A indústria de serviços financeiros tem sido uma das que mais rapidamente adotou a IA generativa e agêntica; no entanto, muitas instituições financeiras limitam sua adoção a fornecer acesso a modelos/LLMs, impulsionar projetos piloto e provas de conceito ao longo da cadeia de valor, ou implementar usos em pequena escala, adiando a transformação mais ampla. De acordo com dados do AI Banking Index da Evident para o primeiro trimestre de 2026, apenas 9 das 50 instituições financeiras monitoradas implantaram com sucesso uma aplicação de IA agêntica, seja em produção ou em fase piloto.
Os principais problemas enfrentados pelos bancos para uma transformação mais profunda são a falta de uma camada semântica de dados, integrações internas e externas complexas e sistemas centrais (core) legados construídos para processos mais lentos e manuais que não conseguem suportar os processos automatizados e em tempo real exigidos por esta onda transformadora da IA. Então, a verdadeira questão é: como as instituições financeiras podem se modernizar de maneira eficaz?
Este artigo explora quatro áreas nas quais os bancos devem trabalhar para se modernizarem eficazmente e construírem as bases para uma transformação mais profunda que não apenas integre a IA na cadeia de valor, mas realmente transforme a maneira como os bancos operam na era nativa da IA.
1. Modernização de Legados e Dívida Técnica
Durante a era digital, falava-se em modernização principalmente para reduzir custos e aumentar a eficiência. No entanto, os sistemas legados determinam a velocidade com que as organizações podem lançar novos produtos, atingir novos mercados, trabalhar com parceiros e usar a IA em escala.
Em todo o setor bancário, sistemas centrais com décadas de existência, códigos não documentados e a dívida técnica acumulada continuam limitando a inovação e a agilidade operacional. Mas o desafio é mais profundo do que sistemas lentos ou interfaces desatualizadas. Décadas de desenvolvimento não documentado deixaram a lógica de negócios crítica, regras de precificação, limites de risco e verificações de conformidade enterrados dentro de um código frágil que apenas um grupo cada vez menor de especialistas compreende. Quando a informação e o conhecimento residem em um mainframe em vez de serviços acessíveis e governados, a inovação trava. As equipes acabam criando soluções temporárias, conexões personalizadas e pequenos experimentos difíceis de escalar por todo o banco.
Enquanto isso, muitas plataformas existentes permanecem otimizadas para padronização e controle, em vez de adaptabilidade. O futuro exige algo diferente: capacidades de negócios modulares, produtos de dados governados e camadas de orquestração que permitam aos bancos evoluir continuamente a jornada do cliente e os processos de negócios sem impactar constantemente o core. A modernização não deve ser considerada apenas como a transição do antigo para versões mais novas, mas sim como a construção de uma plataforma que dê suporte à IA.
O desafio para os bancos não é apenas construir as bases adequadas para a IA, mas usar a própria IA como um poderoso acelerador da modernização. A tecnologia está ajudando as instituições a analisar ambientes legados, documentar dependências complexas, refatorar aplicações antigas e reduzir os riscos tradicionalmente associados a transformações em grande escala. Os bancos que não se modernizarem rapidamente correm o risco de ficar de fora desta era nativa da IA.
O Gargalo: Por que a Modernização Bancária é Única
Os bancos enfrentam desafios estruturais semelhantes aos da maioria das indústrias altamente regulamentadas, mas em uma escala muito maior devido aos altos volumes de transações, necessidades de liquidação em tempo real e anos de combinação de sistemas antigos:
- Dívida Arquitetônica por M&A: Anos de fusões e aquisições bancárias deixaram muitas instituições executando vários sistemas centrais, contabilidades e bancos de dados de clientes ao mesmo tempo, todos conectados por middlewares frágeis.
- Dependência do Mainframe: Funções contábeis críticas geralmente rodam em mainframes com código antigo, fazendo com que os bancos dependam de conhecimento altamente especializado e escasso, dificultando o acesso a dados em tempo real.
- O Atraso do Processamento em Lote (Batch): Os sistemas bancários centrais das décadas de 1970 e 80 usam rotinas noturnas em lote para liquidar transações e atualizar saldos. Sem modernização, decisões em tempo real orientadas a eventos tornam-se impossíveis.
