A inteligência artificial vai chacoalhar o setor bancário

A inteligência artificial e o aprendizado das máquinas estão sendo costurados no tecido de todos os aspectos de nossas vidas. O setor financeiro, historicamente confrontado com ineficiências, já está passando por mudanças transformadoras. Mas, ao contrário do Facebook ou da Amazon, os provedores financeiros não podem simplesmente “se mover rápido e quebrar as coisas”.

No rico Vale do Silício , há um mito de que qualquer um que decida deixar a faculdade com um chapéu na mão e uma ideia maluca pode conseguir financiamento de capital de risco. Eles são jovens e sem limites. Eles não são influenciados pelas normas da indústria e, portanto, podem livremente reinventar o mundo como o conhecemos. Eles são Steve Jobs. Eles são Mark Zuckerberg . Eles são Bill Gates. Se vivemos em um mundo de mudanças aceleradas, elas se movem em um ritmo acelerado. Esses inovadores aparentemente de pequena escala às vezes podem ser devastadoramente perigosos: a Netflix destruiu a Blockbuster, o BuzzFeed dizimou a Time, a Uber ameaçou a GM e a Amazon atropelou a BestBuy. Compreensivelmente, o setor financeiro foi vítima do medo da ruptura imediata. De acordo com um estudo recente publicado pela PwC, mais de 80% das instituições financeiras acreditam que seus negócios correm risco de ruptura. As fontes existentes de receita e lucro não podem mais ser consideradas como garantidas. Assim, 56% dos entrevistados disseram ter colocado a ruptura no centro de sua estratégia. E, no entanto, um exame detalhado da vida de uma típica startup de tecnologia financeira apresenta um quadro muito diferente.

Em julho de 2017, o BNP Paribas finalizou a aquisição da Financière des Paiements Électroniques (FPE), uma startup de fintech em rápido crescimento que se concentra em serviços bancários de varejo online simples. Desde o seu lançamento, há três anos, a FPE abriu mais de 630.000 contas. Não obstante todo o seu sucesso, a startup é tudo menos uma ameaça aos grandes bancos – ela foi adquirida e agora está segura no BNP.

Isso não é atípico. No Credit Suisse, procuramos entender estratégias de saídas para fintechs. Descobrimos que as mais comuns para startups eram aquisições ou imitações rápidas pelos bancos. O PayPal, que já foi ele mesmo um disruptor, está investindo substancialmente na compra de potenciais rivais, particularmente os ligados a pagamentos globais e espaço de transferência comercial. Quando não estão sendo adquiridas, as fintechs estão expandindo seu alcance em setores não relacionados que parecem apenas tangencialmente financeiros. A Square, um provedor de pagamentos, está oferecendo agora a entrega de refeições com a Fastbite na tentativa de competir contra a Uber Eats. Em última análise, esperamos que a maioria das startups acabe se transformando em institutos financeiros convencionais, como o Zopa, o primeiro credor peer-to-peer com a ambição inicial de perturbar o setor financeiro estabelecido, mas que acabou pagando por uma licença bancária para fornecer serviços bancários tradicionais.

Tudo isso é consistente com uma tendência mais ampla: mais empresas desapareceram por causa de fusões e aquisições do que por qualquer outro motivo. Entre 1978 e 2012, o número de empresas com menos de um ano de participação em todos os negócios caiu 44%. E no setor financeiro, como veremos abaixo, as startups individuais enfrentam obstáculos adicionais além do que os outros enfrentaram e-commerce do mundo da Internet.

Ruptura revisitada

A teoria da inovação disruptiva, introduzida pelo professor Clayton Christensen de Harvard em 1995, provou ser uma forma poderosa de pensar sobre o crescimento impulsionado pela inovação. Os princípios centrais da teoria são que tecnologias disruptivas de sucesso 1) miram segmentos não atendidos ou mal atendidos; 2) inicialmente têm performance relativamente mais fraca em relação ás necessidades existentes dos consumidores; e 3) pressionam para baixo os preços das ofertas existentes. Como pré-condição para a ruptura, os players estabelecidos inicialmente não respondem aos esforços dos recém-chegados devido às margens baixas, enquanto, da perspectiva dos clientes existentes, o preço mais baixo da nova oferta não compensa seu desempenho inferior. Nesse ambiente, os inovadores disruptivos podem desenvolver suas ideias e testar seu modelo de negócios sem grandes interferências de players estabelecidos e de sua clientela exigente.

