Nas condições atuais, os líderes do setor bancário enfrentam desafios complexos. O recente lançamento do modelo aberto Kimi K3 pela startup chinesa Moonshot AI causou flutuações nos mercados: o índice S&P 500 caiu um ponto percentual, e o benchmark em Taiwan despencou mais de 6%, enquanto o índice Nasdaq perdeu 1,4%.
Este incidente lembra os eventos de janeiro de 2025, quando a DeepSeek também provocou agitação semelhante no mercado, embora os mercados americanos tenham se recuperado rapidamente. Torna-se evidente que as capacidades dos avançados grandes modelos de linguagem (LLMs) estão se tornando uma mercadoria, e o Kimi K3 serve como outro prenúncio para os grandes atores no setor corporativo. Isso levanta a questão: se o modelo mais inteligente em breve estiver disponível, a corrida pelo domínio global em LLMs é inútil?
Três semanas antes da agitação em torno do Kimi K3, o departamento de pesquisa do maior fundo de hedge, Bridgewater, em conjunto com o laboratório Thinking Machines Lab de Mira Murati, publicou resultados. Eles mostraram que uma versão aprimorada do Qwen3-235B, um modelo base de pesos abertos da Alibaba, superou todos os modelos avançados testados em seis tarefas de julgamento financeiro baseadas no trabalho diário de investidores.
É surpreendente, mas este modelo personalizado alcançou uma precisão média de 84,7% em comparação com 78,2% do melhor sistema avançado, enquanto seus custos operacionais foram cerca de quatorze vezes menores. Vale ressaltar que esses números foram avaliados no sistema interno da Bridgewater, e não em um benchmark independente.
No entanto, isso destaca a importância crítica do uso de dados e insights proprietários aplicados através do julgamento pronto. Em áreas altamente especializadas, tais elementos raramente podem ser expressos como um simples pedido. Eles precisam ser treinados com exemplos rotulados por especialistas internos, usando dados que estão exclusivamente sob a posse ou são processados apenas dentro da organização. Quando isso é alcançado, mesmo um modelo relativamente modesto, aprimorado com dados próprios, pode superar gigantes com custos significativamente menores.
Essas reflexões levaram a pensamentos sobre bancos e banqueiros. Durante uma discussão ao vivo no evento VivaTech em Paris no mês passado, o CEO da The Atlantic, Nicholas Thompson, fez perguntas ao CEO da Inrupt, John Bruce, e seu cofundador Sir Tim Berners-Lee sobre o impacto da IA na banca. A Inrupt ajuda bancos e outras instituições financeiras a implementar infraestrutura de dados descentralizada.
Thompson destacou a opinião de Bruce de que o pior pesadelo para um banco não é um chatbot concorrente, mas sim a situação em que um cliente carrega seus extratos no ChatGPT para obter um empréstimo, retirando assim o relacionamento com os dados e o poder que a posse desses dados confere ao banco. A resposta da Inrupt é o agente Charlie — um agente de IA pessoal que fica entre o usuário e os fornecedores de modelos e decide quais dados saem do dispositivo.
Os bancos se encontram na posição de Davi contra Golias dos LLMs. Ao mesmo tempo, os bancos africanos lutam em uma segunda frente, contra a indústria de telecomunicações móveis, que há muito desistiu de se contentar apenas com a monetização de chamadas e mensagens de texto. Assim, os líderes do setor bancário realmente têm dificuldades.
No entanto, os grandes *players* de ambos os lados deste confronto tendem a confiar em privilégios presumidos obtidos por direito de nascimento. Há uma manobra instintiva em torno de licenças bancárias, espectro, barreiras regulatórias e poder de distribuição, partindo do pressuposto de que a influência e a escala herdadas vencerão por padrão. No entanto, os resultados da Bridgewater indicam que essa premissa deve ser revista pela alta administração.
Fica claro que o valor contido em um banco africano ou em uma empresa de telecomunicações reside em décadas de dados transacionais que ninguém mais no mundo possui. Estes incluem históricos de pagamento, padrões de fluxo de caixa de redes de agentes e ritmos sazonais de fluxo de caixa de comerciantes informais.
A sistematização dos julgamentos dos melhores especialistas em crédito em dados de treinamento rotulados é um trabalho lento, discreto e interno que traz muito pouco benefício no curto prazo. A isso soma-se a complexidade de dar autonomia aos funcionários internos para criar algo que pode minar suas próprias fontes de renda antes de um concorrente externo. Em outras palavras, é um trabalho realizado em prol de uma agenda de liderança orientada para o enriquecimento de longo prazo do ecossistema, e não para o lucro de curto prazo.
Quando o autor perfilou a plataforma Papermap, especializada em análise baseada em IA, em janeiro, o cofundador Benedict Quartey disse que a IA acabaria sendo uma mercadoria, e assim que isso acontecesse, 'a única coisa que realmente importa é o que você faz com isso'. Os eventos com Kimi K3 e as descobertas da Bridgewater, ocorridos em um intervalo de duas semanas, realmente parecem ser a concretização desse conceito.
Permanece incerto se os grandes *players* africanos terão recursos, paciência e vontade para realizar esse trabalho discreto, alinhado à nova tendência. No entanto, parece que a 'camada fina' será construída de qualquer maneira.
