Introdução

O setor financeiro sempre foi, essencialmente, uma indústria de dados. Cada transação, autenticação, comportamento de acesso, movimentação financeira e interação digital produz um sinal. O desafio contemporâneo não é apenas armazenar esses sinais, mas transformá-los em inteligência sem comprometer aquilo que sustenta a relação bancária: confiança, segurança, privacidade e disponibilidade.

É nesse cenário que surge uma combinação estratégica: Generative AI (GenAI) + Dados + Cibersegurança.

A pergunta mais interessante talvez não seja “Como utilizar IA no banco?”, mas:

E se o banco pudesse interpretar milhões de sinais digitais em tempo real e identificar que algo está errado antes mesmo de um incidente ser percebido por um ser humano?

Essa é a fronteira em que tecnologia deixa de ser apenas ferramenta operacional e passa a funcionar como uma camada de inteligência sobre o ecossistema bancário.

1. O dado: o novo combustível da operação bancária

Na arquitetura moderna de uma instituição financeira, dados são muito mais do que registros históricos. Eles podem representar comportamento, contexto, risco, relacionamento e evidências.

Um acesso fora do padrão, uma alteração inesperada de comportamento, uma sequência incomum de transações ou uma tentativa de autenticação em contexto atípico podem parecer eventos isolados.

Para uma pessoa, talvez sejam apenas logs.

Para uma arquitetura analítica bem construída, podem ser features.

E para um modelo de IA, podem representar um padrão.

É justamente essa transformação — de evento → dado → contexto → inteligência → decisão — que torna os dados estratégicos.

Porém, quanto maior o valor do dado, maior também é a responsabilidade sobre seu tratamento. No ambiente bancário, segurança da informação e proteção de dados precisam caminhar junto com inovação. As diretrizes públicas do Bradesco destacam a proteção da confidencialidade, integridade e disponibilidade das informações, além de controles de acesso, monitoramento e auditorias.

2. GenAI: o copiloto entrou no banco

A GenAI adiciona uma nova camada a esse cenário.

Diferentemente de sistemas tradicionais, que normalmente respondem a regras previamente definidas, modelos generativos conseguem interpretar linguagem, sintetizar informações, identificar relações e produzir respostas contextualizadas.

Imagine um analista de segurança diante de milhares de alertas:

10.000 eventos → 800 anomalias → 120 incidentes potenciais → 15 casos prioritários.

O problema deixa de ser somente detectar.

Passa a ser entender.

Uma GenAI poderia atuar como um copiloto, auxiliando na correlação de informações, sumarização de incidentes, análise de evidências e preparação de hipóteses para investigação — sempre dentro de controles, permissões e processos definidos pela organização.

A lógica muda de:

“O sistema encontrou um alerta.”

para:

“O sistema encontrou um padrão, contextualizou o evento e apresentou hipóteses para investigação.”

Essa diferença parece pequena.

Tecnicamente, é enorme.

3. O paradoxo: IA também pode virar superfície de ataque

Aqui começa a parte realmente interessante.

Se a IA consegue aprender padrões utilizados por fraudadores, atacantes também podem utilizar IA para aprender padrões utilizados pelos bancos.

É uma corrida tecnológica.

De um lado:

IA defensiva → detecção → correlação → prevenção → resposta.

Do outro:

IA ofensiva → engenharia social → automação → evasão → exploração.

Isso cria um novo conceito operacional: AI vs. AI.

A cibersegurança deixa de ser exclusivamente uma disputa entre pessoas e códigos e passa a envolver sistemas capazes de analisar, gerar, adaptar e responder em velocidade muito superior à capacidade humana.

Por isso, colocar GenAI em produção sem controles adequados seria equivalente a instalar um motor de alta performance em um veículo sem sistema de frenagem.

A tecnologia pode ser extraordinária.

O risco também.

4. Zero Trust: “confie menos, valide mais”

Nesse contexto, conceitos tradicionais de segurança ganham uma nova dimensão.

O princípio de Zero Trust pode ser resumido pela ideia de não assumir confiança automaticamente.

Em uma arquitetura bancária, isso significa considerar continuamente fatores como:

• quem está acessando;
• qual recurso está sendo acessado;
• de onde ocorre o acesso;
• qual comportamento está sendo apresentado;
• qual é o contexto da operação;
• qual nível de privilégio é necessário.

Agora imagine adicionar IA a essa equação.

O sistema deixa de olhar somente para:

“Usuário autenticado: SIM.”

E passa a perguntar:

“Esse comportamento é compatível com o histórico, o contexto e o risco dessa identidade?”

Essa mudança é fundamental.

Autenticação comprova identidade.

Inteligência contextual ajuda a avaliar comportamento.