Sistemas legados fazem mais do que desacelerar a TI; eles escondem regras de negócios cruciais em códigos frágeis. Quando as verificações de preços, riscos e conformidade estão presas em mainframes, os agentes de IA não podem utilizá-las com segurança.
A modernização é um imperativo na transformação dos negócios
A modernização deve se concentrar nas necessidades futuras do negócio, e não apenas nos limites técnicos de hoje. Os resultados relevantes são métricas de negócios mensuráveis que impactam:
- Menor tempo de lançamento no mercado (time-to-market) para novos produtos e canais, onde canais multimodais com necessidades em tempo real irão dominar.
- Melhores experiências do cliente: Como a IA pode gerar uma “onda de similaridade”, usá-la para se diferenciar será a chave para aquisição e retenção de clientes.
- Processamento direto (straight-through processing) aprimorado: Não apenas integrando IA para resolver gargalos, mas reimaginando processos de ponta a ponta com a parceria IA + Humano como princípio fundamental.
- Maior prontidão para IA por meio de dados unificados e capacidades de negócios expostas, permitindo a transformação geral do Middle e Back Office, equilibrando regulação e gestão de riscos com inovação.
Quando a modernização está ancorada ao valor do negócio, seus benefícios se multiplicam ao longo do tempo. Em vez de buscar uma transformação disruptiva do tipo “big bang”, os bancos líderes adotam uma abordagem pragmática focada em valor, que entrega resultados mensuráveis em cada etapa. Ao avançar por marcos definidos, os bancos reduzem riscos, mantêm a continuidade dos negócios e geram valor tangível durante toda a jornada.
2. Experiência do Cliente e Bem-Estar Financeiro
À medida que as expectativas dos clientes continuam a subir, os bancos estão migrando de interações transacionais para experiências mais personalizadas e proativas. A IA permite antecipar necessidades, personalizar orientações financeiras e ajudar os clientes a construir hábitos financeiros mais saudáveis por meio de suporte contextual em tempo real. A mudança vai além de entregar serviços meramente funcionais para criar experiências fluidas e envolventes que fortalecem a fidelidade e permitem que os bancos tradicionais competam com atores digitais (e em breve nativos em IA) como Revolut e outras fintechs.
Durante a era digital, a maioria dos bancos investiu na melhoria de seus canais, mas seus sistemas centrais continuaram limitados por tecnologias legadas e conexões diretas. No entanto, a vantagem competitiva não é mais simplesmente oferecer serviços digitais que funcionem, mas entregar experiências intuitivas, proativas e contextualmente relevantes. Assim como líderes do setor de hospitalidade que transformaram o entretenimento orquestrando jornadas contínuas, as principais instituições financeiras estão usando IA para criar experiências que simplifiquem decisões e apoiem o bem-estar financeiro.
Neste ambiente, a modernização não é apenas sobre eficiência operacional ou uma nova fachada nos canais digitais. É a base para uma nova geração de experiências impulsionadas por IA que fortalecem a fidelidade e facilitam a vida dos clientes. O dinheiro parece um domínio racional, mas se comporta de forma emocional; sistemas que só entendem transações continuarão produzindo experiências tecnicamente corretas, mas frias, enterrando momentos valiosos na rotina.
Neobancos como o Revolut já demonstraram que os clientes migrarão para plataformas que os ajudem a gerenciar seu dinheiro com mais eficiência, automatizando economias, categorizando gastos e fornecendo análises financeiras em tempo real. Os bancos tradicionais correm o risco de perder não apenas clientes, mas o relacionamento financeiro principal à medida que assistentes de IA começarem a gerenciar transações e decisões em nome das pessoas.
3. Gestão de Mudança e Transformação Cultural
Raramente a arquitetura técnica é o motivo pelo qual as iniciativas de modernização falham; o obstáculo costuma ser cultural. Funcionários que passaram anos acumulando conhecimento em sistemas legados, ou que detêm poder institucional justamente por serem os únicos a compreendê-los, podem resistir a mudanças que democratizem esse conhecimento. Para muitos dentro de uma instituição financeira, a democratização do conhecimento não é uma oportunidade, mas sim uma ameaça.
