Resumo Executivo

Solange Aparecida Leite; Rafael Toassi Crispim

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

O objetivo deste estudo é investigar a viabilidade da implementação de soluções de Inteligência Artificial (IA) Generativa para pequenas e médias empresas (PMEs) financeiras, comparando os benefícios, desafios e custos do desenvolvimento próprio frente à adoção de soluções externas. A pesquisa busca compreender o caminho mais viável para este segmento, que opera com recursos limitados e alta competitividade. A análise foca no dilema estratégico entre construir capacidades internas de IA, que prometem personalização e controle, e contratar plataformas de terceiros, que oferecem agilidade sem investimentos iniciais massivos. A investigação é relevante no contexto em que a IA generativa se consolida como ferramenta de transformação empresarial.

A Inteligência Artificial tem uma trajetória que remonta a meados do século XX, conforme Suleyman e Bhaskar (2023), mas foi a ascensão da IA generativa que popularizou a tecnologia. No setor financeiro, ela catalisa a automação de processos como análise de crédito, predição de inadimplência e personalização da experiência do cliente. A capacidade de processar vastos conjuntos de dados em tempo real permite que instituições financeiras melhorem a precisão de suas avaliações de risco e otimizem a alocação de recursos (Locatelli et al., 2022). Este cenário de evolução tecnológica exige que os profissionais do setor se mantenham atualizados para capitalizar as oportunidades.

A digitalização e o surgimento de fintechs intensificaram a pressão competitiva sobre as PMEs financeiras, tornando a adoção de IA uma necessidade estratégica. Uma pesquisa da Accenture (2024) destaca que a IA generativa é vista pela maioria das organizações como motor para futuras transformações e aumento de produtividade. Contudo, a implementação em PMEs enfrenta desafios como escassez de recursos financeiros e de capital humano especializado (Ferreira et al., 2024). A decisão entre desenvolver uma solução interna ou adquirir uma de terceiros envolve uma ponderação de riscos e benefícios financeiros, técnicos e operacionais.

A construção de um modelo de IA próprio oferece uma solução adaptada às necessidades da empresa, garantindo controle sobre dados e lógica de negócio, aspecto crucial no setor financeiro. Essa abordagem pode gerar vantagem competitiva a longo prazo. Por outro lado, soluções de mercado permitem implementação rápida com menor custo inicial, além de acesso a tecnologias de ponta. No entanto, essa opção pode implicar menor flexibilidade, dependência de fornecedores e preocupações com a segurança dos dados (Oliveira, 2024). Este dilema justifica a investigação sobre as práticas das PMEs financeiras.

Diante deste panorama, o estudo analisa empiricamente os fatores que influenciam a decisão de PMEs do setor financeiro sobre a adoção de IA generativa. Ao analisar as percepções de profissionais do mercado, a pesquisa visa fornecer um quadro dos desafios e benefícios de cada abordagem – desenvolvimento interno versus contratação de terceiros – para auxiliar gestores a tomar decisões mais informadas e alinhadas às suas estratégias de negócio, maximizando o retorno sobre o investimento em tecnologia.

O método foi uma pesquisa de levantamento (survey) exploratória e quantitativa, visando coletar dados primários de profissionais do setor financeiro para mapear percepções sobre a adoção de IA generativa. O survey permitiu alcançar uma amostra representativa e investigar os fatores que influenciam a decisão entre desenvolvimento interno e contratação externa. A abordagem quantitativa foi selecionada para permitir a análise estatística e a identificação de padrões, conforme as boas práticas de pesquisa (Prodanov e Freitas, 2013).

Para a coleta de dados, aplicou-se um questionário online com 23 perguntas em quatro seções. A primeira caracterizou o perfil demográfico dos respondentes e das empresas. A segunda investigou o estágio de adoção de IA, áreas de aplicação e benefícios esperados. As duas últimas seções avaliaram, por meio de escalas Likert de 1 (discordo totalmente) a 5 (concordo totalmente), os desafios e benefícios percebidos no desenvolvimento interno e na contratação de soluções de terceiros. A elaboração do instrumento seguiu as recomendações de Manzato e Santos (2012) para garantir clareza e objetividade, permitindo uma análise comparativa direta entre as duas abordagens.

