O ponto central do artigo é que a competição na IA financeira não se trata de quem consegue criar um “ChatGPT financeiro” mais habilidoso em conversar, mas sim de quem consegue se integrar profundamente às ferramentas diárias dos profissionais financeiros (como Excel, PPT, Word) e aos processos centrais de negócios (como due diligence, aprovação), gerando diretamente “entregáveis” formais que possam ser revisados e arquivados.

Autor do artigo: Resonant Ones

Fonte: Suichu.AI

A competição em IA financeira não está em "quem sabe conversar", mas em "quem consegue entrar no Excel, PPT e fluxos de aprovação".

Muitas pessoas acreditam que a competição em IA financeira consiste em treinar um grande modelo mais familiar com finanças.

Mas o Claude for Financial Services revelou a verdadeira resposta: o núcleo da IA financeira não é o modelo, mas o fluxo de trabalho.

Não se trata de fazer o AI conversar com usuários sobre ações, mas sim de fazer o AI entrar no Excel, PPT, Word, pesquisa e análise de investimentos, bancos de investimento, due diligence, conformidade, conciliação e fluxos de aprovação.

Este ponto é crucial para empreendedores locais. Porque, se você ainda estiver desenvolvendo um "ChatGPT financeiro", provavelmente será absorvido por grandes empresas, terminais de dados e suítes de produtividade; mas se você conseguir assumir os arquivos Excel, PPT, Word e pacotes de aprovação produzidos diariamente pelas instituições financeiras, as oportunidades acabam de começar.

Um cenário real

No mês passado, conversei com um amigo que trabalha com PE. Sua equipe realizou due diligence em uma empresa de consumo e recebeu um Data Room com 17 pastas e mais de 400 documentos — contratos, relatórios de auditoria, extratos bancários, detalhes de pedidos, atas de entrevistas e materiais da gestão.

Antes, um VP com dois analistas levava duas semanas para produzir um rascunho inicial de um IC Memo satisfatório.

E agora? Se uma pessoa (ou um agente) conseguisse completar a organização dos dados, a marcação de riscos, a identificação de itens ausentes e a geração do rascunho em 24 horas — você acha que o cliente pagaria por isso?

Isso não é ficção científica. O Claude for Financial Services já está fazendo isso. E ele não está abrindo o código de um aplicativo, mas sim de um modelo de produto composto por “Agente + Habilidade + Conector + Entregável + Aprovação Humana”.

Vamos começar com o primeiro ponto. A estrutura do produto Claude for Financial Services é na verdade bastante simples: o Agente é responsável por tarefas end-to-end, as Habilidades consolidam processos profissionais financeiros, os Conectores integram dados financeiros e sistemas internos da empresa, e o Excel, PowerPoint e Word entregam os produtos finais, além de permissões, referências, auditoria e revisão humana para garantir que instituições financeiras possam utilizá-lo.

A forma passada da IA financeira era você fazer uma pergunta e a IA dar uma resposta. Mas o que as instituições financeiras realmente precisam é: me dê um conjunto de dados e eu quero um entregável que possa ser revisado, citado, arquivado e integrado ao sistema de negócios. A diferença entre esses dois é enorme. O valor da IA financeira está no entregável, não na caixa de bate-papo.

Outra mudança digna de atenção é que as instituições financeiras domésticas já não estão mais em modo de observação.

De 2025 a 2026, vejo a implementação dividida em três níveis. Os bancos estão avançando mais rápido; o Bank of China completou a implantação privada do DeepSeek, cobrindo centenas de cenários. O fundo CITIC Construction Investment usou o DeepSeek para due diligence de REITs, reduzindo o trabalho de cinco funcionários em 70 dias para apenas um funcionário em 10 dias — uma melhoria de eficiência de 30 vezes.

A China People's Insurance Property & Casualty também se juntou; a CITIC Construction Securities oferece serviços de consultoria baseados em múltiplos agentes inteligentes, a China People's Insurance Property & Casualty integrou o DeepSeek para construir uma base de conhecimento especializado, e o grande modelo da Ping An foi chamado 818 milhões de vezes em seis meses.

Mas o verdadeiramente interessante é o terceiro grupo—PE, gestão de ativos e gestão de riqueza. Eles têm muitos dados, orçamentos generosos e grande pressão para entrega, mas atualmente ainda estão na fase de POC. Isso não é atraso, é o período de oportunidade para startups.

Ao falar em startups entrando no mercado, muita gente pensa imediatamente em criar uma versão financeira do ChatGPT. Mas isso é muito arriscado, pois enfrentará três tipos de concorrentes fortes ao mesmo tempo.

As fabricantes de modelos tornarão as capacidades gerais cada vez mais baratas. Terminais de dados financeiros como Wind, Choice, iFinD e Tonghuashun já possuem dados e acesso a usuários; ao integrar IA, é difícil cobrar separadamente por perguntas e respostas financeiras gerais. Grandes instituições financeiras tendem a construir seus próprios centros internos de IA, incorporando as capacidades gerais em seus próprios sistemas de permissões.

A startup está atacando de frente, enfrentando inimigos em três frentes.