No entanto, entre as maiores e mais promissoras fintechs analisadas pelo Credit Suisse, há poucas evidências de que os recém-chegados estejam mirando segmentos de clientes mal atendidos. Em vez disso, todas as startups em nossa amostra lançaram sua oferta inicial para clientes bancários já atendidos, muitas vezes visando a base de clientes principal dos bancos.

Esse fato não deveria ser muito surpreendente. A inovação impulsionada pela tecnologia exige um nível significativo de conhecimento em TI, e é por isso que a maioria das principais startups de tecnologia de ponta do mundo é lançada com grande proximidade a grupos de talentos com conhecimento tecnológico avançado. As fintechs desenvolvem e oferecem serviços sob medida predominantemente para sua própria região geográfica, que geralmente é um espaço economicamente maduro e bem bancado. (A única exceção seria a China). Então, quando se trata de segmentação, as fintechs não têm muita escolha a não ser entrar em um espaço já atendido e lutar pelos clientes de quem já está estabelecido. E os responsáveis reagem rapidamente. Em pouco tempo, as startups são adquiridas ou enfrentam concorrência direta dos bancos estabelecidos.

Isso é suficiente para que os bancos estabelecidos deixem de se preocupar?

Três ondas de máquinas

De todas as tecnologias inovadoras aplicáveis a finanças, a explosão do aprendizado de máquinas e da inteligência artificial parece ser a mais promissora. Uma das melhorias mais radicais nos últimos anos foi o aprendizado das máquinas. Para os cientistas de dados e especialistas em aprendizado de máquina, março de 2016 foi um mês importante. AlphaGo, um programa de computador desenvolvido pelo Google, venceu o campeão mundial Lee Sedol no antigo jogo de tabuleiro chinês Go por uma pontuação de 4 a 1. Antes de o AlphaGo desafiar seres humanos, os pesquisadores do Google vinham desenvolvendo o sistema para jogar videogames: Space Invaders, Breakout, Pong e outros. Sem a necessidade de qualquer programação específica, o algoritmo de propósito geral foi capaz de dominar cada jogo por tentativa e erro, pressionando aleatoriamente diferentes botões e ajustando para maximizar as recompensas.

Jogo após jogo, o software provou ser engenhosamente versátil em descobrir uma estratégia apropriada e depois aplicá-la sem cometer erros. É por isso que a AlphaGo representa não apenas uma máquina que pode pensar – como a IBM Watson -, mas também uma que aprende e cria estratégias, tudo sem a supervisão direta de humanos.

Essa programação de propósito geral foi possível graças a uma rede neural profunda: uma rede de hardware e software que imita a rede de neurônios no cérebro humano. O aprendizado por reforço ocorre em humanos quando o feedback positivo aciona a produção do neurotransmissor dopamina como um sinal de recompensa para o cérebro, resultando em sentimentos de gratificação e prazer. Os computadores podem ser programados para funcionar de maneira semelhante, e as recompensas positivas vêm na forma de pontuações quando o algoritmo alcança um resultado desejado. Sob esta estrutura geral, o AlphaGo escreve suas próprias instruções aleatoriamente através de muitas instâncias de tentativa e erro, substituindo estratégias de menor pontuação por outras de maior pontuação. É assim que um algoritmo ensina a si próprio a jogar qualquer coisa.

É fácil imaginar um mundo em que algoritmos autodidatas desempenham um papel muito maior na coordenação de transações econômicas; O AlphaGo simplesmente nos mostra o que pode ser possível no futuro próximo. Com ajuste instantâneo, otimização automática e melhoria contínua, todos gerenciados silenciosamente por algoritmos não supervisionados, a redundância dos sistemas de produção e o desperdício na cadeia de suprimentos devem se transformar em dores de cabeça do passado. Libertados da pressão para integrar verticalmente e com muito menos recursos necessários para a coordenação organizacional, os concorrentes menores poderão se especializar nos melhores serviços da categoria e fornecer soluções extremamente personalizadas em tempo real quando surgem demandas específicas.