O público-alvo foi composto por gestores e profissionais de PMEs do setor financeiro no Brasil. O questionário anônimo foi distribuído via WhatsApp para membros do segmento-alvo. A coleta, de 09 a 10 de agosto de 2025, obteve 103 respostas. Após triagem para garantir a adequação ao escopo, foram consideradas 86 respostas válidas de profissionais de micro, pequenas e médias empresas, excluindo-se as de grandes corporações. Todos os procedimentos éticos foram observados, com garantia de anonimato e conformidade com a Lei Geral de Proteção de Dados (LGPD).

A análise dos dados utilizou estatística descritiva no Microsoft Excel para tabular frequências, calcular médias e gerar gráficos, permitindo identificar tendências e desafios. A caracterização da amostra revelou predominância de profissionais de 25 a 44 anos (56%), com alto nível de escolaridade (46% com pós-graduação ou superior) e ocupando cargos de analistas a diretores e CEOs. As empresas representadas atuam principalmente em securitização/factoring, crédito/empréstimos e serviços contábeis. Essa caracterização confere validade e robustez aos resultados, assegurando que as percepções coletadas são representativas do público-alvo.

A análise do estágio de adoção da IA generativa revela um cenário incipiente. Das 86 PMEs financeiras válidas, a maioria que já utiliza a tecnologia opta por soluções de terceiros (40 respondentes, ou 47%), enquanto um número reduzido investe no desenvolvimento interno (4 respondentes, ou 5%). Uma parcela expressiva ainda avalia a tecnologia (25 respondentes, ou 29%), e um grupo menor não utiliza IA (16 respondentes, ou 19%). Estes dados confirmam o dilema central da pesquisa, evidenciando uma forte inclinação do mercado de PMEs para a aquisição de soluções prontas, possivelmente devido às barreiras de entrada do desenvolvimento próprio, como custo e expertise técnica (Ferreira et al., 2024).

As áreas de maior interesse para aplicação da IA generativa são a prevenção à inadimplência (38 menções), a análise de crédito (37 menções) e o atendimento ao cliente (34 menções). Estas prioridades sugerem que as empresas buscam na IA ferramentas para aprimorar a gestão de risco, pilar do setor financeiro (Locatelli et al., 2022), e para otimizar a interação com o cliente. Os principais benefícios esperados reforçam essa percepção: a agilidade e eficiência nos processos foi o mais destacado (30 menções), seguido pela redução de custos operacionais (20 menções). A melhoria na análise de risco e a diferenciação competitiva, embora importantes, foram citadas com menor frequência, indicando um foco pragmático em ganhos operacionais imediatos.

Os desafios do desenvolvimento interno de IA são significativos. A falta de profissionais qualificados foi o desafio com maior grau de concordância (média de 4,25 em 5), indicando que a escassez de talentos é um obstáculo crítico. O custo de desenvolvimento (média 3,82) e o tempo para implantação (média 3,98) também foram percebidos como dificuldades importantes. Em contrapartida, os profissionais reconhecem os benefícios desta abordagem: a percepção de que soluções próprias proporcionam maior controle e segurança sobre os dados (média 4,01) e maior potencial de personalização (média 4,13) foi amplamente validada. Este trade-off entre barreiras de recursos e benefícios de controle está no cerne da decisão estratégica (Schilling, 2025).

A análise dos desafios na contratação de soluções de terceiros apresenta um quadro distinto. O tempo de implantação não é um obstáculo significativo (média 2,39), sendo uma das vantagens da abordagem. O custo de contratação, embora seja uma preocupação (média 3,99), é visto como mais gerenciável que o investimento para desenvolvimento interno. No entanto, essa abordagem tem desvantagens. Os respondentes concordaram que soluções de terceiros são menos personalizáveis (média 3,41) e discordaram fortemente que essa modalidade oferece maior controle e segurança sobre os dados (média 2,44). A percepção de risco na segurança de dados ao usar plataformas externas é uma preocupação central no setor financeiro (Oliveira, 2024).

