A primeira corrida bancária causada por IA pode ser perfeitamente racional
Por Gui Rangel, embaixador IA4FIN

Em março de 2016, li no site da Wired a cobertura da segunda partida entre o AlphaGo, da DeepMind, e o sul-coreano Lee Sedol, um dos maiores jogadores de Go da história. O Go tem regras simples e possibilidades quase infinitas: há mais configurações possíveis no tabuleiro do que átomos no universo observável. Durante décadas, foi considerado o último território em que a intuição humana venceria qualquer máquina.
No 37º lance, o AlphaGo colocou uma pedra num ponto que nenhum mestre escolheria. Os comentaristas acharam que era um erro. Pelos cálculos do próprio sistema, a chance de um humano fazer aquela jogada era de uma em dez mil. Lee Sedol, que tinha saído da sala minutos antes, voltou, olhou o tabuleiro e levou 12 minutos para responder. Mais de cem lances depois, ficou claro que o Movimento 37 tinha decidido a partida.
Lembro da sensação. Eu estava testemunhando algo revolucionário. E assustador. A máquina não tinha só calculado mais rápido do que um campeão: tinha encontrado uma ideia que séculos de prática humana não encontraram.
Dez anos depois, é o lado assustador que me ocupa. Mas por um motivo diferente do que eu imaginava.
Um Movimento 37 não assusta; mil, ao mesmo tempo, sim
No Go havia um único AlphaGo. No sistema financeiro que está sendo montado agora, haverá milhares de modelos analisando dados, montando cenários e decidindo com uma profundidade e uma velocidade que nenhuma mesa humana acompanha. Cada um deles vai divergir do nosso repertório, como o AlphaGo divergiu. É para isso que estão sendo contratados.
O problema é o que acontece entre eles. Modelos treinados com dados parecidos, rodando nos mesmos poucos provedores e otimizados para objetivos parecidos tendem a convergir. Às vezes por caminhos diferentes, chegam às mesmas conclusões, conclusões que não cabem na experiência dos operadores e que surpreendem até quem os construiu. A divergência em relação a nós é o ponto de partida da convergência entre eles.
E há uma diferença decisiva entre o tabuleiro e o mercado. No Go, o adversário não muda as regras. No mercado, o adversário é outra IA reagindo à sua jogada, que reage à dela, numa velocidade e numa sincronia que escapam à nossa compreensão.
Na minha coluna anterior, descrevi Marina, uma cliente de 2032 com um agente financeiro que trabalha só para ela, 24 horas por dia, testando se cada instituição ainda merece um lugar na sua vida financeira. Escrevi que esses agentes iam punir a ineficiência em tempo real. Faltou dizer o outro lado: o mesmo agente que tira o dinheiro de Marina de um banco medíocre pode tirá-lo de um banco saudável. Basta que ele, e milhares de outros, leiam o mesmo sinal.
Uma quinta-feira de 2029
O cenário a seguir é ficção. As peças, não.
Às 14h02, um banco médio brasileiro, solvente e lucrativo, publica um comunicado rotineiro sobre a revisão de uma carteira de crédito. Nenhum analista humano veria problema ali. Mas os modelos que leem o comunicado o cruzam com um leve aumento no prazo de liquidação de algumas operações, com a queda de um ponto num indicador de sentimento e com a saída de dois executivos meses antes. Separados, os sinais não dizem nada. Juntos, alteram em poucos décimos a probabilidade estimada de estresse.
Às 14h04, o agente de tesouraria de uma rede varejista, programado para limitar a exposição a contrapartes com risco crescente, move R$ 300 milhões para um banco maior. Dentro do mandato. Às 14h05, agentes de fundos de renda fixa reduzem a posição nos papéis do banco. Dentro do mandato. Às 14h06, milhares de agentes pessoais como o de Marina transferem tudo o que excede a cobertura do Fundo Garantidor de Créditos, R$ 250 mil por CPF. Dentro do mandato, e com uma prudência impecável.
Às 14h09, os agentes de outros bancos detectam a saída de recursos e cortam as linhas interbancárias. Agora a própria saída de recursos é o sinal. Às 14h31, o banco já perdeu mais do que perderia em dias de uma corrida à moda antiga. Em 2023, o Silicon Valley Bank viu US$ 42 bilhões saírem em um único dia, com o pânico correndo por grupos de investidores e redes sociais. Aqui não houve pânico. Houve diligência.
Às 16h, o conselho se reúne para entender o que aconteceu. Ninguém errou. Cada sistema fez exatamente o que deveria fazer. É isso que torna a cena tão difícil de evitar.
Racional para cada um, desastroso para todos
Corrida bancária não precisa de pânico para acontecer. A economia sabe disso há mais de 40 anos: quando cada cliente acredita que os outros vão sacar, sacar primeiro é a decisão mais sensata, mesmo que o banco esteja saudável. E é a soma dessas decisões sensatas que quebra o banco. Douglas Diamond e Philip Dybvig descreveram esse mecanismo em 1983, trabalho que lhes rendeu o Nobel de Economia de 2022. Ninguém precisa agir de forma irracional. Basta que todos esperem a mesma coisa ao mesmo tempo.
