Measuring agentic artificial intelligence intensity in banking: a validated disclosure-based index and identification strategy for estimating effects on bank performance and systemic risk

No mundo do setor bancário, a inteligência artificial tem sido, há muito tempo, um assistente prestativo. Durante anos, esses sistemas atuaram como escribas digitais, redigindo relatórios, resumindo dados ou sugerindo o próximo passo ideal para um gestor humano considerar. O humano permanece firmemente no comando, detendo as chaves de cada decisão final. No entanto, uma mudança significativa está em curso. Os bancos estão começando a implementar um novo tipo de inteligência, uma que não apenas sugere, mas age. Estes são sistemas agênticos, capazes de planejar fluxos de trabalho financeiros complexos e executar transações com autoridade delegada. Uma vez que tal sistema recebe o sinal verde para agir, ele pode movimentar dinheiro, aprovar empréstimos ou liquidar dívidas sem esperar que um humano assine cada movimento individualmente. Essa transição do aconselhamento para a ação altera a natureza fundamental do risco e da eficiência nas finanças, contudo, para pesquisadores e reguladores, um problema crítico permaneceu sem solução: como medir isso?

Até agora, não havia uma maneira confiável de distinguir um banco que está meramente falando sobre inteligência artificial de um que realmente entregou as rédeas de suas operações a máquinas autônomas. Os métodos existentes costumam tratar todas as menções à tecnologia da mesma forma, falhando em perceber a diferença entre um chatbot que responde a perguntas de clientes e um agente de software que libera um pagamento de forma independente. Sem uma ferramenta de medição clara, é impossível saber se esses novos sistemas estão tornando os bancos mais eficientes, mais arriscados ou ambos. Uma equipe de pesquisadores da Universidade Dayananda Sagar, na Índia, abordou essa lacuna ao criar uma nova ferramenta, rigorosamente testada, chamada Índice de Intensidade de IA Agêntica. Em vez de simplesmente contar a frequência com que um banco menciona tecnologia, este índice mede a extensão específica da qual um banco delegou o poder de tomar e executar decisões financeiras consequentes a sistemas autônomos.

Os pesquisadores não apenas inventaram uma nova pontuação; eles construíram um protocolo científico completo para garantir que a pontuação seja real e confiável. Eles começaram reunindo milhares de páginas de documentos públicos de bancos, incluindo relatórios anuais, registros regulatórios e transcrições de chamadas de resultados onde executivos falam com investidores. A partir desses textos, desenvolveram um método para identificar sentenças que descrevem a delegação real de autoridade. Eles distinguiram entre a linguagem que descreve um sistema aguardando aprovação humana e a linguagem que descreve um sistema agindo por conta própria dentro de um mandato estabelecido. Para garantir que essa distinção fosse precisa, eles reuniram um paino de especialistas, incluindo pesquisadores acadêmicos, diretores de tecnologia bancária e supervisores de bancos centrais. Esses especialistas refinaram uma lista de palavras-chave e frases ao longo de duas rodadas de discussão, concordando sobre quais termos realmente sinalizavam ação autônoma e quais eram meramente propaganda vazia.

Uma vez finalizada a lista de palavras-chave, a equipe testou seu método para garantir que funcionasse de forma consistente. Eles fizeram com que múltiplos codificadores treinados lessem o mesmo conjunto de sentenças para verificar se concordavam se um sistema era verdadeiramente autônomo. Eles também utilizaram modelos computacionais avançados para ajudar a filtrar a enorme quantidade de texto, mas com uma salvaguarda crucial: toda vez que o computador identificava uma ação autônoma de alto nível, um especialista humano revisava para confirmar a classificação. Essa abordagem de "humano no circuito" impediu que o sistema fosse enganado por linguagem vaga ou enganosa. Os pesquisadores então verificaram se o novo índice realmente media o que pretendia medir, comparando-o com evidências independentes, como anúncios de vagas de emprego para tipos específicos de engenheiros, registros de patentes para sistemas autônomos e casos conhecidos onde bancos haviam implementado essas tecnologias. Os resultados mostraram que o índice separou com sucesso os bancos com capacidades autônomas reais daqueles que estavam apenas discutindo transformação digital geral.

O cerne deste trabalho é o próprio índice, que atribui uma pontuação a cada banco com base na intensidade da adoção de IA agêntica. A pontuação não é apenas uma contagem bruta de palavras; ela é ponderada pelo nível de autoridade que o banco concedeu às suas máquinas. Um sistema que executa um pagamento dentro de um limite pré-estabelecido recebe uma pontuação mais alta do que um que apenas redige uma recomendação para revisão humana. Os pesquisadores também normalizaram os dados para levar em conta o fato de que alguns bancos escrevem muito mais sobre tecnologia do que outros, garantindo que uma pontuação alta reflita uma delegação genuína de poder e não apenas muita conversa. Isso permite uma comparação justa entre um grande banco global e uma instituição regional menor. O índice foi projetado para ser usado em estudos futuros para responder a questões urgentes: Entregar o poder de tomada de decisão às máquinas torna os bancos mais eficientes ou introduz riscos novos e imprevisíveis? Ajuda os bancos a detectar fraudes mais rapidamente ou cria novas vulnerabilidades?

O artigo não fornece as respostas finais para essas questões de desempenho, pois é um estudo metodológico focado na construção do instrumento de medição, em vez de usá-lo para medir um resultado específico. Em vez disso, ele estabelece uma estratégia clara e repetível para que outros pesquisadores e reguladores possam utilizar. Ele especifica exatamente como construir o índice, como validá-lo e como utilizá-lo em modelos estatísticos para isolar os efeitos da IA autônoma de outros fatores, como o tamanho do banco ou condições econômicas. Os pesquisadores reconhecem que a transição para a IA agêntica é complexa e que os benefícios e riscos provavelmente dependerão fortemente de quão bem um banco governa esses sistemas. Eles propõem que o impacto dessas tecnologias variará com base na qualidade da supervisão interna do banco, na maturidade de sua tecnologia e no rigor das regulamentações sob as quais opera.

Ao fornecer uma ferramenta validada, este trabalho remove uma barreira importante para a compreensão do futuro do setor bancário. Ele permite que a comunidade financeira vá além de alegações vagas sobre "transformação digital" e comece a medir a mudança específica e tangível em direção à autonomia das máquinas. Os pesquisadores demonstraram que é possível separar o sinal da verdadeira ação agêntica do ruído da discussão tecnológica geral. Essa clareza é essencial para supervisores que precisam entender os riscos de pagamentos automatizados irreversíveis e para investidores que tentam avaliar as capacidades reais das instituições que financiam. O estudo conclui que, embora a tecnologia esteja avançando rapidamente, a capacidade de medir sua adoção com precisão está agora ao alcance, desde que pesquisadores e reguladores sigam as etapas de validação rigorosas descritas no novo protocolo. Esta base prepara o terreno para uma nova era de análise baseada em evidências no setor bancário, onde os efeitos dos sistemas autônomos podem ser estudados com o mesmo rigor de qualquer outra inovação financeira.