Artificial Intelligence, Large Language Models, and Machine Learning in Islamic Finance: A Bibliometric and Content Analysis Review (2018-2025)

Resumo Técnico: Inteligência Artificial, Grandes Modelos de Linguagem e Aprendizado de Máquina nas Finanças Islâmicas (2018–2025)

1. Enunciado do Problema

O artigo aborda uma lacuna crítica na interseção de dois domínios em rápida evolução: a aplicação de Inteligência Artificial (IA), Aprendizado de Máquina (ML) e Grandes Modelos de Linguagem (LLMs) nos serviços financeiros, e o quadro regulatório e ético específico das Finanças Islâmicas. Enquanto a adoção de IA no setor financeiro convencional acelerou — abrangendo negociação algorítmica, detecção de fraudes e automação regulatória — a literatura carece de uma revisão sistemática de como essas tecnologias são aplicadas dentro das Finanças Islâmicas, uma indústria de trilhões de dólares governada por princípios da Shariah (que proíbem riba, gharar e maysir) e pelos padrões da Organização de Contabilidade e Auditoria para Instituições Financeiras Islâmicas (AAOIFI).

Os autores identificam um descompasso específico: apesar da natureza rica em texto dos padrões AAOIFI (mais de 100 documentos cobrindo Shariah, contabilidade, auditoria e governança) e da emergência da Geração Aumentada de Recuperação (RAG) e da IA generativa, nenhum estudo existente tentou indexar, incorporar ou consultar este corpus utilizando métodos computacionais. Além disso, não há um mapeamento sistemático do estado atual, da trajetória de crescimento ou da estrutura temática da pesquisa em IA/ML especificamente dentro do setor de Finanças Islâmicas.

2. Metodologia

O estudo utiliza uma Revisão Sistemática de Literatura (RSL) guiada pelo protocolo PRISMA 2020, combinada com análise bibliométrica.

• Fonte de Dados: A base de dados Scopus foi utilizada como fonte única para publicações revisadas por pares.
• Consulta de Busca: Uma busca Booleana TITLE-ABS-KEY foi realizada utilizando a seguinte lógica:
  • Termos de IA/ML: "artificial intelligence", "machine learning", "deep learning", "large language model*", "LLM", "generative AI", "ChatGPT", "natural language processing", "NLP", "financial technology", "fintech".
  • Termos de Finanças Islâmicas: "Islamic finance", "Islamic banking", "Shariah-compliant finance", "sukuk", "takaful", "Islamic fintech", "Zakat", "Qardh-Al-Hasan", etc.
  • Período de Tempo: 2018–2025 (PUBYEAR > 2017 AND < 2026).
• Processo de Seleção:
  • Grupo Inicial: 868 registros.
  • Critérios de Exclusão: Uma triagem em três estágios (Identificação, Triagem, Elegibilidade) removeu itens não revisados por pares (livros, artigos de conferência, revisões), registros não em inglês, duplicatas e artigos com títulos/resumos irrelevantes ou metodologias obscuras.
  • Corpus Final: 45 artigos revisados por pares retidos para análise.
• Ferramentas Analíticas:
  • VOSviewer: Utilizado para mapeamento bibliométrico, incluindo análise de coocorrência de palavras-chave e visualização de rede de coautoria por nível de país.
  • Análise de Conteúdo: Revisão do texto completo dos 45 artigos para identificar fluxos temáticos, metodologias e aplicações específicas.

3. Principais Contribuições

O artigo apresenta quatro contribuições primárias para a literatura:

1. Primeiro Mapeamento Bibliométrico Abrangente: Fornece a primeira visão sistemática da pesquisa em IA, LLM e ML em Finanças Islâmicas, cobrindo 45 artigos publicados entre 2020 e 2025 em 14 países.
2. Estruturação Temática: Identifica e analisa quatro fluxos de pesquisa distintos através da análise de conteúdo de texto completo.
3. Identificação de Lacuna (O Achado de "Ausência"): Documenta e analisa a ausência total de estudos aplicando LLMs, RAG ou sistemas de conformidade baseados em IA e AAOIFI, apesar de esses termos fazerem parte da consulta de busca.
4. Agenda de Pesquisa Futura: Propõe 15 questões de pesquisa estruturadas, incluindo três direções inovadoras direcionadas especificamente à fronteira LLM-RAG-AAOIFI.

