Serviços Financeiros

O comprador de serviços financeiros que inicia um projeto de IA em 2026 não está em dúvida sobre a implantação de LLMs. O LLM Suite do JPMorgan já alcança aproximadamente 230,000 a 250,000 funcionários em cerca de 450 casos de uso em produção, com meta de 1,000 até o final do ano; Goldman Sachs, Morgan Stanley, BBVA, Citi, HSBC e a maioria dos bancos de primeira linha já desenvolveram suas próprias soluções. A questão real é como fazer um sistema de IA em produção ser aprovado na validação de risco de modelos, testes de concessão justa de crédito, revisão de terceiros do DORA e um exame de supervisão da FINRA, mantendo-o plenamente operável no dia a dia.

O que construímos e os artefatos entregues em conjunto

Nossa abordagem é construir sistemas de IA sob medida para bancos, mesas de mercados de capitais, gestores de ativos e patrimônio, infraestrutura de pagamentos e fintechs, além das funções transversais de risco e tesouraria — cada um estruturado para que os artefatos efetivamente exigidos pelos reguladores sejam produzidos junto com o sistema, e não anexados às pressas depois que uma demonstração precisa justificar sua documentação:

• Pacotes de validação de modelos desenvolvidos para atender ao "desafio efetivo" sob SR 11-7 e OCC 2011-12 mesmo quando o modelo possui 70 billion de parâmetros.
• Pipelines de retenção que tratam prompts e saídas de LLM como comunicações comerciais sob a norma FINRA SEA Rule 17a-4, com exportação WORM para qualquer arquivo de conformidade que a instituição já utilize.
• Estruturas de testes de concessão justa de crédito que resistem a uma revisão do CFPB relativa à ECOA e ao impacto díspar (detalhado em nossa pesquisa sobre a crise de responsabilidade na concessão justa de crédito).
• Registros de decisões que uma auditoria de gestão de mudanças da Reg SCI possa examinar com total clareza.

Quais regulamentações de IA um sistema financeiro deve cumprir em 2026?

Cinco regimes incidem simultaneamente sobre qualquer implantação em produção. Projetamos em conformidade com esse ecossistema normativo em evolução, e não com base em manuais de 2021.

Como impedir que um CFO gerado por deepfake autorize uma transferência bancária?

Um funcionário da Arup em Hong Kong transferiu cerca de US$25 million em fevereiro de 2024 após uma chamada de vídeo com deepfake simulando o CFO e outros executivos. A infraestrutura existente de prevenção a fraudes de tesouraria, baseada em regras do NICE Actimize e detecção de vivacidade da era de 2022, não detectou o golpe.

Nossa abordagem é construir verificação de autenticidade de vídeo e voz em tempo real integrada ao fluxo de transferências de tesouraria, com bloqueios determinísticos em movimentações de alto valor — de modo que o risco de deepfakes não dependa de um analista sob pressão identificar um rosto sintético em uma chamada do Zoom (detalhado em nossa pesquisa sobre o incidente de deepfake da Arup).

É possível validar um LLM de 70 billion de parâmetros sob a SR 11-7?

O "desafio efetivo" sob a SR 11-7 pressupõe que um validador consiga interrogar os mecanismos internos do modelo; um LLM de 70 billion de parâmetros inviabiliza essa premissa por concepção. Os bancos estão respondendo de três maneiras incompatíveis, nenhuma das quais é aprovada de forma limpa em uma inspeção:

• Ou eles restringem a implantação.
• Ou eles ampliam contratações de MRM para validadores com experiência em ML — um mercado que não consegue suprir essa demanda em grande volume.
• Ou discretamente confiam nas alegações dos fornecedores.

Nossa abordagem torna a camada de restrições determinísticas — construída sobre um grafo de conhecimento ancorado no domínio — o componente validado, gerando caminhos de decisão que um validador pode auditar diretamente, sem precisar ler pesos de tensores.

O modelo generativo opera por trás dessa camada como uma entrada delimitada e não autoritativa — restrito no que pode executar, monitorado continuamente e submetido a testes de resultados contra a estrutura de avaliação —, em vez de ser tratado como um modelo validado por si só. O pacote de documentação (inventário, linhagem de dados, estrutura de avaliação, monitoramento de desempenho) é produzido no mesmo formato que as equipes de MRM já utilizam para modelos clássicos, para que a evidência seja compreensível sob a revisão de desafio efetivo aplicada por uma inspeção horizontal.

Cada segmento se apoia em uma espinha dorsal regulatória distinta

Mercados de capitais, gestão de ativos e varejo bancário compartilham o mesmo desafio arquitetural, mas cada um se apoia em uma espinha regulatória diferente; por isso, construímos para a espinha específica, e não com base em um modelo genérico de "IA para serviços financeiros". Encontre sua área de aplicação e a obrigação que a solução deve respeitar:

Como isso se diferencia de plataformas, Big 4 e fornecedores pontuais

Cada categoria de fornecedor resolve parte do problema; nenhuma integra todo o conjunto arquitetural. Essa integração é o foco do nosso trabalho — a diferença entre um sistema estruturado para ser aprovado por um comitê de risco e outro engavetado em um ambiente de testes.

A arquitetura completa abrange ontologia de domínio, recuperação ancorada com proveniência, aplicação determinística de restrições, validações com intervenção humana quando houver risco fiduciário ou de proteção ao consumidor, registros de decisão defensáveis perante reguladores, avaliação contínua e arquitetura protegida contra concentração de terceiros.