Modelos de crédito com AI em mercados emergentes: do ganho preditivo à governança apta a financiamento

1. Comece pela decisão de crédito e pelo resultado de caixa

Um modelo AI só é valioso para um credor quando suas decisões melhoram os resultados de caixa ajustados ao risco sob uma estratégia de crédito aprovada. Acurácia, área sob a curva, Gini, precisão ou outra métrica técnica podem descrever o comportamento do modelo, enquanto a capacidade de financiamento depende de aprovação, precificação, exposição, inadimplência, recuperação, perda, liquidez e tratamento do mutuário. A equipe de diligência devida deve, portanto, partir de um registro de decisão e rastreá-lo até o caixa contratual e realizado.

O registro mínimo vincula pedido, mutuário, produto, valor, prazo, preço, versão do modelo, instantâneo das entradas, pontuação, limiar de decisão, explicação, intervenção humana, autoridade de aprovação, desembolso, cronograma de pagamento, caixa recebido, atrasos, regularização, reestruturação, recuperação e baixa. Identificadores estáveis devem conectar a plataforma de modelos, o sistema de gestão de empréstimos, as contas bancárias, os envios a birôs de crédito e o razão geral. Uma amostra deve ser reproduzível a partir dos dados originais e do código ou de um serviço de pontuação controlado.

O credor deve distinguir três perguntas. O modelo classificou o risco melhor do que uma linha de base aprovada? A instituição converteu essa classificação em limites, precificação e decisões de política sensatas? Essas decisões produziram desempenho de caixa consistente com o caso de subscrição? Uma resposta positiva à primeira pergunta não pode compensar políticas ou operações fracas.

O resultado inicial da diligência devida deve ser uma linhagem da pontuação ao caixa. Toda alegação posterior sobre inclusão, ganho preditivo, eficiência de capital ou avaliação deve reconciliar-se com ela.

O diagrama é uma estrutura de governança. Funções, evidências e aprovações devem ser verificadas para cada instituição e jurisdição.

2. Defina a capacidade de financiamento antes de medir o desempenho do modelo

Um modelo financiável tem uso definido, responsável designado, dados lícitos, implementação controlada, contestação independente, monitoramento estável, decisões explicáveis, alternativa operacional e conexão demonstrada com o caixa da carteira. Esses atributos devem ser definidos antes de o credor revisar o desempenho principal. Caso contrário, uma estatística forte pode dominar a discussão enquanto controles essenciais permanecem não testados.

O modelo pode apoiar triagem, aprovação, limite, preço, fraude, cobranças ou alerta precoce. Cada uso tem materialidade e custo de erro diferentes. Um modelo de classificação usado como uma das entradas para um responsável sênior de crédito difere de um modelo automatizado de recusa. Um modelo que apoia adiantamentos pequenos e de curto prazo difere de um modelo que define uma linha corporativa de vários anos. Os critérios de capacidade de financiamento devem seguir o impacto e a reversibilidade da decisão.

As práticas sólidas propostas pelo FSB para 2026 organizam o risco de AI em governança e no ciclo de vida de desenvolvimento, implantação, cibersegurança, tecnologia e terceiros.[1] A Estrutura de Gestão de Risco de AI do NIST usa as funções governar, mapear, medir e gerenciar e exige avaliação contínua, limitações documentadas e procedimentos para desativar sistemas cujo desempenho seja inconsistente com o uso pretendido.[19] Essas estruturas podem orientar a arquitetura de controles, enquanto a legislação local e os requisitos prudenciais permanecem decisivos.

O termo financiável não significa que um modelo seja perfeito. Significa que a incerteza residual é identificada, medida, governada e refletida na taxa de adiantamento, na reserva, no covenant, no preço e nos direitos do credor.

3. Mapeie o perímetro do modelo, da política e do sistema

Uma instituição pode operar vários modelos por trás de uma única pontuação. Componentes de identidade, fraude, capacidade de pagamento, crédito, precificação, limite e cobranças podem alimentar um motor de políticas. Pontuações de fornecedores podem ser transformadas ou combinadas com regras e julgamento humano. O perímetro da diligência devida deve incluir todos os componentes que alterem o resultado do mutuário ou a perda do credor.

O inventário deve registrar finalidade, proprietário, entidade jurídica, jurisdição, segmento do tomador, produto, papel na decisão, algoritmo, versão do modelo, período de treinamento, fontes de dados de entrada, fornecedor, data de validação, materialidade e plano de contingência e desativação. Modelos sombra, testes campeão-desafiante e ajustes em planilhas devem permanecer visíveis. Um modelo fora do inventário formal é uma constatação de governança, mesmo quando seu desempenho técnico parece sólido.

As Normas de Gestão de Modelos do Banco Central do UAE identificam governança, gestão de dados, desenvolvimento, implementação, uso, monitoramento de desempenho e validação independente como componentes essenciais.[11] Suas orientações sobre tecnologia habilitadora exigem um registro em toda a empresa e cobertura do ciclo de vida, do desenho à descontinuação.[9] Esses princípios sustentam um perímetro que se estende além do código, abrangendo política, pessoas, dados e operações.

O credor também deve mapear qual entidade é proprietária do modelo, qual entidade origina e administra os empréstimos e qual entidade suporta as perdas. Acordos intercompanhias de pontuação ou de administração de empréstimos podem afetar o acesso aos dados e a continuidade após uma transação ou execução.

Tabela 1. Inventário de modelos e mapa de evidências por nível de risco

O nível de risco deve refletir o impacto da decisão, a exposição, a autonomia, a complexidade e a substituibilidade.

