A inteligência artificial está a passar de projetos-piloto para sistemas empresariais centrais dentro de grandes empresas. Um exemplo vem do JPMorgan Chase, onde o aumento do investimento em IA está a ajudar a impulsionar o orçamento tecnológico do banco para cerca de 19,8 mil milhões de dólares em 2026.
O plano de despesas reflecte uma mudança mais ampla entre as grandes empresas. A IA não é mais tratada como um pequeno projeto de pesquisa. Em vez disso, as empresas estão incorporando-o em áreas como análise de risco, detecção de fraudes e atendimento ao cliente.
Para os líderes empresariais que observam como a adoção da IA está a mudar as estratégias tecnológicas empresariais, os números do JPMorgan destacam uma tendência maior: a IA está a tornar-se parte dos sistemas quotidianos que gerem grandes organizações.
Orçamento de tecnologia do JPMorgan e aumento do investimento em IA
Os gastos com tecnologia têm aumentado no setor bancário há anos. O orçamento do JPMorgan se destaca pela sua escala.
Relatórios do Business Insider, citando briefings da empresa e discussões com investidores, dizem que o banco espera que os gastos com tecnologia atinjam cerca de 19,8 mil milhões de dólares em 2026, dando continuidade a um aumento constante no investimento em tecnologia. Os gastos abrangem áreas como infraestrutura em nuvem, segurança cibernética, sistemas de dados e ferramentas de IA.
Parte do orçamento aumentado inclui cerca de 1,2 mil milhões de dólares em investimento adicional em tecnologia, alguns dos quais apoiarão trabalhos relacionados com a IA.
Os grandes bancos tratam frequentemente os gastos com tecnologia como um investimento a longo prazo e não como um custo a curto prazo. Muitos destes sistemas levam anos a construir, especialmente quando dependem de grandes plataformas de dados e de infraestruturas informáticas seguras.
Como os sistemas de IA exigem pipelines de dados confiáveis e poder computacional, muitas empresas estão descobrindo que a adoção da IA geralmente leva a atualizações mais amplas em sua pilha de tecnologia.
O aprendizado de máquina já influencia os resultados
Os executivos dizem que a IA já está afetando o desempenho dos negócios dentro do banco. Durante as discussões com investidores, o diretor financeiro do JPMorgan, Jeremy Barnum, disse que a análise de aprendizado de máquina está contribuindo para receitas e melhorias operacionais em todas as partes da empresa.
A reportagem da Reuters sobre os briefings financeiros do JPMorgan observou que o banco está usando modelos de dados e sistemas de aprendizado de máquina para melhorar a análise e a tomada de decisões em diversas áreas do negócio.
Esses modelos podem processar grandes volumes de dados financeiros e identificar padrões que são difíceis de detectar pelos humanos. Em sectores como o bancário, onde as empresas gerem enormes fluxos de dados todos os dias, estas melhorias podem afectar os resultados nas operações comerciais, de crédito e de clientes.
Mesmo pequenas melhorias nos modelos de previsão podem influenciar o desempenho financeiro quando aplicadas a milhões de transações ou sinais de mercado.
Onde a IA aparece dentro do banco
As ferramentas de aprendizado de máquina agora oferecem suporte a uma ampla gama de atividades no JPMorgan.
Nos mercados financeiros, os modelos analisam dados comerciais e ajudam a identificar padrões nos movimentos de preços. Esses insights podem ajudar os traders a avaliar riscos ou identificar oportunidades em mercados em rápida evolução.
Os empréstimos são outra área em que os sistemas de IA desempenham um papel. Os modelos de aprendizado de máquina podem revisar o histórico financeiro, tendências de mercado e informações do cliente para ajudar a avaliar o risco de crédito. Esses sistemas auxiliam os analistas destacando padrões nos dados.
A detecção de fraudes continua sendo um dos usos mais comuns da IA no setor bancário. As redes de pagamento processam enormes volumes de transações todos os dias, dificultando o monitoramento manual da atividade. Os sistemas de aprendizado de máquina podem verificar transações quase em tempo real e sinalizar comportamentos incomuns que podem indicar fraude.
