Fintech

5 desafios que freiam a adoção de IA generativa pelas fintechs

Relatório do Distrito revela que o avanço da IA no setor financeiro não dependerá apenas de inovação, mas principalmente da maturidade organizacional em relação ao tema

Leitura: 4 Minutos

Sobre o Apoio

Zoop Serviços financeiros Acessar site
Fintechs
Adoção de IA generativa pelas fintechs (Foto: Canva)

A inteligência artificial generativa vem ganhando espaço em diferentes setores da economia, com promessas de automação, eficiência e personalização em larga escala. No mercado financeiro, não é diferente: fintechs e grandes instituições já testam aplicações que vão desde atendimento automatizado até análise de dados para decisões estratégicas. No entanto, apesar do entusiasmo, a adoção da tecnologia ainda enfrenta obstáculos importantes no setor.

Dados do Fórum Econômico Mundial indicam que ameaças como vazamento de dados, deepfakes, ciberataques e reforço de vieses discriminatórios são percebidas pelas empresas como riscos de nível moderado a muito alto. A combinação entre vulnerabilidades técnicas e impactos sistêmicos aprofunda a cautela das instituições financeiras, especialmente em mercados regulados.

Esse cenário contribui para um ambiente onde o uso de GenAI exige não apenas investimento em tecnologia, mas também estrutura de governança robusta, preparo organizacional e atenção aos impactos éticos e regulatórios. O relatório “Fintech Report 2025”, elaborado pelo Distrito com base em dados da Bain & Company, aponta que o avanço da IA no setor financeiro não dependerá apenas de inovação, mas – e principalmente – de maturidade organizacional em relação ao tema.

A seguir, os cinco principais desafios que freiam a adoção da GenAI em fintechs, segundo o estudo:

1. Incerteza regulatória (43%)

Análise da autora: O ambiente regulatório em torno da inteligência artificial ainda está em formação, tanto no Brasil quanto em outros países, criando um cenário de indefinição para empresas que lidam com dados sensíveis e transações financeiras. A falta de clareza sobre quais usos serão permitidos nos próximos anos dificulta o planejamento e a implementação de soluções de GenAI. Essa insegurança jurídica pode desacelerar a adoção da tecnologia, levando muitas empresas a limitar seus investimentos.

2. Preocupação com a precisão e a qualidade dos ganhos obtidos (42%)

Análise da autora: Em setores como crédito, risco e investimentos, decisões baseadas em dados precisam ser altamente confiáveis. A possibilidade de a IA generativa produzir respostas imprecisas ou enviesadas dificulta sua adoção em processos críticos, onde erros podem gerar impactos financeiros significativos.

3. Segurança e privacidade dos dados (39%)

Análise da autora: O uso de GenAI exige a manipulação de grandes volumes de dados, frequentemente sensíveis, o que eleva a exposição a riscos como vazamentos, ciberataques e uso indevido de informações. Essa é uma das maiores preocupações das empresas, conforme apontado pelo Fórum Econômico Mundial.

4. Falta de expertise interna (35%)

Análise da autora: A escassez de profissionais qualificados para lidar com GenAI é um gargalo recorrente. Desenvolver, treinar e manter modelos requer um conjunto de habilidades técnicas e estratégicas que ainda são raras no mercado, sobretudo em startups e empresas early stage.

5. Propriedade intelectual (28%)

Análise da autora: O uso de GenAI levanta dúvidas sobre autoria e direitos sobre conteúdos e análises geradas. Essa preocupação é especialmente relevante em aplicações que envolvem dados de terceiros ou decisões sensíveis, como contratos, relatórios financeiros e recomendações automatizadas.

***

Outros desafios destacados pelo Distrito incluem a falta de preparo dos dados da empresa (26%), a ausência de comprovação do retorno sobre investimento (22%), a dificuldade de compreensão dos casos de uso (21%) e a infraestrutura tecnológica inadequada (18%).

No cenário global, o Fórum Econômico Mundial revela que 87% das fintechs apontam o custo de adoção como o principal obstáculo, seguido por problemas no acesso e na qualidade dos dados (69%). Dados incompletos ou desatualizados impactam diretamente a viabilidade dos modelos, especialmente em mercados emergentes.