Por José Guilherme Costa*
A inteligência artificial já chegou aos bancos. Ela resume documentos, ajuda a escrever código, atende clientes e acelera tarefas internas. Mas, quando chega a hora de aplicá-la em processos que realmente importam — crédito, risco, compliance, prevenção a fraudes ou operações centrais —, a maior parte das iniciativas ainda para no piloto.
O problema não é a falta de modelos, mas a ausência de contexto. Um modelo de IA conhece o mundo, mas não compreende um banco por dentro. Ele não sabe, sozinho, o que “limite” significa para crédito, cartão ou tesouraria; quais sistemas executam uma regra de elegibilidade; quais produtos dependem de determinado cálculo; ou que obrigação regulatória pode ser afetada por uma mudança aparentemente simples.
Sem esse contexto, a IA faz o que foi desenhada para fazer: preenche lacunas com respostas plausíveis. Em uma conversa informal, isso pode ser tolerável. Em uma instituição financeira, não.Uma resposta aparentemente correta, mas que ignora uma regra interna, uma dependência técnica ou uma exigência regulatória, não gera produtividade. Gera uma nova etapa de revisão e, no limite, risco operacional.
É por isso que a discussão sobre ontologia precisa ganhar espaço no setor financeiro. Em linguagem simples, ontologia é a representação viva e computável do que uma instituição sabe sobre si mesma: o que cada conceito significa, como os conceitos se relacionam e quais regras governam essas relações.
Não é um documento estático nem uma planilha mais sofisticada. É uma camada de infraestrutura conectada ao código e aos sistemas reais, atualizada conforme eles mudam. Em um banco, ela pode ligar uma regra de crédito ao trecho de código que a executa, aos produtos que afeta, aos relatórios que alimenta, à norma que a exige e à área responsável por ela.
O objetivo é transformar conhecimento disperso em algo consultável e verificável. Perguntas que hoje exigem semanas de reuniões e investigação passam a ter uma resposta mais clara: o que esta regra toca, quem depende deste cálculo, de onde vem este número?
Para visualizar essas relações, entram os grafos de conhecimento — mapas formados por elementos e suas conexões. Mas o grafo, sozinho, mostra apenas que dois sistemas estão ligados. A ontologia explica o significado dessa ligação: por exemplo, que ela sustenta uma regra de liquidação, afeta determinados produtos e está associada a uma obrigação regulatória. É a diferença entre ter um mapa técnico e uma ferramenta de decisão.
O conhecimento que ficou preso
A necessidade de contexto fica mais evidente em bancos com alto débito técnico. Sistemas que operam há décadas concentram milhares de decisões tomadas ao longo de vinte ou trinta anos. E débito técnico não é apenas código antigo. É conhecimento que ficou preso.
Muitas vezes, o único retrato fiel do comportamento atual de uma instituição está no próprio código, que poucas pessoas conseguem ler integralmente. O motivo de uma regra existir, uma dependência nunca documentada ou a diferença entre um comportamento intencional e um erro que virou padrão podem estar apenas na memória de profissionais experientes.
Quando essas pessoas saem, levam uma parte relevante do banco com elas. A ontologia transforma esse comportamento real em conhecimento explícito, consultável e permanente. O que antes era risco de sucessão passa a ser patrimônio da instituição — e uma base comum para que diferentes ferramentas de IA possam operar sobre o mesmo contexto.
Pense em uma alteração de regra de crédito, como um novo critério de elegibilidade.
A mudança pode afetar mais de um sistema, alimentar cálculos de provisão, aparecer em contratos, alterar relatórios regulatórios e impactar réguas de cobrança. Hoje, levantar essa cadeia depende de pessoas e pode levar semanas. Mesmo assim, algum efeito colateral pode escapar.
Com uma ontologia, a análise de impacto se torna uma consulta. Antes de levar a mudança para produção, o banco enxerga a cadeia de efeitos: do código ao produto, da operação à obrigação regulatória. A decisão passa a ser tomada com o risco na mesa, não descoberto depois de um incidente.
Contexto é também governança
Em bancos, confiança não é um detalhe. Quando a IA opera sobre uma ontologia, cada resposta pode ter lastro: é possível identificar quais entidades foram consultadas, quais regras foram consideradas e qual versão do sistema estava vigente naquele momento.
A recomendação deixa de ser uma caixa-preta. Ela passa a ter uma trilha até suas fontes. A responsabilidade pela decisão continua sendo das pessoas, como deve ser, mas a instituição ganha condições de demonstrar a um auditor, regulador ou área de controle o que foi considerado e por quê.
Esse desafio não é apenas interno. Em estudo publicado em março de 2026, o Banco de Compensações Internacionais apontou privacidade, qualidade e segurança dos dados como barreiras relevantes para ampliar o uso de IA generativa no sistema financeiro. Sem contexto, governança e rastreabilidade, a IA dificilmente ultrapassa os usos periféricos.
A segurança, portanto, precisa estar na arquitetura. Código e regras de negócio são ativos sensíveis. Ontologia e IA devem operar dentro da infraestrutura da própria instituição, com controles de acesso e trilhas completas de auditoria.
Nos próximos anos, ontologia deve seguir o caminho de dados, nuvem e cibersegurança: começar como discussão de especialista, tornar-se projeto estratégico e, por fim, infraestrutura invisível. Os bancos que tratarem o conhecimento sobre si mesmos como ativo de primeira classe — com dono, orçamento e governança — vão operar IA em escala. Os demais
continuarão colecionando pilotos.
*José Guilherme Costa é fundador da Pagô e CEO da Unlegacy