4. Estabelecer direitos sobre os dados, proveniência e disponibilidade contínua

Dados alternativos podem incluir transações bancárias, fluxos de dinheiro móvel, serviços de utilidade pública, aluguel, vendas em plataformas, registros contábeis, sinais de dispositivos, geolocalização ou informações comportamentais. Um credor deve verificar a base legal, o aviso ao tomador, o consentimento quando exigido, a permissão contratual, a proveniência, a exatidão, a retenção, a transferência e o uso permitido no modelo para cada campo ou atributo derivado.

O acesso aos dados pode ser temporário. Um parceiro de plataforma pode encerrar um feed, alterar uma interface de programação de aplicações, restringir o consentimento ou alterar definições de campos. Um modelo treinado com dados amplos pode se degradar quando a produção recebe um conjunto menor ou mais lento. A equipe da transação deve comparar a cobertura de desenvolvimento e de produção e testar o fallback sob perda de cada fonte relevante.

O arcabouço de empréstimos digitais do RBI exige coleta baseada em necessidade, consentimento prévio e explícito do tomador, trilhas de auditoria claras e responsabilização da entidade regulada por prestadores de serviços.[12][13] As Regulamentações de Provedores de Crédito Digital do Quênia exigem confidencialidade das informações dos clientes e envio tempestivo, completo e preciso de informações de crédito a birôs licenciados.[14] Esses requisitos ilustram por que direitos e qualidade dos dados são questões de crédito, e não tarefas técnicas de manutenção.

O credor deve exigir um registro de direitos sobre dados vinculado às variáveis do modelo e aos tomadores. Campos não respaldados devem ser removidos ou colocados em quarentena, o modelo deve ser testado novamente, e qualquer redução de desempenho deve ser incorporada ao dossiê de crédito.

Tabela 2. Registro de direitos sobre dados e evidências

Os requisitos aplicáveis dependem da legislação local, do produto, do tomador e da fonte de dados.

5. Defina a variável-alvo e o default de forma consistente

O desempenho do modelo depende do resultado que ele prevê. Um alvo pode ser pagamento não efetuado, inadimplência de 30 dias, inadimplência de 90 dias, baixa contábil, fraude, reestruturação ou perda líquida de caixa em um horizonte definido. A definição de desenvolvimento deve corresponder ao produto, à política e ao objetivo de financiamento. Um alvo de inadimplência de horizonte curto pode ordenar o comportamento de pagamento inicial, mas não capturar a perda ao longo da vida.

A janela do alvo deve permitir tempo suficiente para que o resultado amadureça. Empréstimos recentes sem histórico completo de desempenho não podem ser classificados como bons apenas porque ainda não entraram em default. Cura, reestruturação, acordo, moratória, venda e baixa contábil devem ser tratados de forma consistente. Os resultados devem conciliar com as datas de vencimento contratuais, os recebimentos de caixa e os registros contábeis.

Os Princípios de 2025 do Comitê da Basileia para a Gestão do Risco de Crédito enfatizam a concessão, administração, mensuração, monitoramento e controles de crédito sólidos.[7] A orientação de validação da CBUAE exige a revisão da definição de inadimplência, dos dados de desenvolvimento, do desenho do modelo, das premissas, da estabilidade, do poder discriminatório e da calibração.[10] Esses princípios aplicam-se diretamente às evidências por trás do alvo.

Um credor deve recalcular o desempenho sob definições alternativas. Se o ganho preditivo desaparecer quando o alvo mudar de atraso inicial para perda líquida, o modelo poderá ser útil para priorização de cobranças e inadequado para elegibilidade de capital.

6. Construa coortes que revelem seleção e maturação

Divisões aleatórias entre treino e teste podem superestimar o desempenho quando registros de períodos, tomadores, comerciantes ou localidades semelhantes aparecem em ambas as amostras. A capacidade de financiamento exige testes fora do período e fora do segmento. As coortes devem seguir data de originação, produto, geografia, canal, tipo de tomador, tamanho do ticket, prazo, faixa de score e versão do modelo em meses iguais em carteira.

A seleção deve ser visível. O modelo observa resultados apenas para empréstimos aprovados, a menos que a instituição tenha outra fonte para solicitantes recusados. A política de aprovação pode, portanto, criar viés de seleção da amostra. Um modelo treinado em aprovações anteriores pode ter desempenho ruim quando expandido para grupos anteriormente recusados ou com histórico de crédito escasso. Pilotos controlados e limites conservadores podem construir evidências.

O trabalho do IFC de 2026 sobre crédito alternativo relata que dados de transações são insumos comuns e que AI é usado seletivamente em modelos que atendem tomadores com histórico formal limitado.[16] As evidências apoiam a oportunidade e também reforçam a necessidade de avaliar contexto, segmento e implementação. O sucesso de um modelo em um país, parceiro ou produto não estabelece transferibilidade.

O pacote de coortes deve declarar as janelas de observação e de desempenho, exclusões, dados ausentes e número de contas e exposição. Amostras pequenas devem ser identificadas e agrupadas apenas com uma razão defensável.

7. Traduza o ganho preditivo em uma ponte econômica

O ganho preditivo descreve uma melhoria em relação a uma linha de base. Pode significar maior poder discriminatório, melhor calibração, menor perda na mesma taxa de aprovação ou maior aprovação na mesma perda. O credor deve exigir uma linha de base que reflita a alternativa real de decisão, como um score de bureau, um scorecard ou uma regra de política, em vez de um parâmetro de referência artificialmente fraco.