A análise comparativa evidencia que não há uma solução universalmente superior; a decisão é contextual. O desenvolvimento interno é vantajoso para empresas que priorizam personalização e segurança dos dados e que podem investir em recursos a longo prazo, podendo resultar em diferenciação competitiva. A contratação de soluções de terceiros é a opção mais pragmática para PMEs que buscam agilidade, implementação rápida e acesso a tecnologia de ponta com menor investimento inicial. A forte concordância de que contratar soluções externas está alinhado com a estratégia da empresa (média 4,15) sugere que, para a maioria, esta é a rota mais viável para iniciar a jornada de adoção de IA.

A preferência majoritária por soluções de terceiros pode ser interpretada como uma estratégia de mitigação de risco. Ao optar por um fornecedor, a PME transfere parte do risco tecnológico e da complexidade de manutenção, focando em seu core business. Esta abordagem permite que a empresa se beneficie da IA sem precisar se tornar uma empresa de tecnologia, um desafio considerável dada a velocidade das inovações no campo (Val Núñez et al., 2024). A preocupação com a falta de personalização pode ser mitigada com plataformas mais modulares, mas a segurança e governança de dados permanecerão como um ponto crítico na escolha de um parceiro.

A percepção dividida sobre o alinhamento estratégico do desenvolvimento interno (média 3,00) revela que, embora os gestores reconheçam o potencial de uma IA proprietária, eles estão cientes dos desafios operacionais e de recursos. A jornada para desenvolver capacidades internas de IA é longa e exige um comprometimento que muitas PMEs podem não estar preparadas para assumir. Portanto, a decisão de “comprar” em vez de “construir” parece ser uma escolha tática e racional para a maioria das empresas pesquisadas no estágio atual de maturidade do mercado.

Em síntese, a adoção de IA generativa em PMEs financeiras é guiada por uma avaliação pragmática de custo-benefício. A escolha entre desenvolvimento interno e soluções de terceiros reflete um equilíbrio entre a busca por agilidade no curto prazo e a construção de vantagens competitivas e controle no longo prazo. A predominância da adoção de soluções externas sinaliza que as barreiras de custo, tempo e talento superam os benefícios de personalização e controle para a maioria das PMEs do setor.

Este estudo investigou a viabilidade da implementação de soluções de IA generativa em PMEs do setor financeiro, comparando o desenvolvimento interno com a adoção de soluções externas. Os resultados, baseados na percepção de 86 profissionais, indicam que a adoção da tecnologia está em estágio inicial, com clara preferência pela contratação de soluções de terceiros. As principais áreas de interesse são otimização de processos e gestão de risco, como análise de crédito e prevenção à inadimplência, buscando agilidade e eficiência. A análise dos desafios revela um trade-off: o desenvolvimento interno oferece maior controle, segurança e personalização, mas é dificultado pelo alto custo, tempo e escassez de profissionais qualificados. Em contrapartida, as soluções de terceiros, embora menos personalizáveis e percebidas como menos seguras em relação ao controle de dados, são favorecidas pelo tempo de implantação mais rápido e por um alinhamento estratégico com as capacidades da maioria das PMEs. A decisão, portanto, depende dos recursos, maturidade e objetivos de cada empresa. A preferência do mercado por soluções externas sugere que os benefícios de uma implementação ágil superam as desvantagens para a maioria. Conclui-se que o objetivo foi atingido: demonstrou-se que a escolha entre desenvolver internamente ou contratar soluções de IA generativa é um dilema estratégico complexo, cuja solução mais viável para a maioria das PMEs financeiras, no cenário atual, pende para a adoção de soluções de terceiros como porta de entrada para a transformação digital impulsionada pela inteligência artificial.