Essa resistência raramente surge como oposição direta. Ela se manifesta como decisões adiadas, falta de priorização dos esforços de modernização, expansão descontrolada do escopo (scope creep), preferência por pilotos intermináveis em vez de implantações em produção e a tendência de transformar cada requisito de governança em uma justificativa para desacelerar. O resultado são organizações tecnicamente capazes de se modernizar, mas organizacionalmente incapazes de fazê-lo.
Superar essa lacuna exige tratar a gestão de mudança como uma entrega de primeira ordem, e não como uma reflexão tardia. Isso significa redefinir papéis desde o início, criar vitórias visíveis que demonstrem que a IA aumenta o potencial humano em vez de substituí-lo, e alinhar a liderança antes do início do trabalho técnico. As organizações bem-sucedidas não são necessariamente as que têm a melhor arquitetura, mas sim as que fazem suas pessoas avançarem junto com seus sistemas.
4. Governança e Padronização
À medida que a adoção de IA acelera, muitas instituições correm o risco de criar soluções fragmentadas, esforços duplicados e padrões inconsistentes. A combinação de engenharia de plataforma, bases reutilizáveis e IA agêntica ajuda a escalar a inovação sem sacrificar o controle. O objetivo não é mais burocracia, mas sim uma governança mais inteligente: limites claros, plataformas compartilhadas e práticas padronizadas que permitam às equipes de negócios moverem-se rapidamente, garantindo segurança, conformidade e sustentabilidade.
Por que a IA Agêntica exige fundações modernas
Enquanto a IA preditiva ajudou os bancos a operar melhor sob incerteza e a IA generativa impulsionou uma primeira onda de transformação em TI e Marketing, a IA agêntica vai um passo além ao orquestrar decisões e ações em sistemas, fluxos de trabalho e processos de negócios.
Para operar com eficácia, os agentes de IA exigem quatro capacidades fundamentais:
- Camada semântica de dados que forneça uma visão confiável entre múltiplos domínios de dados.
- Integração em tempo real que suporte a tomada de decisões contínua e orientada a eventos.
- Automação e orquestração de processos que coordene ações entre sistemas, regras de negócios, APIs e pessoas.
- Governança desde a concepção (governance by design) para garantir que cada decisão opere dentro de controles definidos, requisitos de auditoria e caminhos de escalonamento.
Essas capacidades são difíceis de alcançar em ambientes legados, mas são inerentes a arquiteturas modernas, API-first e nativas da nuvem. É por isso que o conceito API-first tornou-se prioridade estratégica, embora APIs sozinhas não sejam suficientes. Uma estrutura verdadeiramente moderna precisa de um core modular, produtos de dados gerenciados e orquestração orientada a eventos. Sem esses fundamentos, as APIs são apenas uma capa para a velha complexidade.
Acelerando a transformação com AI Pods
Os riscos de uma adoção não governada de IA não são hipotéticos. Quando as equipes escolhem de forma independente suas próprias ferramentas, modelos e fluxos de trabalho sem um padrão compartilhado, o resultado é fragmentação, resultados inconsistentes, dados incompatíveis, custos elevados e processos não auditáveis.
Para evitar essa armadilha e acelerar a modernização, a Globant utiliza os AI Pods: células de IA de nível empresarial e de alta qualidade, supervisionadas por especialistas, projetadas para resolver o problema comum de implementações genéricas de IA: alcançar o nível de produção sob padrões corporativos.
Ao integrar a IA diretamente no processo de entrega, os bancos podem acelerar o redesenho arquitetônico, modernizar códigos obsoletos e estabelecer as capacidades essenciais necessárias para a automação futura.
Um ponto de partida prático é mapear quais processos de negócios principais (como abertura de contas, análise de crédito e verificações de conformidade) ainda dependem de lógicas enterradas em códigos legados não documentados. Essas são as áreas de maior impacto para a modernização e o ponto de entrada natural para uma atuação com AI Pods.