A ponte deve manter constante uma restrição de negócio. Na mesma taxa de aprovação, compare perda realizada e contribuição. Na mesma perda esperada, compare aprovações e exposição financiada. A análise deve incluir custos de aquisição, dados, modelo, verificação, administração de crédito, fraude, captação de recursos e capital. Um pequeno ganho estatístico pode ter valor limitado após as despesas de implementação e a seleção adversa.

O exemplo hipotético abaixo começa com 100 unidades de perda de caixa esperada da linha de base. A melhoria de classificação reduz a perda em 18 unidades, enquanto a expansão para segmentos com histórico escasso acrescenta 7, a flexibilização da política acrescenta 5, o custo operacional de dados e modelo acrescenta 4 e recuperações mais fracas acrescentam 3. O benefício analítico líquido é de 1 unidade. Cada valor é uma premissa analítica hipotética e deve ser substituído por evidências verificadas no nível da conta.

Todos os valores são premissas analíticas hipotéticas e não descrevem um credor, modelo ou previsão de mercado.

8. Teste o poder discriminatório, a calibração e a perda realizada em conjunto

A capacidade discriminatória mede se tomadores de maior risco recebem scores piores. A calibração mede se as probabilidades previstas correspondem aos resultados observados. Um modelo pode ordenar corretamente e, ainda assim, subestimar sistematicamente as perdas. Os credores precisam das duas medidas porque capital e precificação dependem do nível de risco, não apenas da ordem.

A validação deve reportar a área sob a curva ou o Gini com intervalos de confiança, precisão e recall quando relevante, calibração por faixa de score, Brier ou log loss e resultados observados versus esperados. A análise deve usar pesos de conta e de exposição e deve mostrar perda em caixa, não apenas contagem de inadimplência. O prazo e o custo da recuperação importam para o serviço da dívida.

O desempenho deve ser separado por períodos de desenvolvimento, out-of-time, produção e estresse. O relatório do EBA sobre aprendizado de máquina em modelos de ratings internos enfatiza o uso prudente dentro do arcabouço de risco de crédito e a interação com a proteção de dados e as regras AI.[20] Os padrões de validação do CBUAE exigem revisão quantitativa de estabilidade, poder discriminatório, sensibilidade e calibração.[10]

Os limiares de aprovação devem ser testados em relação à capacidade e à liquidez. Um modelo que admite mais tomadores pode alterar a composição da carteira e sobrecarregar a verificação ou a cobrança. A capacidade de financiamento, portanto, vincula testes técnicos às operações e ao financiamento.

9. Avaliar a inclusão de tomadores com histórico limitado sem mascarar a seleção adversa

AI pode identificar tomadores cuja movimentação de caixa não está representada em bases convencionais. A análise do BIS observa que dados alternativos podem melhorar a previsão de inadimplência para grupos subatendidos e revelar tomadores cujos scores convencionais são sinais fracos.[3] O trabalho da IFC também descreve modelos que usam dinheiro móvel, pagamentos digitais, registros de plataformas e dados empresariais.[16][17]

O credor deve medir a inclusão como uma coorte controlada. Tomadores novos no crédito ou com histórico limitado devem ter definições explícitas, aprovação, exposição, precificação, inadimplência, perda e reporte de reclamações separados, além de limites escalonados até que o desempenho amadureça. As comparações devem ajustar por valor, prazo, geografia, canal e condições econômicas.

As alegações de inclusão devem distinguir acesso de resultados. Um número maior de aprovações pode coexistir com precificação inacessível, refinanciamento recorrente ou compreensão fraca por parte do tomador. O desempenho em caixa, o custo total, o endividamento recorrente, as reclamações, a dificuldade financeira e a reestruturação devem ser monitorados em conjunto.

A estrutura de financiamento pode aplicar percentuais de adiantamento menores ou reservas maiores a segmentos sem histórico e liberar essas condições após desempenho verificado da coorte. Isso permite que o capital siga as evidências sem abandonar um objetivo de inclusão.

10. Medir a equidade e o risco de proxy no processo decisório real

Dados históricos podem codificar acesso, tratamento e resultados desiguais. Variáveis alternativas podem atuar como proxies de características protegidas ou vulneráveis. Portanto, a análise de equidade deve abranger dados, rótulos, saída do modelo, limiares de política, overrides, precificação, limites, servicing e cobrança.

A instituição deve identificar, com assessoria jurídica, grupos de comparação legalmente permitidos. Testes úteis podem incluir aprovação, taxas de erro, calibração, precificação e perda por grupo, com tamanho de amostra e confiança. Uma diferença estatística exige investigação do mecanismo, da necessidade de negócio, da qualidade dos dados e da potencial remediação. Uma única métrica de paridade não resolve a avaliação.

O FSB alertou que dados históricos e fontes alternativas opacas podem perpetuar vieses e tornar difícil para os tomadores corrigir erros.[2] O plano de ação de financiamento para MPMEs do G20 observa que a avaliação automatizada de crédito pode introduzir distorções e que dados incompletos e não representativos podem afetar grupos subatendidos.[18]

O credor deve exigir um registro de variáveis, revisão de proxies, testes de equidade, canal de reclamações e processo de controle de mudanças. Quando rótulos de grupo legalmente permitidos não estiverem disponíveis, a instituição deve documentar a limitação e usar outras evidências, como sensibilidade das variáveis, resultados geográficos, revisão manual e feedback dos tomadores.

