Transformar um piloto de IA em uma aplicação utilizada no dia a dia envolve mudanças na organização do trabalho. As decisões incluem a integração aos processos, a distribuição de responsabilidades e os critérios para avaliar resultados.
O Diagnóstico de maturidade em IA com foco no setor financeiro, produzido pela MATH a partir de conversas ocorridas durante o FEBRABAN TECH 2026, ajuda a compreender essa transição. Os resultados descrevem uma amostra de conveniência, formada por visitantes do nosso estande ao longo do evento, e devem ser lidos como sinais sobre a preparação organizacional dos participantes.
A Pesquisa Febraban de Tecnologia Bancária 2026 apresenta investimentos e aplicações de tecnologia no setor. O diagnóstico da MATH complementa esse contexto ao observar as capacidades que sustentam a adoção nas organizações participantes.
Resposta rápida
Maturidade em IA é a capacidade de uma organização incorporar a inteligência artificial aos processos, operar aplicações com responsabilidades definidas e reproduzir resultados em diferentes áreas. Essa capacidade depende do desenvolvimento coordenado de estratégia, patrocínio, pessoas, dados, tecnologia e governança.
Os níveis de maturidade em IA mostram a passagem até a escala
O diagnóstico utiliza cinco níveis para situar o estágio de adoção da inteligência artificial nas empresas:
- Inicial: existe consciência sobre a tecnologia, ainda sem uma atuação estruturada.
- Emergente: a empresa já realiza experimentos e pilotos isolados.
- Estruturado: aplicações de IA estão em produção com processos definidos.
- Escalado: o uso é repetível e já está integrado a múltiplas áreas.
- Transformador: a IA integra o modelo de negócio e é capaz de gerar retorno.
O estudo apontou uma concentração dos diagnósticos no estágio emergente, o que indica que a experimentação já faz parte da realidade dos participantes. Para avançar, as empresas agora precisam criar condições para manter as aplicações e ampliar seu uso. A análise dos seis pilares ajuda a avaliar a situação atual desses fatores.
A maturidade em IA depende de capacidades interligadas
A pesquisa avaliou seis pilares principais: Estratégia & Valor, Patrocínio & Operating Model, Pessoas & Cultura, Dados, Tecnologia & Plataforma e Governança & Risco.
Os resultados mostram limitações distribuídas entre essas dimensões. Na prática, o avanço de uma frente depende das condições oferecidas pelas demais.
Essa relação ajuda a explicar por que algumas provas de conceito, apesar de apresentarem bons resultados, ainda encontram dificuldades para entrar na rotina. Ao sair do ambiente controlado do teste, a aplicação enfrenta diversas variáveis, como sistemas legados, variações de dados, regras de acesso, responsabilidades compartilhadas e situações que não estavam previstas no desenho inicial.
A pesquisa global The State of AI in 2026, da McKinsey, também relaciona os resultados gerados pela IA ao redesenho de fluxos de trabalho, à expansão do uso e à capacidade de execução. Isso reforça a importância de avaliar como a aplicação será incorporada aos processos e quais mudanças serão necessárias para sustentar seu funcionamento.
Os desalinhamentos mostram onde a preparação deve começar
Além das médias gerais, as diferenças entre os pilares de cada diagnóstico mostram quais capacidades avançam em ritmos distintos e onde concentrar a preparação.
Por exemplo, quando a estratégia está à frente do patrocínio, a empresa precisa verificar se as prioridades definidas se traduzem em compromissos de execução. Isso envolve definições como responsáveis, orçamento, composição das equipes e critérios para continuidade dos investimentos.
Já quando o descompasso envolve dados, a definição do caso de uso precisa considerar a disponibilidade, a qualidade e as condições de acesso às informações. Um escopo elaborado sem essa análise pode criar prazos incompatíveis com o trabalho necessário para preparar as bases.
A diferença entre tecnologia e governança direciona a atenção para controles, documentação e responsabilidades. Aplicações em processos com impacto financeiro, regulatório ou reputacional precisam de mecanismos de supervisão compatíveis com as consequências de suas ações.
Modelo operacional, pessoas e dados sustentam a continuidade
Patrocínio & Operating Model aparece como a dimensão menos desenvolvida no diagnóstico. O resultado traz como ponto de atenção a organização do trabalho: quem conduz as iniciativas, como os casos são priorizados e quais critérios orientam a passagem de um piloto para a operação.
Uma iniciativa pode começar em inovação, tecnologia, dados ou em uma área de negócio. A continuidade depende da definição de quem responde pela aplicação, acompanha seu desempenho, administra os custos e decide sobre ajustes ou expansão.
Sem essa estrutura, cada projeto tende a depender de decisões específicas. O conhecimento fica concentrado em poucas pessoas, a manutenção perde previsibilidade e a relação com o resultado de negócio se torna menos clara.
