A Inteligência Artificial (IA) já deixou de ser uma promessa distante para o mercado financeiro brasileiro. Está nos investimentos, nas prioridades das empresas, nas conversas dos executivos e, cada vez mais, em projetos que começam a fazer parte da rotina das organizações. Mas entre experimentar IA e transformá-la em uma capacidade efetiva de negócio ainda existe uma distância considerável.
Esse foi um dos principais indicativos pesquisados pela MATH Group durante o Febraban Tech 2026, realizado entre os dias 24 e 26 de agosto, em São Paulo. Ao longo dos três dias do evento, a empresa reuniu informações de 151 respondentes, por meio de uma experiência conversacional assistida por IA, criada para identificar como as organizações estão estruturadas para utilizar a tecnologia.
O resultado chama atenção principalmente pela concentração. Em uma escala de maturidade de 1 a 5, a média registrada foi de 2,29. Entre os participantes com nota geral atribuída, sendo que 66% ficaram no nível 2, classificado como emergente. Apenas três chegaram ao nível 4 e nenhum apontamento foi feito no nível máximo de maturidade.
Mais do que mostrar empresas iniciando sua jornada com IA, os dados sugerem algo diferente: boa parte delas já começou, mas ainda encontra dificuldades para transformar experiências pontuais em uma capacidade que possa ser repetida e ampliada dentro da organização.
“A discussão mudou. Já não estamos falando de empresas tentando entender se devem ou não usar Inteligência Artificial. Elas querem usar, muitas já usam e os investimentos estão acontecendo. A questão agora é outra: como fazer com que aquilo que funcionou em um projeto deixe de ser uma experiência isolada e passe a funcionar de maneira estruturada dentro da organização”, afirma Marcel Ghiraldini, fundador e CSO da MATH Group.
Tecnologia não aparece como o maior problema
O diagnóstico avaliou também seis dimensões relacionadas à maturidade em IA: “Estratégia e Valor”, “Tecnologia e Plataforma”, “Governança e Risco”, “Dados, Pessoas e Cultura” e “Patrocínio e Operating Model”. E é justamente aí que surge uma das descobertas mais interessantes do levantamento.
MATH Group/ Divulgação
Embora seja natural imaginar que as maiores dificuldades estejam relacionadas à tecnologia, “Tecnologia e Plataforma” não aparece como o pilar mais crítico. O pior resultado foi registrado em “Patrocínio & Modelo de Operação”, com média de 1,96. Esse pilar apareceu entre os pontos mais frágeis de 108 dos 151 participantes.
Na prática, o dado aponta para uma questão menos tecnológica e muito mais organizacional. As empresas conseguem ter acesso a plataformas, modelos e ferramentas de Inteligência Artificial. A dificuldade passa a ser estabelecer quem toma decisões, como projetos são priorizados, quem assume responsabilidade pelos resultados e como uma iniciativa bem-sucedida deixa de depender de poucas pessoas para ganhar escala.
“Existe uma diferença enorme entre ter acesso à IA e ter capacidade organizacional para operar IA. Conforme a tecnologia se torna mais acessível, essa diferença começa a aparecer com mais clareza. Não basta colocar uma ferramenta dentro da empresa. É preciso criar as condições para que ela gere valor de maneira recorrente”, explica Ghiraldini.
O mercado sabe onde estão seus problemas
O diagnóstico foi construído a partir de perguntas abertas. Em vez de escolher alternativas previamente apresentadas, os participantes conversavam com a “Mathilda”, agente de IA da MATH, sobre onde a Inteligência Artificial já gerava valor em suas empresas e quais eram os obstáculos para avançar. Ao final, o sistema avaliava o nível geral de maturidade e os seis pilares analisados.
Isso permitiu observar não apenas as notas, mas quais assuntos apareciam espontaneamente nas conversas. Foram analisados 887 depoimentos e um tema apareceu com bastante vantagem sobre os demais: dados. Questões relacionadas a coleta, qualidade e integração foram mencionadas espontaneamente por 41,7% dos participantes.
Para a MATH Group, existe uma informação importante por trás desse número: as organizações aparentemente já reconhecem parte dos problemas que dificultam o avanço da IA. O desafio está em conseguir resolvê-los. E é justamente nesse ponto que começam a surgir alguns dos cruzamentos mais interessantes do estudo.
A análise encontrou empresas com estratégia relativamente avançada, mas sem uma estrutura equivalente de patrocínio e decisão. Identificou também organizações em que a ambição para IA avança mais rapidamente do que sua base de dados e casos nos quais a tecnologia já atingiu um estágio superior ao da governança.
Segundo a empresa, a análise completa permite observar diferentes tipos de desalinhamento entre estratégia, tecnologia, dados, governança, pessoas e estrutura de decisão, oferecendo pistas sobre porque algumas organizações conseguem transformar pilotos de IA em operações recorrentes enquanto outras permanecem acumulando iniciativas isoladas.
O dinheiro chegou antes da estrutura
Os resultados ganham ainda mais relevância quando colocados ao lado do volume de recursos destinado à tecnologia pelo sistema financeiro. Dados da Pesquisa Febraban de Tecnologia Bancária 2026, citados no estudo da MATH, apontam orçamento tecnológico projetado de R$ 50,4 bilhões para 2026, dos quais aproximadamente R$ 3 bilhões são destinados a IA, Analytics e Big Data. IA e IA generativa aparecem entre as prioridades tecnológicas de 84% das instituições pesquisadas pela Febraban.
Surge, portanto, um aparente paradoxo: o investimento cresce rapidamente, enquanto a capacidade de transformar IA em uma competência disseminada pela organização avança em outra velocidade. Para a MATH Group, essa diferença ajuda a explicar por que a próxima fase da inteligência artificial nas empresas provavelmente será menos marcada pela corrida para adotar novas ferramentas e mais pela necessidade de reorganizar processos, dados, governança, responsabilidades e formas de medir resultados.
“O mercado financeiro brasileiro já passou da fase da curiosidade. Agora começa uma etapa mais difícil, porque não se resolve apenas comprando tecnologia. A pergunta deixa de ser ‘qual IA devemos usar?’ e passa a ser ‘o que precisamos mudar dentro da organização para conseguir operar IA de forma consistente?’. Os dados que encontramos no Febraban Tech mostram que essa segunda pergunta ainda está longe de estar resolvida”, analisa Ghiraldini.
Ele destaca que o aspecto mais revelador da experiência realizada no Febraban Tech seja justamente o fato de os participantes não estarem concentrados no estágio inicial da adoção.
“Quase ninguém está completamente parado. Ao mesmo tempo, poucos chegaram aos níveis mais elevados. É nesse intervalo que deve acontecer uma das principais disputas do mercado de IA nos próximos anos. A tecnologia já existe. O investimento também. A disposição das empresas em utilizá-la ficou evidente durante o evento. O próximo desafio será descobrir quais organizações conseguirão transformar essa combinação em capacidade real de execução e quais continuarão colecionando bons projetos que nunca chegaram a ganhar escala”, reforça o CSO da MATH Group. “E os dados que coletamos indicam que essa diferença pode depender muito menos do próximo modelo de Inteligência Artificial do que daquilo que as empresas decidirem fazer dentro de casa”, conclui.
*Coleta: 24 a 26 de agosto de 2026, estande da MATH Group, na Febraban Tech 2026, São Paulo. Instrumento: diagnóstico conversacional assistido por IA, com pontuação em seis pilares referenciada nos modelos Gartner AI Maturity e MIT CISR Enterprise AI Maturity.