11. Tornar as explicações úteis para tomadores, analistas de crédito e validadores

Uma explicação deve corresponder ao seu público. Os tomadores precisam de motivos principais claros e de um caminho para corrigir dados ou solicitar revisão. Os oficiais de crédito precisam dos fatores determinantes da decisão, da sensibilidade e do contexto de política. Os validadores precisam de métodos reproduzíveis, estabilidade e limitações. Os supervisores precisam de rastreabilidade e evidências de responsabilização.

A importância global ou local de atributos, isoladamente, pode ser insuficiente. Variáveis correlacionadas podem trocar de importância, e explicações post hoc podem variar. A instituição deve testar fidelidade, estabilidade e acionabilidade. Um motivo deve refletir a decisão efetiva e evitar expor controles sensíveis de segurança ou de fraude.

O Projeto Noor do BIS está desenvolvendo métodos de AI explicáveis que podem ajudar os supervisores a avaliar transparência, equidade e robustez, preservando a privacidade.[5] Um discurso do BIS de 2026 afirma que as instituições permanecem responsáveis pela explicabilidade e pela qualidade dos dados em decisões de alto impacto, como pedidos de crédito.[6] Essas iniciativas apoiam a explicação prática, preservando a responsabilidade institucional.

O credor deve amostrar explicações em confronto com os dados de origem, as alterações de score e as decisões de política. Uma decisão adversa ao tomador que não possa ser explicada de forma consistente não deve qualificar-se para expansão automatizada ou benefício de capital.

12. Governar overrides humanos como um componente mensurável do modelo

O julgamento humano pode acrescentar informações que o modelo não observa. Também pode enfraquecer a disciplina, favorecer metas de crescimento ou ocultar um segmento em deterioração. Cada override deve registrar direção, motivo, evidência, autoridade, carimbo de data/hora, score do modelo, decisão original, condições finais e desfecho subsequente.

A análise de overrides deve distinguir override de modelo de exceção de política e de correção de dados. Corrigir um erro de entrada verificado é diferente de aprovar um tomador fora do apetite ao risco. Overrides para cima e para baixo devem ser acompanhados separadamente por oficial, agência, canal, produto, geografia e faixa de score.

A análise hipotética deve comparar a perda observada para aprovações sem override, overrides positivos e overrides negativos com risco de modelo semelhante. Uma alta frequência de overrides pode indicar um modelo mal ajustado ou adoção fraca. A autoridade concentrada para overrides cria risco de conduta e operacional. Uma taxa baixa de overrides também pode ser preocupante se a equipe seguir um modelo inadequado sem contestação.

As orientações de validação do CBUAE exigem expressamente a revisão de overrides de rating e da consistência de entradas subjetivas e do potencial viés.[10] O credor pode definir gatilhos de reporte, revisão independente por amostragem e limites, com suspensão temporária quando o desempenho dos overrides exceder materialmente a perda aprovada.

Frequências e taxas de perda são premissas analíticas hipotéticas e não descrevem um credor ou modelo.

13. Monitorar a deriva de dados, score, decisão e desfecho

A deriva ocorre quando a produção difere do desenvolvimento ou de períodos aprovados anteriores. A deriva de dados altera distribuições ou cobertura de entradas. A deriva conceitual altera a relação entre entradas e inadimplência. A deriva de política altera limiares, regras ou comportamento humano. A deriva de desfecho altera a inadimplência, a recuperação ou a perda. O credor deve monitorar as quatro, porque uma distribuição de score estável pode coexistir com caixa em deterioração.

O índice de estabilidade populacional, a estabilidade de características, a ausência de dados, a movimentação de categorias e a distância entre distribuições podem apoiar o monitoramento de dados. Mudanças de aprovação, recusa, precificação e limite por faixa de score apoiam o monitoramento de decisões. Perda observada versus esperada, taxas de roll, curvas de safra e recuperação apoiam o monitoramento de desfechos. As métricas devem ser apresentadas por produto, coorte, canal, geografia e fonte de dados relevante.

Os limiares precisam de uma resposta aprovada. Um alerta pode desencadear investigação e relatórios reforçados. Uma violação pode restringir novas originações, aumentar reservas, reduzir a taxa de adiantamento, passar para o fallback ou exigir recalibração e validação. A resposta deve considerar o tamanho da amostra e a sazonalidade, em vez de se basear em uma única estatística isolada.

O painel abaixo usa valores hipotéticos para demonstrar a governança. Ele não fornece limiares universais. Cada instituição deve calibrar os gatilhos à variabilidade histórica verificada, ao risco da carteira e aos requisitos regulatórios.

As pontuações são premissas analíticas hipotéticas em uma escala de monitoramento de um a cinco e não são limites universais.

14. Testar o desempenho diante de choques macroeconômicos e locais

As carteiras de crédito de mercados emergentes podem estar expostas a inflação, depreciação cambial, preços de commodities, eventos climáticos, conflitos, mudanças de políticas, interrupções de plataforma e choques locais de emprego. Os dados de desenvolvimento podem conter poucos períodos comparáveis. Um modelo pode permanecer estatisticamente estável enquanto a capacidade de pagamento dos tomadores muda por meio de variáveis que ele não observa.

O teste de estresse deve combinar canais do modelo e da carteira. As entradas podem ser submetidas a choques quando existir uma relação defensável; os limiares de política e os resultados de caixa também devem ser testados diretamente. O credor pode aplicar taxas de transição mais altas, menores taxas de regularização, recuperação atrasada, renda menor, custo de refinanciamento mais alto e interrupções de dados por coorte e geografia. Os cenários devem incluir efeitos correlacionados e restrições operacionais.