A definição de responsabilidades também precisa ser acompanhada pela preparação das equipes. Incorporar IA à rotina envolve saber utilizar a tecnologia, interpretar seus resultados e atuar diante de situações que pedem avaliação humana. Por isso, a capacitação deve acompanhar o processo real em que a aplicação será utilizada.
A execução também depende das informações disponíveis. Nas conversas do diagnóstico, coleta manual, dificuldade de integração e esforço para preparar bases aparecem entre os desafios cotidianos.
Infraestrutura e dados cumprem funções complementares. Os investimentos em nuvem ampliam a capacidade computacional, enquanto contratos de dados, catálogos, processos de qualidade e acessos governados permitem utilizar essa capacidade de forma consistente.
Governança precisa acompanhar o ciclo de vida da IA
Compliance, regulação e políticas de uso aparecem nas falas dos participantes. A análise da maturidade considera como essas preocupações se traduzem em práticas ao longo do ciclo de vida das aplicações.
Governança de IA envolve critérios de acesso, documentação, responsáveis por aprovação, testes, monitoramento, revisão humana e procedimentos para interromper ou corrigir uma execução. Esses mecanismos precisam acompanhar a aplicação desde a escolha do caso de uso até sua operação.
No setor financeiro, essa preparação também envolve as regras aplicáveis aos processos e aos dados utilizados. O Mapa de Temas Prioritários da ANPD para 2026 e 2027 inclui inteligência artificial e tecnologias emergentes, além de priorizar o tratamento de dados biométricos, financeiros e de saúde.
O PL 2338/2023, em tramitação na Câmara dos Deputados, contempla temas como documentação, avaliação de impacto e supervisão humana. Enquanto o marco específico segue em análise, a LGPD já se aplica aos sistemas que tratam dados pessoais.
O tempo necessário para implementar esses controles precisa fazer parte do planejamento dos projetos.
Agentes de IA aproximam autonomia e responsabilidade
Agentes e automação apareceram com frequência nas conversas realizadas durante o diagnóstico. O conceito do FEBRABAN TECH 2026, “Agentes inteligentes, liderança humana”, pode ter influenciado essa presença. As menções indicam interesse pelo tema, sem permitir concluir que as soluções já estejam implementadas nas empresas participantes.
Os agentes podem acessar informações, interagir com ferramentas e executar tarefas. Seu desenho precisa estabelecer quais ações podem ocorrer de forma autônoma, quais dependem de aprovação e em que situações a execução deve ser interrompida.
A Gartner relaciona o cancelamento de projetos de IA agêntica a fatores como custos, indefinição de valor e controles de risco inadequados. Em outra análise, a consultoria destaca que a governança dos agentes precisa considerar o contexto, o nível de autonomia e o impacto das ações realizadas.
Essas definições dão conta de dimensionar a supervisão de acordo com o processo em que o agente atua. O artigo Agentes de IA no desenvolvimento: contexto, método e governança aprofunda o tema no contexto dos fluxos de desenvolvimento de software.
O diagnóstico transforma maturidade em prioridade de atuação
O diagnóstico ajuda a identificar as dependências que precisam ser resolvidas para um caso de uso avançar. Com essa leitura, as empresas podem selecionar um processo, definir o resultado esperado e estabelecer uma referência para medir os efeitos da aplicação.
O aprendizado da implementação orienta os ajustes e a expansão para outros usos. Documentar o que funcionou, revisar as práticas e incorporar esse conhecimento às próximas iniciativas cria condições para reproduzir resultados.
Acesse o Diagnóstico de maturidade em IA com foco no setor financeiro para conhecer a análise completa e identificar prioridades para o próximo estágio de adoção na sua organização.
Perguntas frequentes
1) O que é maturidade em IA?
Maturidade em IA é a capacidade de uma organização incorporar inteligência artificial aos processos, operar aplicações com responsabilidades definidas e reproduzir resultados em diferentes áreas. Essa capacidade depende de estratégia, patrocínio, pessoas, dados, tecnologia e governança.
2) Quais são os níveis de maturidade em IA?
O diagnóstico utiliza cinco níveis: inicial, emergente, estruturado, escalado e transformador. A escala acompanha a evolução desde a consciência inicial sobre a tecnologia até sua integração ao modelo de negócio com geração de valor mensurável.
3) Qual é a diferença entre experimentar e operar IA?
A experimentação valida uma hipótese em um contexto delimitado. A operação acrescenta processos definidos, integração, responsáveis, controles, monitoramento e condições para manter a aplicação ao longo do tempo.
4) Por que os dados influenciam a maturidade em IA?
Os dados fornecem o contexto utilizado pelas aplicações. Qualidade, disponibilidade, origem, atualização e regras de acesso influenciam a confiabilidade dos resultados e a capacidade de acompanhar a operação.
5) Como os agentes de IA afetam a maturidade organizacional?
Os agentes podem acessar informações, interagir com ferramentas e executar tarefas. Essas capacidades ampliam a importância de definir limites de autonomia, responsabilidades, critérios de intervenção, monitoramento e controles de risco.