Algumas operações internas também dependem de IA. As ferramentas podem revisar contratos, resumir relatórios de pesquisa ou ajudar os funcionários a pesquisar grandes sistemas de dados internos. Os sistemas generativos de IA estão começando a ajudar em tarefas como a elaboração de relatórios ou a preparação de documentação interna.
Esses sistemas raramente aparecem diretamente aos clientes, mas apoiam muitas decisões que acontecem nos bastidores.
Por que os bancos adotaram a IA precocemente
As instituições financeiras possuem diversas características que as tornam adequadas para o aprendizado de máquina.
Primeiro, os bancos geram grandes conjuntos de dados estruturados. Históricos de transações, registros de mercado e dados de pagamento fornecem informações valiosas que os modelos de aprendizado de máquina podem analisar.
Em segundo lugar, muitas atividades bancárias dependem de previsões. Pontuação de crédito, detecção de fraudes e análise de mercado exigem estimativas de resultados com base em dados anteriores.
O aprendizado de máquina funciona bem em ambientes onde a previsão desempenha um papel central.
Terceiro, melhorias na precisão do modelo podem produzir resultados financeiros mensuráveis. Um modelo que melhore ligeiramente a detecção de fraudes ou as decisões de empréstimo pode afectar grandes volumes de transacções.
Estes fatores explicam por que os bancos investiram pesadamente em ciência e análise de dados muito antes do recente aumento de interesse na IA generativa.
O investimento em IA do JPMorgan sinaliza uma mudança empresarial mais ampla
Os planos de gastos do JPMorgan também refletem como o investimento em IA está se tornando parte de orçamentos mais amplos de tecnologia empresarial.
Em muitas organizações, os sistemas de IA dependem de plataformas de dados modernas, ambientes de nuvem seguros e grandes recursos computacionais. À medida que as empresas constroem estas bases, a IA torna-se mais fácil de implementar em todos os departamentos.
Para muitas empresas, a adoção da IA começa com tarefas específicas, como detecção de fraudes, análise de documentos ou automação do suporte ao cliente. Quando os sistemas se mostram úteis, as empresas os expandem para outras áreas da organização.
Este processo pode levar vários anos, o que é um dos motivos pelos quais os gastos empresariais com IA aparecem frequentemente juntamente com investimentos mais amplos em infraestrutura de dados.
Lições para líderes empresariais
O exemplo do JPMorgan sugere que os projetos de IA mais bem-sucedidos muitas vezes começam com problemas de negócios claros, em vez de experimentação ampla.
Os bancos aplicam frequentemente a aprendizagem automática em áreas onde a previsão e a análise de dados já desempenham um papel central. A detecção de fraudes e a modelagem de crédito são pontos de partida comuns porque os benefícios são mais fáceis de medir.
Outra lição é que a adoção da IA exige investimento sustentado. A construção de modelos confiáveis depende de uma forte governança de dados, recursos computacionais e equipes qualificadas.
Para as grandes organizações, este esforço está a tornar-se parte do planeamento tecnológico normal, em vez de ser um projecto de inovação separado.
À medida que as empresas continuam a expandir as suas capacidades de IA, orçamentos tecnológicos como o do JPMorgan podem oferecer uma antevisão de como os gastos empresariais poderão evoluir nos próximos anos.
Veja também: JPMorgan Chase trata os gastos com IA como infraestrutura central
Quer saber mais sobre IA e big data dos líderes do setor? Confira a AI & Big Data Expo que acontece em Amsterdã, Califórnia e Londres. O evento abrangente faz parte da TechEx e é realizado junto com outros eventos líderes de tecnologia. Clique aqui para obter mais informações.
AI News é desenvolvido pela TechForge Media. Explore outros eventos e webinars de tecnologia empresarial futuros aqui.
Fontesartificialintelligence