A pesquisa do BIS sobre AI e crédito relacional constatou que o investimento em AI apoiou a oferta de crédito em períodos normais na amostra estudada, embora não tenha proporcionado crédito adicional nem proteção contra taxas de juros durante a crise da Covid.[4] Esse resultado é específico ao contexto e ilustra por que não se deve presumir que o desempenho de períodos normais persista durante um novo choque.

O caso da transação deve comparar a perda e a liquidez em cenários de estresse com a folga de capital, de reservas e de linhas de crédito. A confiança no modelo deve diminuir, e não aumentar, quando o choque estiver fora da experiência de desenvolvimento.

15. Conciliar o monitoramento do modelo com a contabilidade da carteira e o caixa

Os relatórios de monitoramento frequentemente usam rótulos de atraso ou inadimplência produzidos dentro do sistema de crédito. O credor deve conciliar esses rótulos com cronogramas contratuais, comprovantes bancários, razão geral, provisões, baixas e recuperações. Um modelo pode parecer calibrado se os valores em atraso forem reestruturados, rolados ou baixados fora dos dados de desempenho.

A conciliação deve preservar os cronogramas originais e revisados, as baixas brutas e líquidas, a liquidação, a regularização, e o custo e o momento da recuperação. As visões de conta e de exposição devem ser apresentadas em conjunto. A perda deve ser atribuída à versão do modelo e à política vigente na originação, com as ações posteriores de servicing registradas separadamente.

Os modelos de capital e de linhas de crédito podem usar medidas de perda esperada, perda inesperada, concentração ou estresse que diferem do alvo do modelo. A ponte deve declarar cada definição e mostrar como as faixas de pontuação informam a probabilidade de inadimplência, a perda dado o default, a exposição, a reserva ou a taxa de adiantamento. Transformações não suportadas constituem uma lacuna de financiabilidade.

Os ajustes de dados devem ser controlados e reportados. O arcabouço de governança corporativa da Basileia destaca a responsabilidade do conselho de administração pela qualidade dos dados e pelas limitações dos modelos e das entradas externas.[8] A conciliação torna essa responsabilização observável.

16. Atribuir responsabilização ao conselho, à administração e ao controle

O órgão de governança deve aprovar o uso material de AI, o apetite ao risco e a responsabilização. A alta administração deve ser responsável pela implementação, pelos recursos, pela competência, pelo monitoramento e pela remediação. As equipes de crédito, risco, conformidade, dados, tecnologia, segurança, jurídico, auditoria interna e negócios precisam de funções definidas com questionamento independente.

O proprietário do modelo não deve aprovar a validação independente. Um comitê de modelos pode revisar desenvolvimento, mudança, desempenho, exceções e desativação. Um comitê de crédito deve manter a autoridade sobre a política de crédito e o risco de portfólio. Questões materiais devem ser escaladas ao conselho ou ao comitê de riscos do conselho por meio de limites definidos.

As orientações do CBUAE sobre tecnologia habilitadora responsabilizam o órgão de governança e a alta administração pelos resultados e exigem especialistas técnicos e de crédito com qualificação adequada.[9] O relatório de 2025 da Autoridade Prudencial e da Autoridade de Conduta do Setor Financeiro da África do Sul recomenda governança abrangente, governança de dados, gestão de risco de modelo e supervisão em nível de conselho.[21]

O credor deve inspecionar atas, questionamentos, decisões e encerramento de questões, em vez de aceitar um organograma. A governança torna-se financiável quando a autoridade altera comportamento, financiamento e alocação.

17. Exigir validação independente com evidências reproduzíveis

A validação independente deve revisar a solidez conceitual, os dados, o código, a implementação, o uso, o desempenho, as limitações e os resultados. A independência pode ser organizacional ou obtida por meio de revisão externa, desde que o validador tenha acesso, competência e liberdade em relação a incentivos de desenvolvimento. A materialidade deve determinar a profundidade e a frequência.

A validação deve reproduzir amostras, confirmar a construção do alvo, testar vazamento, comparar linhas de base, examinar ajuste de parâmetros e seleção, executar testes fora do período e por segmento, avaliar calibração, equidade, explicações, exceções, estresse, deriva e mecanismos de contingência. A validação da implementação deve confirmar que o código, as transformações, os limiares e os dados aprovados operam em produção.

O validador deve declarar constatações, severidade, controles compensatórios e condições de uso. Um modelo com uma constatação crítica em aberto não deve receber o mesmo tratamento de capital ou de facilidade de crédito que um modelo totalmente validado. A remediação deve ser retestada por uma parte independente.

As normas do CBUAE identificam estabilidade, poder discriminatório, sensibilidade, calibração, governança, exceções, documentação e dados como áreas de validação.[10][11] O relatório de validação deve ser entregue ao credor sob termos de confidencialidade, com detalhe suficiente para avaliação independente.

Tabela 3. Programa de testes de validação independente

O escopo e a frequência devem acompanhar a materialidade do modelo, a jurisdição e o risco da carteira.

18. Diligência devida sobre modelos de fornecedores e dependências tecnológicas concentradas

Um fornecedor pode fornecer pontuações, dados, atributos, código, hospedagem ou monitoramento. A instituição regulada e o credor permanecem expostos ao risco de modelo e de continuidade mesmo quando a propriedade intelectual é externa. A equipe de diligência devida deve identificar quais direitos de evidência, auditoria, validação e alteração existem no contrato.