No Credit Suisse, podemos observar em primeira mão como a computação inteligente melhorou a eficiência operacional. Uma das áreas mais complexas em que as tecnologias inovadoras desempenham um papel fundamental na melhoria da eficiência operacional e na redução de riscos é a conformidade. No segundo semestre de 2016, o departamento de compliance do Credit Suisse lançou uma iniciativa crucial tanto do ponto de vista comercial quanto regulatório. O projeto visava permitir uma visão holística de todos os relacionamentos com seus clientes – “Single Client View” – e consistia em projetar e implementar uma solução baseada em tecnologia capaz de consolidar dados relacionados ao cliente de todas as regiões em uma única plataforma. Os dois principais desafios eram compatibilizar dados de diferentes sistemas e acessá-los em tempo real a partir de qualquer local para detectar e mitigar com eficiência os riscos potenciais. O projeto foi lançado em dezembro de 2016, com o escopo inicial de dados de clientes cobrindo pessoas físicas em empresas de varejo e gestão de patrimônio internacional fora da Suíça. Em seguida, a equipe concentrou-se em adicionar continuamente dados dos clientes, melhorando sua qualidade, aprimorando a funcionalidade e implantando a tecnologia globalmente para mais usuários. Agora, é possível revisar e avaliar as informações do cliente de forma significativamente mais rápida do que antes, adotando uma visão multi-jurisdicional e simplificando a projeção de relacionamentos complexos com clientes. É importante ressaltar que o sistema atribui a cada cliente uma pontuação de risco global para auxiliar na tomada de decisões internas e permitir o uso de análises avançadas.

Outro exemplo é a conformidade ligada a pessoas politicamente expostas, onde conseguimos acelerar as avaliações internas em 60% e reduzir os custos relacionados em até 40%. O aprendizado de máquina acelera e simplifica as análises de investigação em mais de 80% – cobrindo 20% das informações. Além disso, quando se trata de vigilância de funcionários, agora temos a capacidade de rastrear um número substancial de atividades e checa-las em uma lista de riscos potenciais.

Ainda assim, esse desenvolvimento da inteligência artificial é semelhante às fases iniciais da eletricidade, quando substituiu a energia a vapor em fábricas. Na virada do século, a maioria das fábricas têxteis ainda era movida a água corrente e rodas d’água. As fábricas que instalaram motores a vapor tiveram que acomodar polias, correias, eixos rotativos e sistemas de engrenagens complexos. Na verdade, uma fábrica era construída em torno de um motor a vapor centralizado e rigidamente imposto, sacrificando toda a eficiência possível do fluxo de trabalho. Curiosamente, quando os fabricantes começaram a adotar eletricidade, os engenheiros não conseguiam nem imaginar um layout alternativo como a linha de montagem moderna. Em vez disso, eles agruparam os motores elétricos em um grande cluster, renunciando aos benefícios da energia descentralizada na otimização do fluxo de trabalho. Demorou quase duas décadas até que os fabricantes realmente colhessem todos os benefícios da eletricidade.

Hoje, a maioria dos bancos estabelecidos tende a enquadrar a inteligência artificial como uma medida de corte de custos, substituindo o trabalho humano em processos administrativos. Embora isso seja importante, seu maior potencial provavelmente será tão profundo que transformará as instituições financeiras como hoje as conhecemos. Os verdadeiros disruptores não serão startups; em vez disso, eles serão gigantes da tecnologia, lançando seus tentáculos no mundo das finanças como disruptores entre fronteiras.

Ruptura sem limites

“Sua margem é minha oportunidade”, disse o CEO da Amazon, Jeff Bezos, uma vez. As maiores ameaças aos grandes bancos não são startups de tecnologia financeira, mas sim a Amazon ou o Google, que mudam a cadeia de valor da indústria. Esses e outros disruptores transfronteiriços, incluindo o Alibaba na China, têm aproveitado os dados existentes que coletaram por meio do comércio eletrônico e, em seguida, se especializaram em novos serviços direcionados a clientes fora dos grandes bancos. Ao contrário de uma startup, que é forçada a entrar em um espaço existente para coletar informações de clientes, esses gigantes da tecnologia já adquiriram grandes volumes de dados baseados em atividades comerciais fora das finanças. Consequentemente, eles recorrem naturalmente a novos segmentos fora das instituições financeiras tradicionais. Isso não significa que os grandes bancos vão desaparecer. Mas se eles não estiverem preparados, podem ser reduzidos a empresas de serviços públicos: onipresentes, confiáveis, mas certamente não essenciais, com margens tão baixas que dificilmente são atraentes para qualquer um, incluindo investidores. É por isso que todos os grandes bancos devem pressionar a inteligência artificial para o próximo nível, enquanto o tempo ainda está do seu lado.

Howard Yu é professor de Gestão Estratégica e Inovação do IMD Suíça.

Urs Rohner é Presidente do Conselho de Administração do Cred