Referências:
Accenture. 2024. Reinvention in the age of generative AI. Disponível em: <https://www. accenture. com/content/dam/accenture/final/accenture-com/document-2/Accenture-Reinvention-in-the-age-of-generative-AI-Report. pdf>. Acesso em: 08 março 2025.
Comissão Europeia. 2020. Livro Branco sobre a inteligência artificial: Uma abordagem europeia virada para a excelência e a confiança. Disponível em: <https://commission. europa. eu/document/download/d2ec4039-c5be-423a-81ef-b9e44e79825bpt? filename=commission-white-paper-artificial-intelligence-feb2020pt. pdf>. Acesso em: 31 maio 2025.
Ferreira, H. P.; Queji, L. M.; Baniski, G. M.; Biscaia, R. M. 2024. Inteligência artificial e gestão empresarial: desafios e oportunidades para pequenas e médias empresas. In: XIV Congresso Brasileiro de Engenharia de Produção, 2024, Evento On-line. Anais. p. 1-7.
Garcia, A. C. G. 2021. Impacto da Inteligência Artificial no setor financeiro. Tese de Mestrado em Gestão. Instituto Universitário de Lisboa, Lisboa, Portugal. Disponível em <https://repositorio. iscte-iul. pt/bitstream/10071/23975/1/mastermiguelcruz~~ITALICSTART~~garcia. pdf>. Acesso em: 05 março 2025.
Gil, A. C. 2002. Como elaborar projetos de pesquisa. 4ed. Editora Atlas S. A, São Paulo, SP, Brasil.
Locatelli, R.; Pepe, G.; Salis, F. 2022. Artificial Intelligence and Credit Risk: The Use of Alternative Data and Methods in Internal Credit Rating. Springer, Cham, Switzerland.
Manzato, A. J., & Santos, A. B. 2012. A elaboração de questionários na pesquisa quantitativa. Disponível em: <https://www. inf. ufsc. br/~vera. carmo/Ensino~~ITALICEND~~20121/ELABORACAOQUESTIONARIOSPESQUISAQUANTITATIVA. pdf>. Acesso em: 31 maio 2025.
Oliveira, P. M. F. 2024. Inteligência artificial aplicada à gestão financeira. Dissertação do curso de Administração. PUC, Goiás, Goiânia, São Paulo. Disponível em <https://repositorio. pucgoias. edu. br/jspui/bitstream/123456789/7894/1/TCC%20II%20P%c3%bablio%20corrigido%2024.06. pdf>. Acesso em: 10 março 2025.
Peruch, F. P. 2011. As pequenas e médias empresas (PMEs) e a convergência das normas contábeis ao padrão internacional: uma abordagem geral. Repositório UNESC. <http://repositorio. unesc. net/bitstream/1/481/1/Fernanda%20Pagnan%20Peruch. pdf>. Acesso em: 30 maio 2025.
Prodanov, C. C.; Freitas, E. C. 2013. Metodologia do trabalho científico: métodos e técnicas da pesquisa e do trabalho acadêmico. 2ed. Universidade Feevale. Novo Hamburgo, RS, Brasil. Disponível em: <https://drive. google. com/file/d/1lp5R-RyTrt6X8UPoq2jJ8gO3UEfMJJd/view>. Acesso em: 11 março 2025.
Santos, I. C. C. 2021. O Impacto da Inteligência Artificial na Contabilidade. Dissertação de Mestrado, Instituto Universitário de Lisboa. Repositório ISCTE-IUL. <https://repositorio. iscte-iul. pt/bitstream/10071/24751/1/masterinescanhotosantos. pdf>. Acesso em: 25 maio 2025.
Schilling, R. P. 2025. A transformação da gestão de pessoas com IA: desafios e oportunidades para PMEs brasileiras. Revista Tópicos Educacionais. <https://revistatopicos. com. br/artigos/a-transformacao-da-gestao-de-pessoas-com-ia-desafios-e-oportunidades-para-pmes-brasileiras>. Acesso em: 31 maio 2025.
Soldatos, J. 2024. Artificial Intelligence in Manufacturing: Enabling Intelligent, Flexible and Cost-Effective Production Through AI. Springer, Luxembourg, Luxembourg.
Suleyman, M, Bhaskar, M. 2023. A próxima onda: Inteligência artificial, poder e o maior dilema do século XXI. 1 ed. Record, Rio de Janeiro, Rio de Janeiro, Brasil.
Val Núñez, M. T. D.; Yela Aránega, A.; Ribeiro Soriano, D. 2024. Artificial Intelligence and Business Transformation. Springer, Cham, Switzerland.

Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Digital Business do MBA USP/Esalq

_{Saiba mais sobre o curso; clique aqui:}