Da estatística aos modelos generativos

O termo inteligência artificial abrange uma família de técnicas cuja característica comum é que um sistema computacional produz resultados, como previsões, classificações, recomendações ou textos, que de outra forma exigiriam julgamento humano. A definição adotada pela Organização para a Cooperação e Desenvolvimento Econômico (OCDE) em 2019 e revista em 2023 descreve um sistema de IA como um sistema baseado em máquina que infere, a partir dos dados de entrada que recebe, como gerar resultados capazes de influenciar ambientes físicos ou virtuais. Tanto a convenção do Conselho da Europa quanto o Regulamento da Inteligência Artificial (AI Act) da União Europeia retomaram essa redação em substância, o que confere ao conceito um núcleo comum nos ordenamentos jurídicos relevantes para Basileia.¹

As instituições financeiras utilizam há muito tempo os membros mais antigos dessa família. O credit scoring baseado em regressão logística tornou-se padrão no crédito ao consumo nas décadas de 1980 e 1990. Os atuários aplicam modelos lineares generalizados à precificação de seguros há décadas. A detecção de fraudes em pagamentos com cartão recorre a redes neurais desde os anos 1990. Métodos de aprendizado de máquina como gradient boosting e random forests entraram na gestão de riscos e no monitoramento de transações na década de 2010, porque detectam padrões em grandes conjuntos de dados com mais precisão do que regras fixas.²

Os modelos generativos diferem desses predecessores em dois aspectos relevantes para os serviços financeiros. Trabalham com informações não estruturadas, como contratos, e-mails, relatórios de análise e conversas gravadas, que constituem a maior parte do conhecimento de um banco ou de um escritório de advocacia. São também sistemas de uso geral, treinados por um pequeno número de fornecedores a um custo elevado e depois adaptados por milhares de usuários para suas próprias tarefas. A primeira característica explica sua rápida adoção no back office e no middle office. A segunda explica por que os supervisores se preocupam com concentração, dependência e a capacidade limitada dos usuários de compreender como os sistemas chegam a seus resultados.³

Notas

1. OECD, Recommendation of the Council on Artificial Intelligence, OECD/LEGAL/0449, adotada em 22 de maio de 2019, definição revista em 8 de novembro de 2023; art. 3(1) do Regulamento (UE) 2024/1689 (AI Act); art. 2 da Convenção-Quadro do Conselho da Europa sobre Inteligência Artificial e Direitos Humanos, Democracia e Estado de Direito (CETS n.º 225). ↩
2. Sobre a história dos métodos estatísticos e de aprendizado de máquina no credit scoring, nos seguros e na detecção de fraudes, ver a visão geral em Financial Stability Board, Artificial Intelligence and Machine Learning in Financial Services, 1º de novembro de 2017. ↩
3. Sobre as características dos modelos fundacionais e suas implicações para as instituições financeiras, ver BIS, Annual Economic Report 2024, Capítulo III, “Artificial intelligence and the economy: implications for central banks”, junho de 2024. ↩

Apenas para fins de informação geral. Este artigo não constitui assessoria jurídica ou tributária, não substitui a análise de um caso concreto e não estabelece relação entre advogado e cliente. Reflete a situação jurídica em outubro de 2026.