base de dados limpa tornou-se um requisito absoluto para a sobrevivência corporativa a longo prazo.

A grelha de custos ocultos da ingestão massiva de dados

Um erro comum nas instituições legadas é presumir que capturar volumes mais elevados de dados produz naturalmente maior valor de negócio. Há cinco a sete anos, os manuais tradicionais do setor focavam-se em recolher o maior número possível de pontos de dados variados, incluindo a introdução de dados de redes sociais em servidores corporativos.

O ecossistema de transações moderno ultrapassou esta mentalidade. As instituições financeiras estão a descobrir que simplesmente armazenar e manter quantidades enormes de informação não estruturada acarreta custos imenses em servidores e engenharia de dados.

"Esta quantidade de dados, uma grande quantidade de dados para os recolher e armazenar, é bastante dispendiosa e, se não os utilizar, também começa a perder neste jogo de preços…"

Quando uma empresa incorre em elevados custos operacionais de armazenamento sem extrair ativamente valor comercial desses dados, fica para trás no competitivo jogo de preços. Não consegue oferecer tarifas otimizadas aos seus comerciantes porque os custos de infraestrutura de base estão artificialmente inflacionados.

Como Kirill Lisitsyn salientou, a estratégia de dados moderna deve focar-se primeiro em extrair valor real dos ativos de dados existentes. Só quando um caso de uso de negócio explícito estiver estabelecido é que uma instituição deve investir capital para adquirir fluxos de dados adicionais, evitando assim obstáculos operacionais desnecessários e acumulação de custos.

A armadilha não determinística: porque é que os LLMs não conseguem corrigir dados incorretos

À medida que as instituições trabalham para unificar sistemas legados que utilizam linguagens de software completamente diferentes e formatos de dados não padronizados, muitas recorrem à Inteligência Artificial e aos Large Language Models (LLMs) para automatizar a transformação de código e dados. Breno Alves De Oliveira observou que as fintechs são excelentes na ingestão de dados complexos e na sua reorganização em formatos facilmente assimiláveis, um processo fortemente acelerado por ferramentas de IA.

No entanto, Komissarova emitiu um forte aviso técnico relativamente à dependência excessiva de algoritmos generativos para a infraestrutura transacional central. Os LLMs são inerentemente não determinísticos, o que significa que os seus resultados são baseados em probabilidades e não em certezas absolutas, expondo-os ao risco sistémico de alucinações algorítmicas.

No mundo transacional, onde os erros impactam diretamente os registos financeiros, ficar abaixo da precisão total é inaceitável. Introduzir dados imprecisos ou não estruturados num LLM aumenta significativamente a probabilidade de gerar cálculos incorretos, podendo custar milhões de dólares às instituições financeiras.

O painel concordou que não existe uma solução tecnológica milagrosa; as empresas não podem simplesmente lançar conjuntos de dados desorganizados para um modelo generativo e esperar uma lógica de negócio perfeita. Construir uma camada de dados fiável requer um investimento disciplinado de tempo e capital, aliado a especialistas internos qualificados que consigam estruturar corretamente o pipeline de dados.

Equilibrar a equação: o núcleo híbrido determinístico

Para capturar com segurança a velocidade da IA moderna sem sacrificar a precisão financeira absoluta, os painelistas propuseram uma arquitetura estrutural híbrida. Este modelo equilibra motores de processamento determinísticos com interfaces de linguagem flexíveis para facilitar o fluxo de trabalho do utilizador final:

• A base determinística: A camada de dados central deve permanecer estritamente determinística. Plataformas de inteligência especializadas, como a Torus, constroem intencionalmente a sua lógica de backend para focar na precisão matemática total, em vez de um modelo de "80% de probabilidade", garantindo que as taxas de esquema e os registos de transações são perfeitamente reconciliados.

• A interface conversacional: Uma vez estabelecida uma base de integridade de dados verificada, as instituições podem sobrepor LLMs para interpretar os dados, simplificando as interações com os utilizadores e acelerando as tarefas analíticas.

Esta base estruturada permite às instituições tirar partido de conceitos como data lakes para formular e testar hipóteses comerciais. Historicamente, descobrir uma tendência de processamento ou avaliar uma variável de preço exigia consultas manuais massivas a bases de dados.

Com um núcleo híbrido unificado, as equipas de produto podem testar rapidamente hipóteses para avaliar a sua probabilidade de sucesso. Em última análise, este framework permite aos bancos analisar simultaneamente as suas estatísticas internas, o panorama competitivo e as mudanças macroeconómicas do mercado. Esta abordagem orientada por dados guia ajustes direcionados nos fluxos de conversão, encaminhamento de transações e experiências de produto, transformando os investimentos de capital necessários em motores previsíveis de rentabilidade corporativa.

Destaques principais do painel da Virtual Arena:

• O estrangulamento da estrutura de dados: Recolher dados em sistemas legados que utilizam formatos diferentes torna o acompanhamento preciso da rentabilidade das transações altamente complexo.

• O elevado custo da estagnação de dados: Armazenar grandes quantidades de dados sem casos de uso claros infla os custos operacionais, tornando os bancos menos competitivos nos preços para comerciantes.

• Valor acima do volume: A inteligência de dados moderna prioriza a extração da máxima utilidade dos ativos existentes antes de adquirir fluxos de dados externos.

• O perigo da IA não determinística: Como os modelos de IA generativa são baseados em probabilidades, utilizá-los em dados centrais não estruturados acarreta o risco de erros nos cálculos financeiros.

• O plano do sistema híbrido: As arquiteturas bem-sucedidas combinam uma camada de dados determinística com 100% de precisão com ferramentas LLM conversacionais por cima para interpretação pelo utilizador.

• Inovação orientada por hipóteses: A reengenharia dos frameworks de dados centrais permite às equipas validar rapidamente as alterações de processamento, reduzindo o risco dos investimentos de capital.

O artigo Overcoming Data Fragmentation and the Limits of AI in Transaction Profitability foi publicado pela primeira vez na FF News | Fintech Finance.