Sete casos de uso de IA para ajudar gestores de ativos a aumentar a eficiência e a produtividade face aos ventos contrários do mercado

Stuart Grant é Chefe de Mercados de Capitais, Gestão de Ativos e Património na SAP.

Descubra as principais notícias e eventos do setor fintech!

Subscreva a newsletter do FinTech Weekly

Lido por executivos da JP Morgan, Coinbase, Blackrock, Klarna e mais

Desde a compressão de taxas até mudanças desfavoráveis nas condições macroeconómicas e investimentos tecnológicos crescentes que ainda não deram o retorno esperado, as organizações de gestão de ativos enfrentam obstáculos significativos à medida que o calendário avança para 2026.

Numa análise de 2025 sobre a indústria global de gestão de ativos, a McKinsey & Company constatou, por exemplo, que as margens dos gestores de ativos diminuíram três pontos percentuais na América do Norte e cinco pontos percentuais na Europa nos últimos cinco anos, devido a fatores como esses.

Mas há uma válvula de alívio na forma de implementações direcionadas e bem posicionadas de inteligência artificial. A IA, nas suas várias formas — generativa, agentic, etc. — está a começar a demonstrar valor numa variedade de casos de uso no front, middle e back-office, dando aos gestores de ativos meios para captar novos ganhos de produtividade e eficiência, identificar e capitalizar novas oportunidades de negócio rentáveis antes da concorrência. Na sua análise, baseada numa pesquisa junto de executivos de topo de empresas de gestão de ativos na América do Norte e Europa, a McKinsey concluiu que, para um gestor de ativos médio, o impacto potencial da IA, IA generativa e IA agentic “poderia ser transformador, equivalente a 25 a 40 por cento da sua base de custos.”

O desafio para as organizações de gestão de ativos, então, é determinar onde dentro das suas estruturas a IA pode oferecer mais valor.

Implementar IA para Máximo Impacto

Empresas de todo o setor de gestão de ativos estão a usar IA em várias frentes. Grande parte dessa atividade ocorre em organizações maiores, que dispõem de recursos profundos para desenvolver as suas próprias capacidades em modelos de linguagem de grande escala, agentes de IA direcionados, entre outros. Mas o outro lado da moeda da IA é que ela também pode ajudar gestores de ativos fora das maiores organizações de Tier One a competir de forma mais equilibrada contra estas maiores empresas.

Além disso, enquanto muitas organizações concentram os seus investimentos em casos de uso de IA voltados para o cliente, é importante não negligenciar as oportunidades de criar valor com outras implementações escaláveis de IA em todo o front, middle e back-office. Em vez de procurar soluções pontuais que podem não integrar bem entre si, uma abordagem mais inteligente para gerar valor com IA pode ser direcionar investimentos que dissolvam as barreiras virtuais entre as três camadas de escritório, criando eficiências, aumentando a produtividade, simplificando processos e melhorando o planeamento e a estratégia.

Resumindo, procure casos de uso de IA que incentivem — e possam aproveitar — a livre circulação de dados por toda a organização. Aqui estão alguns que parecem especialmente promissores:

1. Automatizar e acelerar o encerramento financeiro e outras funções financeiras. As finanças têm sido historicamente uma área repleta de processos manuais. Com a ajuda de agentes de IA, as organizações de gestão de ativos têm a oportunidade de automatizar muitos processos relacionados com a função financeira, incluindo o encerramento financeiro, contas a receber, contas a pagar, reconciliação de faturas, entre outros. Nesses cenários, a IA pode suportar uma automação aprimorada do movimento de dados. Também pode fornecer aos utilizadores de negócios financeiros notificações proativas — e cenários acionáveis — para problemas potencialmente invisíveis, como excedentes ou défices de capital, ajustes ao balanço, etc.

2. Melhorar a gestão de risco através de uma verdadeira alinhamento com as finanças. Os dados do back office podem ser extremamente valiosos para as equipas de gestão de risco no middle office. Essas equipas podem usar dados sobre holdings de investidores, fluxos de caixa, liquidez de mercado, margem/garantia, etc., combinados com dados de perfil de cliente e comunicações, para identificar sinais precoces de resgates de clientes e riscos de liquidez associados.