O contrato deve abranger uso de dados, propriedade, confidencialidade, segurança, alterações no modelo, desempenho, níveis de serviço, notificação de incidentes, subcontratação, acesso do regulador, acesso do credor quando exigido, rescisão, transição e retenção de registros. Um serviço de caixa-preta pode limitar a capacidade da instituição de explicar decisões ou reproduzir pontuações históricas. O acesso contratual deve ser testado em relação à prática real do fornecedor.

A concentração pode surgir quando muitos credores usam o mesmo agregador de dados, serviço de nuvem ou modelo. Uma alteração ou indisponibilidade comum pode afetar várias carteiras simultaneamente. As práticas sólidas propostas pelo FSB incluem risco de terceiros, cibernético e tecnológico.[1] O NIST também trata de software, hardware e dados de terceiros ao longo do ciclo de vida.[19]

O caso de financiamento deve incluir tempo de substituição, portabilidade de dados, operação em paralelo e fallback. A rescisão de um fornecedor que inviabilize a subscrição de crédito deve ser um cenário de liquidez e continuidade de negócios.

19. Proteger a privacidade, a segurança e os mecanismos de recurso do tomador

Os modelos de crédito podem processar informações financeiras, comportamentais e de dispositivos sensíveis. A instituição deve coletar apenas os dados necessários para uma finalidade aprovada, protegê-los, retê-los por um período justificado e conceder aos tomadores os direitos aplicáveis de acesso, correção e revisão. O consentimento deve ser significativo quando for utilizado como fundamento e não deve ocultar coleta desnecessária.

A diligência devida de segurança deve mapear dados em repouso e em trânsito, identidades, acesso privilegiado, criptografia, chaves, logs, ambientes de desenvolvimento, artefatos de modelo, backups e fornecedores. Extração de modelo, envenenamento de dados, entrada adversarial e alterações não autorizadas de atributos devem entrar no modelo de ameaças. Incidentes devem ser vinculados às decisões e aos tomadores afetados.

A orientação do Banco Mundial sobre acesso financeiro responsável enfatiza a proteção do consumidor para finanças digitais e a supervisão baseada em risco.[15] O arcabouço do RBI exige política de privacidade clara, armazenamento limitado pelo provedor de serviços e supervisão da entidade regulada.[12][13] As regulamentações do Quênia exigem confidencialidade e tratamento de reclamações.[14]

O credor deve exigir notificação de incidentes materiais envolvendo dados, segurança ou tratamento de tomadores, com remediação e impacto financeiro. Os mecanismos de recurso do tomador apoiam tanto a conformidade legal quanto a qualidade dos dados de crédito, porque registros corrigidos melhoram decisões futuras.

20. Construir uma matriz regulatória específica por jurisdição

Os mercados emergentes diferem em licenciamento, proteção do consumidor, decisões automatizadas, localização de dados, reporte a birôs de crédito, terceirização, padrões de modelo e acesso das autoridades supervisoras. Uma plataforma regional não deve presumir que um único modelo e fluxo de consentimento possam ser implantados sem alterações. O perímetro legal e operacional deve ser mapeado por país, produto, tomador e entidade.

O UAE possui normas em vigor de gestão de modelos e de tecnologia habilitadora que abrangem governança, dados, validação e controles de ciclo de vida.[9][10][11] A Índia impõe aos prestadores de serviços responsabilidade de entidade regulada, consentimento, trilha de auditoria e controles de crédito digital.[12][13] O Quênia licencia e supervisiona provedores de crédito digital e regula o uso de informações de crédito e a proteção do cliente.[14] As diretrizes de open banking da Nigéria incluem governança de dados aprovada pelo conselho e consideração de sistemas algorítmicos.[22]

A matriz deve identificar requisitos de aprovação, notificação, documentação, explicação, transferência de dados, retenção, auditoria e reclamação. As alterações devem ter controle de versão e estar vinculadas à configuração do sistema. Advogados locais e reguladores podem precisar confirmar a interpretação.

Uma jurisdição sem regras prescritivas AI ainda exige conformidade com requisitos de crédito, dados, conduta, terceirização e governança. O credor deve precificar a incerteza e exigir evidências, em vez de tratar o silêncio regulatório como permissão.

21. Converter evidências de modelo em etapas de elegibilidade de capital

Elegibilidade de capital significa que a exposição do credor ou do investidor recebe o tratamento acordado de disponibilidade, taxa de adiantamento, reserva, precificação ou portfólio porque as evidências especificadas estão presentes. A etapa não deve depender de um rótulo de fornecedor ou de uma métrica técnica. Ela deve combinar controles jurídicos, de dados, de modelo, de portfólio e operacionais.

A primeira etapa confirma direitos, inventário, governança e reprodutibilidade. A segunda confirma validação independente, ganho sobre a linha de base e calibração. A terceira confirma implementação em produção, explicações, sobrescritas e monitoramento. A quarta confirma perdas realizadas com maturação e desempenho sob estresse. A quinta confirma conformidade contínua, acesso do fornecedor, alternativa de contingência e reporte de covenants.

Um modelo pode passar por etapas selecionadas e receber tratamento limitado. Coortes sem maturação podem ter taxas de adiantamento menores ou reservas maiores. Uma violação pode interromper nova elegibilidade enquanto as exposições existentes se amortizam sob servicing controlado. A restauração deve exigir regularização verificada e aprovação independente.

O diagrama hipotético de etapas abaixo mostra acesso progressivo ao capital. As porcentagens são premissas analíticas e não representam termos de mercado. O tratamento efetivo depende de evidências verificadas, estrutura jurídica e apetite a risco.

As taxas de adiantamento são premissas analíticas hipotéticas e não representam termos de credor ou cotações de mercado.