4. Resultados e Descobertas

A. Tendências Bibliométricas (RQ1)

• Trajetória de Crescimento: O campo é incipiente e está acelerando rapidamente. Não foram encontrados artigos qualificáveis para 2018 ou 2019. As primeiras contribuições apareceram em 2020, com uma tendência de crescimento acentuada: 2 artigos (2020), 4 (2022), 6 (2023), 12 (2024) e 21 (2025).
• Distribuição Geográfica: O corpus envolve 142 autores de 14 países.
  • A Indonésia é a principal contribuinte em volume de publicação (15 artigos).
  • Bahrein e Jordânia apresentam o maior impacto de citação.
  • A Arábia Saudita atua como um hub central na rede de colaboração, conectando as nações do GCC.
  • A Malásia serve como uma ponte estratégica entre as comunidades de pesquisa do Sudeste Asiático (ASEAN) e do GCC.
• Obras Influentes: O artigo mais citado (114 citações) é de Syed et al. (2020), que introduziu um modelo baseado em IA/NLP para combinar Zakat e Qardh-Al-Hasan para abordar os impactos da COVID-19 nas PMEs. Notavelmente, este trabalho fundamental utilizou NLP clássica, não LLMs.

B. Fluxos Temáticos (RQ2)
A análise de conteúdo agrupou os 45 artigos em quatro fluxos:

1. IA/ML em Operações Bancárias Islâmicas e Gestão de Risco (14 artigos): Foca na previsão de risco de crédito (usando Random Forest, classificadores de conjunto), eficiência bancária (MARS) e governança cibernética. Um achado chave é que modelos genéricos de pontuação de crédito não podem ser aplicados sem críticas aos bancos islâmicos devido a atributos únicos, como proporções de participação nos lucros e perdas.
2. IA, NLP e Análise de Texto em Finanças Sociais Islâmicas (7 artigos): Abrange a triagem de conformidade com a Shariah (ex: triagem de contratos de Murabaha contra o Alcorão/Hadith), identificação de beneficiários de Zakat e formulação de Fatwas. Estes estudos utilizam predominantamente NLP clássica e mineração de texto (ex: Campos Aleatórios Condicionais) em vez de modelos semânticos profundos.
3. ML e Deep Learning em Mercados de Capitais Islâmicos (13 artigos): Aplica-se à precificação de Sukuk, previsão de ações islâmicas e mitigação de riscos. As técnicas incluem híbridos Wavelet-LSTM, Redes Neurais Artificiais (ANN) e métodos baseados em Copula.
4. Governança de IA Ética e Ecossistema de FinTech Islâmica (11 artigos): Explora frameworks de ética de IA baseados em Maqasid al-Shariah e modelos de governança fundamentados em princípios islâmicos (adl, amanah, maslaha).

C. A Lacuna Crítica (RQ3)
A descoberta mais significativa é a ausência total de estudos aplicando Grandes Modelos de Linguagem (LLMs), IA Generativa ou Geração Aumentada de Recuperação (RAG) às Finanças Islâmicas.

• Apesar de a consulta de busca incluir explicitamente "LLM", "IA generativa" e "ChatGPT", zero artigos no corpus final utilizaram essas tecnologias.
• Nenhum estudo tentou usar o corpus AAOIFI (mais de 100 padrões) como uma base de conhecimento para sistemas de conformidade impulsionados por IA.
• A rede de coocorrência de palavras-chave confirmou isso: termos como "LLM", "RAG" e "AAOIFI" não aparecem como nós no mapa temático.

5. Significância e Direções Futuras

O artigo afirma que o nexo LLM-RAG-AAOIFI representa a lacuna de pesquisa mais consequente no campo até 2025. Os autores argumentam que o corpus AAOIFI é um candidato ideal para o processamento impulsionado por IA devido à sua natureza estruturada e rica em texto, mas permanece inteiramente não abordado pela literatura atual.

Pesquisa Futura Proposta (RQ4):
O estudo propõe 15 questões de pesquisa, com três priorizadas como transformadoras:

1. Q13: Podem sistemas de LLM baseados em RAG recuperar e aplicar com precisão os padrões da AAOIFI para triagem de conformidade de transações em tempo real automatizada?
2. Q14: Como o desempenho de um LLM ajustado (fine-tuned) na interpretação dos padrões AAOIFI se compara com as decisões de estudiosos da Shariah humanos em termos de precisão, consistência e solidez jurisprudencial?
3. Q15: Qual framework arquitetural é necessário para construir um assistente de conformidade baseado em LLM e fundamentado na AAOIFI que integre todos os mais de 100 padrões da AAOIFI em uma base de conhecimento unificada e consultável?

Limitações:
Os autores reconhecem duas limitações primárias:

1. Escopo da Base de Dados: A revisão baseou-se exclusivamente na Scopus, podendo perder artigos indexados na Web of Science, EBSCO ou literatura cinzenta.
2. Escopo Temporal: A extração de dados ocorreu no início de 2025; dado o rápido ritmo de crescimento (21 artigos apenas em 2025), a literatura pode ter se expandido ainda mais desde o fechamento do estudo.

Em conclusão, o artigo serve como um mapa fundamental do campo, estabelecendo que, embora a IA/ML esteja sendo aplicada às Finanças Islâmicas para risco e eficiência, o campo ainda não aproveitou o potencial transformador da moderna IA generativa e das arquiteturas RAG para automatizar e aprimorar a conformidade com a Shariah frente ao corpus de padrões AAOIFI.