O uso da IA na previsão da inadimplência: comparação entre modelos estatísticos e algorítmicos.

A literatura de gerenciamento do risco de crédito tem se apoiado predominantemente em técnicas estatísticas paramétricas, como regressão logística e análise discriminante, fundamentadas em pressupostos de linearidade, homogeneidade e estabilidade na distribuição dos erros. Em ambientes econômicos cada vez mais digitalizados, voláteis e interconectados, tais pressupostos mostraram-se restritivos para capturar a complexidade informacional inerente a dados heterogêneos e não estruturados. Em resposta a essas limitações, as técnicas de aprendizado de máquina ganharam destaque ao introduzir modelos algorítmicos capazes de capturar relações não lineares e interações complexas entre variáveis, ampliando o escopo analítico da predição de inadimplência. Esta dissertação investiga uma lacuna da literatura relacionada à capacidade desses modelos em mitigar oscilações adversas do risco de crédito, especialmente em contextos de estresse econômico. Tal discussão é particularmente relevante no contexto brasileiro, caracterizado por ciclos econômicos pronunciados, elevada regulação prudencial e crescente incorporação de inteligência artificial nos processos decisórios das instituições financeiras. O objetivo do estudo é analisar os efeitos da adoção de modelos de aprendizado de máquina, com ênfase no algoritmo Gradient Boosting Decision Trees (GBDT), sobre a capacidade preditiva, a estabilidade temporal e o comportamento dinâmico da inadimplência em uma instituição financeira brasileira. A pesquisa adota a metodologia de estudo de caso aplicada ao Banco BS2, combinando análise documental, entrevistas qualitativas com cientistas de dados e especialistas em risco, e modelagem quantitativa baseada em dados reais de inadimplência. A base empírica é composta por aproximadamente 10.000 empresas, sendo 9.300 adimplentes e 700 inadimplentes. Os resultados indicam que a adoção do GBDT esteve associada a uma melhoria estatisticamente significativa da capacidade preditiva e a maior estabilidade dos modelos de risco de crédito. Mesmo diante de um aumento expressivo da inadimplência média de mercado no período pós-pandemia, a inadimplência do Banco BS2 apresentou crescimento proporcionalmente inferior, sugerindo mitigação relativa do risco institucional. As evidências qualitativas corroboram os achados quantitativos ao indicar que os modelos algorítmicos ampliam a capacidade de antecipação da deterioração do perfil de risco, ao integrar informações financeiras, comportamentais e não estruturadas não capturadas adequadamente por modelos tradicionais de forma isolada. Conclui-se que a adoção do aprendizado de máquina no gerenciamento do risco de crédito apresenta elevado potencial para aprimorar a estabilidade preditiva e a resiliência institucional, desde que acompanhada por estruturas robustas de governança, conformidade regulatória, explicabilidade dos modelos e supervisão humana.