Mas se você mudar a perspectiva, não olhando para a entrada, mas para o nível de operação, a situação é diferente. O que é um nível de operação vertical? É aprofundar a IA em torno de um cargo específico, um processo específico e um artefato específico. Por exemplo: estruturação de documentos de due diligence de PE/investimento bancário, auditoria de modelos financeiros em Excel, revisão inicial de documentos para aprovação de crédito, geração automática de formulários de conformidade, auxílio na revisão de documentos de sinistro e underwriting de seguros, organização automática de atas de reuniões de gerentes de clientes.

Essas direções parecem menos ambiciosas que o "Grande Modelo Financeiro", mas estão mais próximas do orçamento do cliente.

Que tipo de produto vale a pena fazer?

Resumindo, é necessário atender simultaneamente a quatro condições.

Consegue lidar com os dados

Os cenários de verdadeiro alto valor geralmente exigem integração com arquivos internos da cliente, CRM, armazenamento em nuvem, e-mails, contratos e sistemas de aprovação. Apenas processar páginas públicas tem valor muito limitado.

Fluxo funcional

Os usuários financeiros não alterarão seus hábitos de trabalho por causa da IA. O produto precisa entrar nos softwares que eles já utilizam: Excel, PPT, Feishu, WeCom, DingTalk, WPS e CRM.

Entregar os documentos

As instituições financeiras não pagam por respostas, mas por materiais. Só há disposição para pagar se for possível entregar checklists, memos, apresentações e Excel.

Mantenha os limites de responsabilidade

A IA deve suportar referências, rastreabilidade, permissões, auditoria e revisão humana. Não fornece recomendações de investimento, não realiza transações automáticas e não substitui a aprovação final.

Falta uma dessas quatro; sem ela, o produto dificilmente entrará em ambiente de produção real.

Se ampliarmos a perspectiva e olharmos para os próximos 24 meses, acho que há sete subsegmentos mais relevantes para se prestar atenção.

Pesquisa e due diligence estão em primeiro lugar. Com muitos dados, prazos curtos e entregáveis claros, é a abordagem mais próxima da Hebbia e Rogo.

Em seguida, a auditoria de modelos Excel — bancos de investimento, PE, crédito e gestão de ativos têm grande quantidade de Excel, com erros de fórmulas, codificação fixa e suposições inconsistentes, oferecendo amplo espaço para auxílio da IA.

A aprovação de crédito auxiliar está em terceiro lugar; bancos e não bancários precisam de análise inicial de documentos, análise de fluxo de caixa, extração de riscos e geração de relatórios de crédito. A revisão de conformidade está em quarto lugar; comparação de regulamentos, revisão de materiais de marketing e verificação KYC são todos adequados para um assistente de IA referenciável e rastreável.

A reconciliação administrativa e financeira dos fundos, a avaliação, a verificação de taxas e a documentação de auditoria são processos altamente padronizados e com alto custo de erro.

Os documentos para sinistros e underwriting são numerosos, as regras são complexas, a pressão de revisão é alta, mas a confirmação manual é obrigatória.

Por fim, há o gerente de clientes e o Copilot de consultoria, não é a IA que fornece recomendações de investimento diretamente, mas sim auxilia os consultores na preparação pré-reunião, explicação de produtos, elaboração de atas de reunião e atualização do CRM.

Esses sete direções compartilham uma premissa comum: o produto deve ser auditável, referenciável e privatizável.

Instituições financeiras não aceitam "A IA provavelmente disse isso". De onde vieram os números? Onde estão as citações? Quem revisou? Os dados saíram do domínio? Essas são condições prévias para decisões de aquisição. Portanto, desde o início, projete rastreabilidade de citações, aprovação humana, isolamento de dados e registro de operações. Isso não é um custo de conformidade, é uma barreira de produto.

Há uma tendência ainda maior. Após a mercantilização das capacidades dos modelos, as oportunidades se deslocam para workflows, conectores e camadas de governança. Assim como, no passado, a nuvem transformou a infraestrutura de TI em APIs, novos empreendedores criaram SaaS sobre isso. O mesmo acontece hoje com os grandes modelos — quem conseguir encapsular workflows industriais sobre eles terá uma vantagem competitiva.

O setor financeiro possui alta densidade de informações de trabalho, requisitos rigorosos de formato e fortes restrições de responsabilidade — essas características determinam que não pode ser rapidamente abrangido por IA geral. Esse é exatamente o espaço seguro para startups.

Como startups podem entrar no mercado?

Não comece com a plataforma.

Encontre um cenário restrito: com dados reais, modelo fixo, entregável claro, revisão humana, orçamento setorial e capacidade de validar o ROI em 60 a 90 dias.

Não diga isso:

Vou criar uma plataforma de IA para instituições financeiras.

Diga assim:

Primeiro, estruturo automaticamente os documentos da Data Room para a equipe PE/FA, gerando um rascunho inicial do Q&A da due diligence, da lista de riscos e do IC Memo.

Quanto mais específico, mais fácil é fechar a negociação.

O maior risco é ser substituído por grandes empresas?

A entrada geral será substituída. Perguntas e respostas financeiras gerais, resumos de relatórios comuns e consultas de dados simples podem ser facilmente cobertas por grandes modelos e terminais de dados.

Mas o fluxo vertical profundo não.

Porque as grandes empresas não querem fazer os trabalhos sujos para cada cargo específico. O verdadeiramente difícil é: integrar-se aos sistemas internos do cliente, compreender os processos do cargo, adaptar-se aos modelos do cliente e acompanhar o cliente da POC até a produção.

Esses não podem ser resolvidos automaticamente por uma API de modelo.