O Nubank foi criado com o objetivo de estabelecer uma agência bancária que coubesse no bolso dos clientes. “Queríamos ser mais rápidos e mais baratos que os outros bancos também, além de oferecer serviços financeiros mais acessíveis”, disse Vitor Olivier, Chief Technology Officer (CTO) do Nubank. Ele palestrou durante o Web Summit 2024, sobre o tema AI’s banking revolution (algo como “uma Revolução Bancária Provocada pela IA”, em português). Mais do que a revolução da IA, contudo, ele mostrou como a visão digital formatou, e continua direcionando, o Nubank.
Quando a startup de finanças foi criada em São Paulo (2013), havia muitas mudanças nas plataformas móveis, com a ascensão dos smartphones. Do outro lado, o sistema financeiro do Brasil estava estabelecido em uma ampla capilaridade de agências físicas dos grandes bancos. Competir neste nível, naturalmente, era inviável para a fintech recém-criada, e a visão digital foi a saída: “criamos agências nos bolsos das pessoas. Mais do que isso, queríamos ser mais simples, pois os serviços financeiros são muito complexos”, disse Olivier.
A computação em nuvem e o uso de documentos, também na nuvem, foram essenciais para esse processo, que eliminou a necessidade de investimento em grandes data centers, no modelo que até então era adotado pelos grandes bancos. “Se precisássemos de muito capex (despesas com capital) para criar data centers, não seria possível. Então, decidimos ser cloud nativa e mobile first, e criamos todos os processos da empresa com base nisso”, revelou o CTO do Nubank.
IA first
Mesmo com o sucesso alcançado, nos últimos tempos o Nubank avaliou que não era suficiente ter uma agência bancária no bolso das pessoas. Era preciso ir além e otimizar a vida financeira delas, o que, como classificou Olivier, “ainda é uma missão muito complicada”.
O segundo passo da empresa, portanto, foi competir com grandes bancos, sendo um private banker no bolso dos clientes, de modo a ajudar a facilitar o gerenciamento de suas finanças.
No início, dada a dificuldade de escala, este era um serviço para os clientes com mais investimentos. “Mas tivemos, com a IA, uma evolução”, revelou Olivier, no sentido de que a plataforma pode ser massificada, ampliando a capilaridade dos serviços.
Assim como o mobile first, que direcionou a empresa nos seus primeiros passos, a IA first passou a ser um conceito para recriar a forma de produção de softwares para as operações do Nubank com seus clientes. “E queríamos não só criar um modelo, mas, sim, um sistema em formato amplo, que apoia as tomadas de decisões. Foi então que partimos para a aplicação da IA generativa, combinada com grandes modelos de linguagem”, disse o CTO.
O impacto disso no crédito foi imediato e, em um ano, a empresa conquistou 5 milhões de clientes com sua primeira linha de crédito pelo Nubank. Isso, segundo o executivo, aconteceu com um custo de risco para o crédito 50% menor, em média, do que a indústria pratica. “Temos custo mais baixo e, nas áreas em que operamos, isto nos permite ter taxas de juros mais baixas. Ou seja: [com o movimento de IA generativa] expandimos o acesso, reduzimos o risco e, ao mesmo tempo, aumentamos a oferta para os clientes”, resumiu.
Isso tudo acontece por meio do processamento de 6 petabytes de dados por dia. Os modelos antifraudes também estão nessa conta e, hoje, o Nubank tem cerca de R$ 6 bilhões de eventos avaliados diariamente, o que, segundo Olivier, evitou prejuízos de cerca de 6 bilhões com fraudes no ano passado.
A IA generativa é uma das ferramentas usadas, assim como grandes modelos de linguagem para entender a intenção dos clientes (inbound parsing). Já, de dentro para fora do Nubank (outbound), a instituição tem customizado cada vez mais as interfaces. “Temos co-pilotos para tudo e os usamos com o conceito de ferramentas que otimizam a produção de todos que trabalham na empresa”, disse Olivier.
Outra revolução que vem ocorrendo no Nubank, e esta é ainda maior, segundo ele, consiste na ideia de reunir um grande volume de dados para colocar em uma rede com supervisão, na qual é possível mapear palavras ou tokens que identificam padrões não lineares. O objetivo é encontrar significados, para mapear padrões de clientes e entender clusters para eles. “Com isso, conseguimos recomendar melhor os produtos, por exemplo. E estamos só no começo”, concluiu.