22. Incorporar o risco de modelo à estrutura da operação e aos covenants

Os documentos da operação devem definir empréstimos elegíveis, versões de modelo, produtos aprovados, requisitos de dados, concentração, maturação, atrasos, reestruturação, fraude e documentação. A elegibilidade apoiada por modelo pode estar condicionada a validação, monitoramento e acesso. O mutuário não deve alterar um modelo, limiar ou política relevantes sem aviso e aprovação acordados, quando aplicável.

O reporte pode incluir distribuição de scores, aprovações, sobrescritas, cobertura de dados, drift, perda observada versus esperada, desempenho por safra, indicadores de equidade ou conduta, incidentes e achados de validação. Os gatilhos devem ter ações definidas: reporte ampliado, reserva, redução da taxa de adiantamento, pausa, remediação ou alternativa de contingência. Materialidade e prazos de regularização exigem redação cuidadosa.

O controle de caixa continua essencial. Um modelo não pode substituir a titularidade dos recebíveis, a exequibilidade, a cobrança controlada, a conciliação da base de empréstimos, a liquidez e o capital. A operação deve conectar o risco de modelo à arquitetura de crédito habitual.

O credor deve receber direitos de auditoria e acesso suficientes para testar as evidências, protegendo simultaneamente os dados do mutuário e a propriedade intelectual do fornecedor. Especialistas independentes podem apoiar revisões sensíveis ao abrigo de condições de confidencialidade acordadas.

Tabela 4. Covenant de risco de modelo e estrutura de reporte

Os termos são ilustrativos e exigem assessoria jurídica e regulatória específica para a transação.

23. Aplique a estrutura na diligência da transação e do credor.

Um investidor ou credor deve solicitar o inventário de modelos, as políticas, o mapa de dados, os contratos, os arquivos de desenvolvimento, a validação, os logs de produção, os registros de decisões, a base de dados do portfólio, a conciliação de caixa e contábil, as reclamações, os incidentes, a correspondência com reguladores e as atas de comitê. As apresentações da administração devem ser testadas em relação aos registros de origem e a amostras reproduzidas de forma independente.

O registro de questões de diligência deve conectar cada constatação a valor, estrutura de crédito, condição de fechamento, covenant, responsável pela remediação e monitoramento. Um modelo que melhora a aprovação, mas carece de direitos de dados duradouros, pode reduzir o valor. Um modelo com ganho modesto e governança robusta pode sustentar capital controlado. A conclusão deve indicar o mecanismo e as evidências.

As proteções da transação podem incluir condições para validação, consentimento de dados ou de fornecedor, remediação, depósito em garantia, indenização e retenção. A avaliação deve deduzir o investimento necessário e usar contribuição e perda verificadas. O valor futuro do modelo deve ser reconhecido por meio de marcos, e não de alegações não comprovadas.

A revisão deve incluir a capacidade da instituição de operar se o modelo estiver indisponível. Um fallback manual controlado ou um scorecard mais simples protege tomadores, cobranças e caixa do credor durante indisponibilidade ou contestação.

24. Execute um plano de financiabilidade de 100 dias.

Os primeiros 30 dias devem travar o inventário, a linhagem de decisões, os direitos de dados, as versões de modelos, as constatações de validação, a conciliação do portfólio e os incidentes críticos. A instituição deve congelar alterações não autorizadas e estabelecer governança, atribuição de responsáveis por questões e reporte ao credor. Coortes de alto risco ou sem suporte podem receber limites temporários.

Os dias 31 a 60 devem reproduzir o desempenho, recalibrar quando justificado, testar explicações e overrides, fechar lacunas de dados, validar a produção, estabelecer limites de drift e ensaiar o fallback. Ações jurídicas, de privacidade, de segurança e de fornecedores devem avançar em paralelo, com dependências controladas.

Os dias 61 a 100 devem testar controles remediados, maturar novas coortes, implementar gates de capital e covenants, confirmar o recurso do tomador e obter asseguração independente. A expansão deve seguir resultados verificados, e não o calendário.

Cada iniciativa precisa de um responsável, evidências, custo, um ponto de decisão e risco residual aceito. O plano deve reportar resultados de caixa e dos tomadores juntamente com a conclusão técnica.

Tabela 5. Plano ilustrativo de 100 dias para financeabilidade do modelo

O momento deve seguir o risco, o amadurecimento da carteira, os requisitos regulatórios e a prontidão operacional.

25. Um arcabouço de decisão para o comitê de investimentos

O comitê de investimentos deve receber uma resposta articulada para seis perguntas. A instituição tem o direito de usar e continuar recebendo cada insumo relevante? O modelo e a decisão podem ser reproduzidos? O desempenho supera uma linha de base transparente fora do período e por segmento? A probabilidade está calibrada para a perda de caixa realizada? Explicações, substituições, equidade, deriva e alternativas de contingência são governadas? A operação de crédito converte esses controles em gatilhos de capital executáveis?

A recomendação deve distinguir evidências verificadas, itens em aberto e premissas analíticas hipotéticas. Cada constatação relevante deve afetar o valor, a taxa de adiantamento, a reserva, o covenant, a condição, o monitoramento ou a decisão de interromper. Uma pontuação técnica de modelo nunca deve figurar isoladamente em uma conclusão de investimento.

AI Modelos de crédito podem ampliar informações e apoiar a inclusão onde os registros formais são escassos. Seu valor se torna duradouro quando direitos sobre dados, validação, política, operações e resultados de caixa permanecem conectados ao longo do ciclo de vida. Governança financiável torna essa conexão visível para tomadores, gestão, reguladores e provedores de capital.

