Nos últimos meses, temos avançado na Robbin com uma convicção cada vez mais clara: o futuro da análise de crédito não será construído apenas com dados, mas com raciocínio estruturado e contextual. E é nesse ponto que os modelos de linguagem (LLMs) passaram a ter um papel disruptivo na forma como olhamos risco, estrutura e tomada de decisão.
Do preditivo ao interpretativo
Quando se fala em IA no crédito, é comum pensar em modelos supervisionados de machine learning (ML) que aprendem com um grande volume de decisões passadas para prever, com base estatística, quem deve ou não receber crédito.
Essa abordagem tem um valor claro: escalabilidade, padronização e velocidade em ambientes onde as variáveis comportam algum grau de regularidade. É assim que operam os grandes bureaus e bancos com histórico consolidado. Sabemos — inclusive por experiências anteriores — o quanto isso é poderoso.
Mas há um outro campo, menos explorado até recentemente, e que tem se mostrado especialmente valioso em ambientes complexos e sujeitos a múltiplas interpretações. É o campo dos LLMs, que em vez de prever, interpretam. Em vez de classificar, estruturam. Em vez de responder, ajudam como um consultor.
LLM como instrumento de consultoria para a decisão
Na prática, o que temos construído é um sistema onde a IA atua como copiloto de decisão — aprendendo com os analistas humanos, organizando informações dispersas e ajudando a manter coerência nos critérios e nas argumentações.
Não se trata de automatizar a decisão final, mas de garantir que o processo seja mais claro, mais robusto e mais alinhado com o que realmente importa: entender o contexto de cada empresa, a natureza da sua operação e os sinais consistentes de risco ou potencial.
Testamos e vimos que inclusive, consegue nos apoiar em interpretação de imagens de empresas (street view) e trazer análises com riqueza de detalhes e sofisticação. Escalar a avaliação de porte de empresas e outras características via imagem são gargalos para muitos analistas de crédito. Mas, e se houvesse uma solução via LLMs para esta etapa? Pois é, encontramos um caminho promissor aqui também.
Esse uso dos LLMs — como modelo de linguagem e não apenas como mecanismo de geração de texto — tem gerado ganhos concretos em consistência analítica, padronização interpretativa e até mesmo na velocidade de aprendizado entre pessoas.
ML como alicerce, LLM como extensão estratégica
Não há dúvida do papel central das técnicas de Machine Learning para análise de crédito na atualidade. ML é — e continuará sendo por algum tempo — um poderoso motor preditivo para escalar decisões com base estatística sólida. Viabiliza padrões confiáveis a partir de grandes volumes de dados históricos, onde encontramos maior precisão quantitativa.
Mas o que começamos a explorar com LLMs nos mostrou algo novo: é possível ir além da previsão, trazendo interpretação, contexto e raciocínio estruturado para dentro da análise. Em vez de substituir o que já funciona, os LLMs atuam como uma camada adicional de inteligência, capaz de interpretar decisões humanas, alinhar critérios, destacar nuances e ajudar a manter coerência nos julgamentos — especialmente em cenários onde os dados por si só não dizem tudo.
Essa complementaridade é poderosa. O ML nos dá escala, velocidade e padronização. O LLM nos dá flexibilidade, memória qualitativa e capacidade de interpretação. Juntos, formam um sistema mais completo.
O que estamos vendo na prática
Os resultados com LLMs já são evidentes: mais consistência entre analistas, critérios mais claros, decisões mais estruturadas. O que antes dependia da memória de casos isolados hoje começa a se organizar como um sistema vivo de conhecimento aplicado ao risco.
Mais do que automatizar, estamos aprendendo a trazer mais inteligência para dentro da decisão — somando o melhor da estatística com o melhor da linguagem, da experiência e do raciocínio humano.