3. Identificar e mobilizar rapidamente oportunidades para novas estruturas de taxas e modelos de negócio. As organizações podem solicitar às suas ferramentas de IA que pesquisem e modelizem o impacto de possíveis alterações de taxas, bem como novos modelos de negócio. O que sugerem os dados históricos sobre como uma alteração de taxa afetaria as contas a receber? Existem oportunidades de dividir uma área de negócio existente (como fundos de classe de ativo específicos ou de uma determinada região) em duas ou mais partes, ou de categorizar clientes de forma diferente? E qual é a viabilidade económica dessas mudanças?

4. Informar decisões sobre expansão para novos produtos ou geografias. A sua organização está a considerar entrar num mercado geográfico promissor, mas relativamente arriscado. Como correram no passado movimentos semelhantes em termos de custos previstos e reais? Quais os impactos regulatórios e de recursos humanos que essa expansão pode ter? Um diálogo com um assistente digital de IA generativa pode fornecer respostas valiosas a essas perguntas, levando a decisões estratégicas mais bem informadas.

5. Modelar cenários “e se” sobre o impacto potencial do reequilíbrio de portfólio nos lucros futuros, prioridades de investimento dos clientes e apetites de risco. As ferramentas de IA podem oferecer insights sobre o impacto potencial dessas mudanças, bem como recomendações sobre o momento ideal, tendo em conta obrigações de contas a pagar e outros fatores. Ao estabelecer ligações como essa com os dados, a IA ajuda a resolver desconexões de informação entre a função financeira e a gestão de portfólio no front-office, apoiando um planeamento estratégico e orçamentação mais preciso.

Por exemplo, numa das empresas com que trabalho, eles procuram combinar dados de atribuição de portfólio sobre o desempenho de elementos individuais do seu portfólio com dados sobre o apetite de risco dos clientes e estruturas de taxas. O objetivo é compreender melhor as reverberações financeiras do reequilíbrio de portfólio em relação às expectativas dos clientes e aos lucros futuros.

6. Aumentar a produtividade. Alguns executivos de gestão de ativos com quem falei recentemente dizem que as suas organizações pretendem duplicar os ativos sob gestão sem aumentos materiais na equipa, simplesmente aproveitando a IA e agentes de IA de forma mais ampla em toda a organização. Estão a criar agentes de IA e a colocá-los ao lado dos funcionários — como extensões digitais desses mesmos funcionários, basicamente. No final, os ganhos de produtividade que esses agentes proporcionam permitem que empresas pequenas e médias concorram de forma mais equilibrada com as maiores.

7. Aperfeiçoar a deteção de fraudes durante a integração de clientes. A IA é capaz de escanear rapidamente e validar a autenticidade dos documentos de onboarding, identificando até as menores anomalias (como tamanho da fonte, formatação do documento, etc.) que possam indicar que um cliente não é quem parece ser, exigindo assim uma triagem mais rigorosa.

Por mais impactantes que esses casos de uso possam ser numa organização de gestão de ativos, maximizar o seu valor depende fortemente da qualidade e acessibilidade dos dados que os alimentam. Em primeiro lugar, os dados devem ser compreensíveis para humanos e máquinas de forma self-service. Muitas vezes, as empresas extraem dados das aplicações fonte e transferem-nos para um data lake. No entanto, isso remove semântica e contexto essenciais específicos do ambiente de aplicação. Sem esses metadados, a produção da IA — e o impacto geral — pode ser subótima. Assim, muitas organizações beneficiam de deixar esses dados no seu ambiente de aplicação natural, juntamente com os metadados associados. Pense nesses dados como as baterias que alimentam a IA generativa, a IA agentic e as análises inteligentes dentro de uma organização. Quanto mais potentes forem as baterias, melhor preparada estará a organização de gestão de ativos para aproveitar os seus investimentos em IA para ultrapassar os obstáculos que enfrentam.

Sobre o autor

Stuart Grant é Chefe de Mercados de Capitais, Gestão de Ativos e Património na SAP. Há mais de 20 anos trabalha com dados na indústria de mercados de capitais, em funções que abrangem gestão de produtos, desenvolvimento de negócios e gestão empresarial.