IA e crédito estressado: o que os dados revelam

Segundo NeoFeed, o sistema financeiro brasileiro acumula provisões para devedores duvidosos no maior nível da série histórica do Banco Central: 7,9% da carteira total em fevereiro de 2026. O Bradesco registrou crescimento de 25% nessa despesa em um ano. No agronegócio, a inadimplência no Banco do Brasil saltou de 0,6% para 6,2% em três anos. Com a Selic a 14,25% e sem perspectiva de retorno ao dígito único nesta década, o crédito estressado virou uma das maiores classes de ativos em expansão no Brasil: 157 FIDCs especializados em recuperação de crédito, patrimônio de R$ 22,5 bilhões, gestoras como Jive Mauá, Mobius Capital, IOX Capital e Neo Investimentos disputando carteiras que os bancos querem vender.

Mas o que isso tem a ver com tecnologia e inteligência artificial? Tudo.

O que a IA enxerga antes do analista humano

O volume de dados gerado por operações de crédito estressado é, por definição, caótico: históricos de inadimplência fragmentados, garantias distribuídas em múltiplos registros, comportamento de pagamento em diferentes janelas de tempo, variáveis macroeconômicas setoriais. Um analista humano processa essa pilha em semanas. Modelos de machine learning bem treinados processam em minutos.

Gestoras que já operam com scoring proprietário conseguem precificar carteiras inadimplentes com uma precisão que muda o retorno do fundo inteiro. A IOX Capital reporta alta de até 50% na oferta de ativos recebida. Mais oferta significa mais volume para triagem, e triagem manual em escala é um gargalo real.

Alguns pontos onde a IA já está sendo aplicada nesse mercado:

• Precificação de carteiras: modelos preditivos que estimam taxa de recuperação por safra, setor e perfil de devedor, reduzindo o intervalo de incerteza na proposta de compra
• Due diligence automatizada: leitura e classificação de contratos, garantias e histórico judicial via NLP, o que comprime o tempo de análise de semanas para horas
• Monitoramento contínuo de risco: alertas automáticos sobre deterioração de devedores ainda dentro da carteira, antecipando a necessidade de renegociação
• Identificação de padrões de fraude: detecção de inconsistências em documentação de garantias que o olho humano raramente captura em volume

Quando o dado vira vantagem competitiva

O analista da Uqbar, Alfredo Marrucho, declarou que os segmentos que compram créditos ruins tendem a crescer daqui para frente. Se isso é verdade, a diferença entre as gestoras que prosperam e as que ficam para trás não será só o acesso a capital. Será a capacidade de processar e precificar oportunidades mais rápido do que a concorrência.

Essa lógica vale para qualquer empresa que carrega recebíveis na carteira. Distribuidoras, varejistas, empresas de serviços com contratos longos: todas acumulam dados de comportamento de pagamento que, se alimentados em modelos de IA, geram percepçãos acionáveis sobre quais clientes merecem mais crédito e quais precisam de atenção imediata.

Na minha leitura, o que está acontecendo no mercado de crédito estressado é um laboratório acelerado para aplicações de IA em finanças corporativas. O ambiente de juros altos comprimiu margens e elevou o custo do erro, o que força a adoção de ferramentas que reduzem incerteza. Empresas que construírem hoje uma camada de dados estruturada sobre suas carteiras de recebíveis vão chegar à próxima janela de crédito, seja ela de captação ou de venda de portfólio, com uma vantagem que não se improvisa em 30 dias.

O crédito podre virou oportunidade. A IA decide quem sabe aproveitá-la.