5. O dado sensível não pode virar prompt

Existe, entretanto, uma regra de ouro para qualquer estratégia de GenAI em instituições financeiras:

Nem todo dado que pode ser utilizado deve ser utilizado.

Um prompt aparentemente inocente pode carregar informações sensíveis, estratégicas ou confidenciais.

Por isso, uma arquitetura responsável precisa considerar classificação da informação, minimização de dados, controle de acesso, rastreabilidade, anonimização quando aplicável, segregação de ambientes e mecanismos de prevenção contra vazamento.

A própria documentação pública do Banco reforça que proteção de dados, segurança da informação, cibernética e privacidade são temas sujeitos a políticas, diretivas e normas corporativas específicas.

Em outras palavras:

GenAI não pode ser tratada como um chatbot solto na infraestrutura.

Ela precisa ser tratada como um componente corporativo sujeito a governança.

6. O novo SOC: do monitoramento à inteligência

O Security Operations Center do futuro tende a evoluir de uma central de monitoramento para uma espécie de sistema nervoso digital.

Imagine:

Logs + SIEM + IAM + EDR + Threat Intelligence + Dados transacionais + Machine Learning + GenAI

formando uma cadeia de inteligência.

Nesse modelo, cada evento pode contribuir para uma visão contextual de risco.

Um alerta deixa de ser apenas:

“Tentativa de acesso detectada.”

E pode evoluir para:

“Tentativa de acesso fora do padrão comportamental, associada a mudança recente de dispositivo, localização atípica e sequência de eventos compatível com possível comprometimento de credenciais.”

É a diferença entre detectar um sinal e compreender o significado do sinal.

7. Governança: a IA não deve ser o último aprovador

Em ambiente financeiro, eficiência não pode ser dissociada de responsabilidade.

A GenAI pode recomendar.

Pode classificar.

Pode resumir.

Pode correlacionar.

Pode gerar hipóteses.

Mas decisões críticas precisam permanecer submetidas aos controles, alçadas, políticas e responsabilidades definidos pela organização.

Esse conceito é especialmente importante porque modelos generativos podem apresentar respostas incorretas, incompletas ou excessivamente confiantes.

Por isso, uma arquitetura madura precisa trabalhar com:

Human in the Loop + Explainability + Auditabilidade + Controle de Acesso + Monitoramento + Gestão de Risco.

O objetivo não é substituir o especialista.

É aumentar sua capacidade cognitiva.

8. Segurança como código

Existe uma tendência interessante na engenharia moderna:

Security by Design → Security by Default → Security as Code.

A segurança deixa de ser uma etapa final do projeto e passa a fazer parte da própria construção da solução.

Nesse cenário, uma aplicação de GenAI deveria nascer com controles de segurança incorporados:

• gestão de identidade;
• menor privilégio;
• segregação de funções;
• proteção de dados;
• logs e rastreabilidade;
• validação de entradas;
• monitoramento de comportamento;
• gestão de vulnerabilidades;
• avaliação contínua do modelo;
• mecanismos de resposta a incidentes.

Ou seja:

não colocamos segurança depois da IA.

Colocamos segurança dentro da arquitetura da IA.

9. A pergunta que fica

O futuro da segurança bancária talvez não seja determinado por quem possui o modelo de IA mais poderoso.

Pode ser determinado por quem consegue construir a melhor relação entre:

Dados + IA + Segurança + Governança + Pessoas.

O verdadeiro diferencial competitivo não estará apenas na capacidade de gerar uma resposta.

Estará na capacidade de gerar uma resposta confiável, rastreável, segura e adequada ao contexto.

E talvez essa seja a provocação mais interessante para o setor financeiro:

Se os dados são o combustível da IA e a IA é o novo motor da transformação digital, quem controla o combustível, o motor e os freios controla o risco?

No universo bancário, inovação sem segurança é apenas velocidade.

Inovação com governança é evolução.

Conclusão

GenAI, dados e cibersegurança não devem ser tratados como três disciplinas independentes.

Elas formam um ecossistema.

Os dados alimentam a inteligência.

A inteligência potencializa a segurança.

A segurança protege os dados.

E a governança mantém todo esse ciclo dentro dos limites de confiança exigidos por uma instituição financeira.

Para organizações como o Banco, que publicamente destacam confidencialidade, integridade, disponibilidade, monitoramento, auditoria, proteção de dados e segurança cibernética, o desafio tecnológico não é simplesmente adotar IA. É adotar IA de maneira responsável, controlada e compatível com o nível de criticidade do negócio bancário.

A pergunta para a próxima geração de profissionais de tecnologia talvez seja simples:

Estamos construindo uma IA que apenas conhece os dados do banco — ou uma arquitetura inteligente capaz de proteger o próprio banco?