A IA não inventa esse risco. Ela remove o atrito que sempre nos protegeu: o tempo que um gerente levava para ligar, a hesitação do cliente, a reunião que atrasava a decisão. E sincroniza as expectativas numa escala que nenhum grupo de WhatsApp alcança.
Pior: a convergência não exige combinação. Pesquisadores de Wharton e da Universidade de Ciência e Tecnologia de Hong Kong colocaram algoritmos de trading autônomos em mercados simulados, sem nenhum canal de comunicação entre eles. Os algoritmos aprenderam sozinhos a se comportar de forma coordenada. Nenhuma lei antitruste alcança isso, porque não houve acordo. Também não haverá acordo numa corrida bancária movida a agentes. Haverá apenas milhares de decisões corretas apontando para a mesma porta.
Em 2023, Gary Gensler, então presidente da SEC, previu que os relatórios da próxima crise concluiriam que todos dependiam do mesmo modelo ou do mesmo agregador de dados. Na época, soou exagerado. Hoje soa como cronograma.
Os sinais já chegaram
O mais revelador não é o alarme de especialistas. É a mudança no vocabulário dos reguladores.
Em junho, o Financial Stability Board, órgão que monitora a estabilidade financeira para o G20, alertou que agentes de IA podem tomar ações que fogem das intenções da instituição sem que a equipe perceba ou consiga intervir a tempo. No mesmo contexto, uma pesquisa com instituições financeiras indicou que 52% já usam agentes de forma ativa.
Três semanas depois, no fórum anual do Banco Central Europeu em Sintra, Sarah Breeden, vice-presidente do Banco da Inglaterra, disse que agentes autônomos podem amplificar a volatilidade em momentos de estresse e que a regulação atual não foi desenhada para eles. E propôs algo que, até pouco tempo, soaria como ficção científica: mecanismos de desligamento capazes de interromper as negociações no mercado inteiro. Em julho, o FMI alertou para o risco de um efeito manada de IA quando muitos modelos ajustam posições ao mesmo tempo com base nos mesmos sinais.
Quando um banco central começa a discutir onde fica o botão de desligar, o debate já não é se o risco existe. É quanto tempo resta para preparar a resposta.
Vale a honestidade: o próprio FSB reconheceu, em 2025, que ainda há pouca evidência empírica de que correlações geradas por IA estejam afetando os resultados de mercado. Isso não é motivo para tranquilidade. É a definição de sinal fraco: aquilo que ainda não aparece nos dados e que, quando aparecer, vai aparecer de uma vez.
No Brasil, o Banco Central ainda estuda o tema e sinalizou que não pretende editar regras formais para IA no sistema financeiro antes do fim de 2026.
Enquanto isso, as instituições contratam modelos dos mesmos fornecedores, e a infraestrutura para que agentes passem da recomendação à execução já está pronta, como mostrei na coluna anterior.
O que dá para fazer antes do primeiro Movimento 37
Ninguém vai abrir mão dessas tecnologias, e nem deveria. O que está em jogo é construir os freios enquanto a velocidade ainda é administrável. Algumas decisões podem ser tomadas já.
Tratar diversidade de modelos como métrica de risco, ao lado de eficiência e custo. Uma instituição que usa o mesmo modelo, do mesmo fornecedor, que todos os concorrentes comprou também as mesmas conclusões que eles, inclusive as erradas.
Fazer stress tests em que os seus modelos não reagem sozinhos, mas junto com os do resto do mercado. O cenário que importa não é o que o seu sistema faz diante de uma crise. É o que todos os sistemas fazem ao mesmo tempo, e o que isso provoca no seu balanço.
Definir, antes da crise, o que um agente não pode fazer sob estresse: limites de valor, de velocidade e de concentração que exigem aprovação humana, desenhados com calma e não improvisados no meio da tempestade. O FSB já recomenda esse tipo de fronteira.
Mapear dependências compartilhadas de modelo, nuvem e dados como hoje se mapeia exposição a contrapartes. Saber quem são os seus clientes já não basta. É preciso saber em que modelos eles confiam.
E preparar pessoas para ler jogadas de máquina, não para competir com elas. O operador de 2030 não vai vencer o modelo na velocidade. Precisa ser capaz de reconhecer, em segundos, quando todos os modelos estão olhando para o mesmo lado.
Doze minutos
Lee Sedol teve 12 minutos para entender o Movimento 37. Doze minutos para olhar o tabuleiro, duvidar dos próprios olhos e decidir o que fazer com uma ideia que nenhum humano tinha tido antes. Mesmo assim, perdeu a partida.
Quando o primeiro Movimento 37 acontecer num balanço, ele não virá de uma máquina sozinha, e não terá cara de erro. Terá cara de prudência, repetida milhares de vezes no mesmo instante. Nesse dia, ninguém vai ter 12 minutos. A única coisa que vai contar é o que cada instituição decidiu enquanto ainda tinha tempo.



Comentários