A cobrança com inteligência artificial aplicada à inadimplência inicial é um dos business cases mais simples de montar em bancos. No exemplo do Turing Bank para crédito de veículos, a meta é subir a resposta de 7% para 14% e a cobrabilidade de 4% para 7%, recuperando USD 3.600.000 extras sobre o benchmark.
Sabemos que a inteligência artificial oferece grandes oportunidades e benefícios para todas as indústrias, e em particular para o setor financeiro. A quantidade e a velocidade da informação chega a ser avassaladora, como dizem as grandes consultorias, em todos os eventos e nas redes sociais. No entanto, o que costuma custar é identificar como começar , de forma prática e realista, o processo de montar um business case e testar uma hipótese de como essa tecnologia pode melhorar um processo existente que tem determinados resultados atuais e faz parte do negócio. Já analisamos por que tantos chatbots inteligentes ainda frustram os clientes ; o próximo passo é escolher um caso com impacto mensurável. Neste blog post vamos comentar um caso recorrente na indústria bancária que achamos bastante simples de elaborar e pelo qual muitos dos nossos clientes decidem começar: a gestão de carteiras de inadimplência inicial com IA generativa . Limitações atuais vs. a nova tecnologia Para elaborar nossa hipótese, podemos analisar primeiro o valor que a IA generativa pode agregar e, depois, usar isso como base para o business case. Na gestão de carteira de inadimplentes, podemos destacar o que um agente de cobrança com IA agrega: Capacidade de negociação: Manter uma conversa natural de ida e volta com o cliente onde, por meio de informações pré-aprovadas pelo banco, o agente conversacional "trabalha" dentro de um limite de negociação. Tratamento de consultas fora do caminho feliz: Responder a perguntas que surgem fora do fluxo de negociação ideal quando o cliente tem dúvidas ou preocupações sobre segurança, detalhes do produto, reclamações etc. Escalabilidade e eficiência: Gerenciar milhares de conversas em paralelo, a qualquer hora, com um custo marginal em relação a outros canais de contato. Inclusão: Adaptar-se à linguagem e aos diferentes formatos no WhatsApp (áudios, erros de ortografia, idiomas ou dialetos locais) sem problemas. O ponto de partida O próximo passo é definir onde estamos hoje, para ter uma referência clara sobre o que queremos melhorar e fazer com que a hipótese seja mensurável. Neste caso, vamos usar o exemplo de um banco fictício, o Turing Bank, com o qual faremos uma prova de conceito para crédito de veículos do nosso agente de gestão de carteiras de inadimplência inicial, que implementaremos no WhatsApp. Sempre recomendamos fazer uma prova de conceito como passo inicial, que possamos usar como referência para contrastar com nossa hipótese e que também sirva de referência para escalar ao resto do caso de uso. Para definir o benchmark atual, precisamos definir os KPIs ou métricas-chave do business case. Por exemplo, na gestão de cobrança vamos usar: % de resposta : percentual de clientes que respondem ao contato. % de cobrabilidade : percentual de clientes que regularizam sua inadimplência. Valor recuperado da carteira : é o valor monetário que conseguimos regularizar da carteira de inadimplentes e que afetará diretamente a provisão para perdas do P L. Benchmark do Turing Bank No caso do Turing Bank, vamos definir os seguintes números para o crédito de veículos como benchmark atual: Total de clientes inadimplentes: 8.000 Ticket médio: USD 15.000 Provisão total: USD 120.000.000 % de resposta: 7% % de cobrabilidade: 4% Valor recuperado: USD 4.800.000 Esses números devem refletir a realidade atual do negócio, já que os usaremos como referência para validar ou não nossa hipótese de melhoria. O objetivo a alcançar Com o benchmark definido, podemos propor os objetivos e quantificá-los para estimar o potencial benefício do business case. Para o Turing Bank, vamos estabelecer estes objetivos: % de resposta: 14% (100% de melhoria de desempenho vs. o benchmark atual) % de cobrabilidade: 7% (75% de melhoria de desempenho vs. o benchmark atual) Valor recuperado da carteira: USD 8.400.000 (USD +3.600.000 a mais sobre o benchmark atual) Esses valores vão atuar como juiz da nova solução que vamos testar, e depois o desempenho real do agente nos dará resultados que posicionaremos nessa medição, para então tirarmos nossas conclusões. Implementação controlada Embora vá além da montagem do business case, também vale mencionar como sugerimos testar esse tipo de implementação. Além de selecionar um produto específico, neste caso crédito de veículos, recomendamos trabalhar com uma população controlada , evitando interromper a operação e preservando a saúde da cobrança. Em implementações anteriores, costumamos ver testes de 2 a 3 meses com uma amostra de 20% a 30% da carteira total. Isso é executado em paralelo aos métodos atuais para ter uma comparação clara. Com uma plataforma pensada para o seu banco , esse tipo de teste se integra à operação sem atrito. Se você chegou até aqui, obrigado por ler! Se quiser se aprofundar neste caso de uso ou em outro do setor bancário, escreva para nós e marcamos uma demo.
Por que começar pela cobrança de inadimplência inicial em um business case de IA generativa em bancos? É um processo delimitado, mensurável e com KPIs claros (% de resposta, % de cobrabilidade e valor recuperado). Isso permite montar a hipótese rápido, contrastá-la com um benchmark atual e escalar ao resto do caso de uso depois de validada.
Quais KPIs são usados para medir um agente de cobrança com IA generativa? Três métricas: % de resposta (clientes que respondem ao contato), % de cobrabilidade (clientes que regularizam a inadimplência) e valor recuperado da carteira, que impacta diretamente a provisão para perdas do P&L.
Como se recomenda testar a implementação? Com uma população controlada: testes de 2 a 3 meses sobre 20% a 30% da carteira, executados em paralelo aos métodos atuais para ter uma comparação clara sem interromper a operação.
O que é cobrança com inteligência artificial? É a gestão de carteiras inadimplentes por meio de agentes conversacionais de IA generativa que contatam o cliente por canais como WhatsApp, negociam dentro de limites aprovados pelo banco, respondem a dúvidas fora do fluxo ideal e gerenciam milhares de conversas em paralelo, a qualquer hora e com custo marginal frente a outros canais.
Que resultados um banco pode esperar da cobrança automatizada com IA? Depende do ponto de partida. No caso modelo do Turing Bank para crédito de veículos, a meta é dobrar o percentual de resposta de 7% para 14%, subir a cobrabilidade de 4% para 7% e recuperar USD 3.600.000 adicionais sobre o benchmark, validando tudo com uma POC de 2 a 3 meses.