O pacote de evidências mais robusto é reproduzível. Um revisor deve conseguir partir de um resultado de operação de crédito ou de avaliação e retornar ao desempenho da coorte, aos registros de decisão, à versão do modelo, aos insumos, ao consentimento, aos contratos e ao caixa realizado. Essa cadeia apoia a expansão responsável e protege o capital quando as condições mudam.

Referências

1. Conselho de Estabilidade Financeira, Práticas sólidas para a adoção responsável da inteligência artificial: relatório de consulta, 10 de junho de 2026, https://www.fsb.org/2026/06/fsb-consults-on-sound-practices-for-the-responsible-adoption-of-artificial-intelligence-ai/
2. Conselho de Estabilidade Financeira, As implicações da inteligência artificial para a estabilidade financeira, 14 de novembro de 2024, https://www.fsb.org/2024/11/the-financial-stability-implications-of-artificial-intelligence/
3. Banco de Compensações Internacionais, Inteligência artificial e a economia: implicações para os bancos centrais, Relatório Econômico Anual 2024, https://www.bis.org/publications/aer-2024/artificial-intelligence-economy-implications-central-banks
4. Banco de Compensações Internacionais, Inteligência artificial e crédito relacional, Documento de trabalho nº 1244, 19 de fevereiro de 2025, https://www.bis.org/publications/working-paper-1244-artificial-intelligence-and-relationship-lending
5. Hub de Inovação do BIS, Projeto Noor, https://www.bis.org/project/noor
6. Banco de Compensações Internacionais, Regulamentação e Supervisão do Setor Financeiro na Era da Inteligência Artificial, 20 de maio de 2026, https://www.bis.org/speeches/20260520-regulation-and-supervision-financial-sector-age-artificial-intelligence
7. Comitê de Supervisão Bancária da Basileia, Princípios para a Gestão do Risco de Crédito, 2025, https://www.bis.org/bcbs/publ/d595.pdf
8. Comitê de Supervisão Bancária da Basileia, Princípios de Governança Corporativa para Bancos, estrutura consolidada, https://www.bis.org/committees/bcbs/basel-consolidated-guidelines/module/cgo/10
9. Banco Central do UAE, Diretrizes para Instituições Financeiras na Adoção de Tecnologias Habilitadoras: Análise de Big Data e Inteligência Artificial, https://rulebook.centralbank.ae/sites/default/files/en_net_file_store/CBUAE_EN_2413_VER1.pdf
10. Banco Central do UAE, Normas de Gestão de Modelos: Monitoramento e Validação, https://rulebook.centralbank.ae/en/rulebook/211-monitoring-and-validation
11. Banco Central do UAE, Padrões de Gestão de Modelos, https://rulebook.centralbank.ae/en/rulebook/model-management-standards
12. Banco de Reserva da Índia, Diretrizes sobre Empréstimos Digitais, 2 de setembro de 2022, https://systemhealth.rbi.org.in/Scripts/NotificationUser.aspx_Id%3D12382%26Mode%3D0.html
13. Banco de Reserva da Índia, Manual sobre Regulamentações em Resumo, 2025, https://website.rbi.org.in/documents/d/rbi/handbookg27022025d0f3f53f5d3c4310a6bb2f8ac2175d3a
14. Banco Central do Quênia, Regulamentos de Provedores de Crédito Digital de 2022, https://www.centralbank.go.ke/wp-content/uploads/2022/03/L-.N.-No.-46-Central-Bank-of-Kenya-Digital-Credit-Providers-Regulations-2022.pdf
15. Banco Mundial, Recursos para Acesso Financeiro Responsável e Proteção do Consumidor Financeiro, https://responsiblefinance.worldbank.org/en/responsible-finance
16. Corporação Financeira Internacional, Decifrando o Código do Crédito: Dados Alternativos e AI para Inclusão Financeira, 2026, https://www.ifc.org/en/insights-reports/2026/cracking-the-credit-code-alternative-data-and-ai-for-financial-inclusion
17. Corporação Financeira Internacional, Serviços Bancários para MPMEs na Era Digital, 2025, https://www.ifc.org/content/dam/ifc/doc/2025/msme-banking-in-the-digital-era.pdf
18. Parceria Global do G20 para Inclusão Financeira, Plano de Ação para Financiamento de MPMEs, 2025, https://www.ifc.org/content/dam/ifc/doc/2025/gpfi-action-plan-for-msme-financing.pdf
19. Instituto Nacional de Padrões e Tecnologia, Estrutura de Gestão de Riscos de Inteligência Artificial 1.0, https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf
20. Autoridade Bancária Europeia, Relatório de Acompanhamento sobre o Uso de Aprendizado de Máquina para Modelos Baseados em Ratings Internos, 4 de agosto de 2023, https://www.eba.europa.eu/publications-and-media/press-releases/eba-publishes-follow-report-use-machine-learning-internal
21. Banco de Reserva da África do Sul e Autoridade de Conduta do Setor Financeiro, Inteligência Artificial no Setor Financeiro Sul-Africano, 24 de novembro de 2025, https://www.resbank.co.za/content/dam/sarb/publications/media-releases/2025/sarbfsca-ai-report/Artificial%20Intelligence%20in%20the%20South%20African%20Financial%20Sector%20Final.pdf
22. Banco Central da Nigéria, Diretrizes Operacionais para Open Banking na Nigéria, https://www.cbn.gov.ng/Out/2023/CCD/Operational%20Guidelines%20for%20Open%20Banking%20in%20Nigeria.pdf