O avanço da inteligência artificial (IA) no setor financeiro brasileiro desafia a crença de que escalar tecnologia é apenas uma questão de investimento em ferramentas de última geração. O caso do Itaú Unibanco, detalhado em entrevista exclusiva à TI Inside com André Palma, diretor de TI do banco e CEO da ZUP, expõe um cenário em que eficiência operacional, governança e escolha criteriosa de tecnologias são tão decisivos quanto a inovação em si. Para organizações que buscam transformar IA em diferencial competitivo, os números do Itaú incomodam: um crescimento de 88% no uso de IA no primeiro semestre de 2026 frente ao mesmo período de 2025, mais de 800 iniciativas em andamento e uma redução de 65% nos custos com tokens entre 2024 e 2025. O que está sendo subestimado, segundo o próprio banco, não é a capacidade de experimentar, mas o desafio de transformar experimentos em aplicações de uso massivo sem perder controle de custos, segurança e alinhamento ao negócio.

Escala de IA: do laboratório à operação massiva

O Itaú não é novato em IA. Dados e machine learning (aprendizado de máquina) já faziam parte da trajetória tecnológica do banco há décadas. Mas, a partir de 2022, com o avanço da IA generativa, a instituição acelerou a criação de ambientes de experimentação, como a StackSpot AI, desenvolvida em parceria com a ZUP. O objetivo, segundo Palma, foi permitir que profissionais de diversas áreas pudessem aprender e testar soluções, desde que sob controles rígidos. Em 2026, esse movimento resultou em mais de mil modelos de IA disponíveis para uso interno, com machine learning crescendo 30% no mesmo período em que a adoção geral de IA saltou 88%.

O salto de escala não se deu apenas pela quantidade de projetos, mas pela capacidade de transformar experimentos pontuais em soluções massificadas. O conceito de “IA massificada” defendido pelo Itaú implica desenvolver aplicações com potencial de rápida expansão, desde que o valor percebido pelo usuário final seja claro. Segundo Palma, quando pessoas identificam ganhos individuais, a adoção se torna orgânica e o impacto para o negócio é ampliado.

Redução de custos: eficiência além do hype

Um dos aspectos mais provocativos do case Itaú é a redução de 65% nos custos com tokens de IA, obtida entre 2024 e 2025. Esse número, apresentado por Palma à TI Inside, não resulta apenas da negociação de preços ou da adoção de modelos mais baratos, mas de uma mudança estratégica: aplicar IA apenas onde ela realmente agrega valor e escolher o modelo adequado para cada problema. Tecnologias já consolidadas e de menor custo continuam sendo usadas quando atendem à demanda, enquanto modelos avançados entram em cena para criar diferenciação ou melhorar a experiência do cliente.

Essa abordagem contraria a tendência de substituir indiscriminadamente sistemas legados por IA generativa. O Itaú defende que a escolha da tecnologia deve começar pela definição clara do problema a ser resolvido e pela avaliação do impacto potencial para o negócio. O resultado é um portfólio de soluções que equilibra inovação com sustentabilidade financeira, algo que muitas empresas, especialmente fora do setor financeiro, ainda subestimam.

Impacto na operação: velocidade, squads híbridas e reengenharia de processos

O uso intensivo de IA não se limita à interface com o cliente. Internamente, o Itaú tem reimaginado processos de desenvolvimento de produtos e tecnologia, buscando reduzir ciclos que antes levavam semanas para poucas horas. Em squads híbridas, especialmente na área de seguros, o banco reportou ganhos de 80% a 90% na velocidade de entrega de novas funcionalidades. Em partes específicas da engenharia de software, a aceleração chegou a ser de 20 a 30 vezes em relação ao modelo anterior.

Esses ganhos, porém, exigiram mais do que automação. O banco revisou fluxos completos e redesenhou métodos de trabalho para extrair o máximo da IA. A experiência reforça que apenas adicionar IA a etapas existentes não basta: é preciso reconstruir processos, integrar equipes multidisciplinares e garantir que a experimentação aconteça dentro de limites claros de governança e segurança.

Governança e Responsible AI: condição para escalar sem perder controle

Para o Itaú, escalar IA sem governança é receita para desastre. O banco enfatiza que a fundação tecnológica precisa garantir proteção de dados, controle de uso e aderência a requisitos regulatórios. A governança aparece como pré-requisito para que soluções que funcionam bem localmente possam ser expandidas para toda a organização, sem comprometer segurança ou compliance.

Outro ponto crítico é a adoção de princípios de Responsible AI, que assegurem que as respostas e decisões automatizadas sejam adequadas e seguras para o cliente. O desafio aumenta quando a solução precisa sair do “ótimo local” para o “ótimo global”, exigindo mudanças de comportamento, capacitação técnica e guardrails para orientar o uso responsável da tecnologia.

O Itaú também trata suas próprias plataformas internas como produtos, buscando entregar boa experiência e valor no dia a dia dos usuários corporativos. Isso facilita a democratização do acesso à IA e permite que diferentes perfis, de produto, design, tecnologia e negócio, possam se beneficiar das novas capacidades.

O contra-argumento: IA não é solução para tudo

Apesar dos resultados expressivos, o próprio Itaú alerta para o risco de aplicar IA de forma indiscriminada. Palma defende que a delimitação do escopo e a clareza sobre o problema a ser resolvido são pontos de partida obrigatórios. Nem toda iniciativa precisa funcionar de primeira, e experimentos que falham também geram aprendizado. O banco rejeita a ideia de que IA deva substituir todas as tecnologias existentes, reforçando a importância de avaliar custo-benefício caso a caso.

Essa visão contraria o discurso comum de que a adoção massiva de IA é sempre vantajosa. Para empresas que operam em setores menos regulados ou com menor maturidade digital, o risco de dispersão de recursos e aumento de custos operacionais é real se não houver governança e foco. O consenso entre especialistas, refletido na experiência do Itaú, é que a escala só é sustentável quando acompanhada de controle rigoroso e alinhamento estratégico.

O que ainda não se sabe: limites e próximos desafios

Embora o Itaú tenha avançado em escala, redução de custos e reengenharia de processos, ainda existem incertezas relevantes. O banco não detalhou, por exemplo, quais áreas da operação obtiveram maiores ganhos de eficiência ou como a expansão da IA impactou indicadores de satisfação do cliente em larga escala. Também não há informações públicas sobre o efeito dessas mudanças em métricas de segurança cibernética ou em custos indiretos de governança.

Outro ponto em aberto é a replicabilidade do modelo Itaú em outros setores ou geografias. O ambiente regulatório do setor financeiro é mais rigoroso que em muitos outros segmentos, o que pode limitar ou dificultar a adoção de práticas semelhantes em empresas do Polo Industrial de Manaus ou em órgãos públicos. A experiência do Itaú, embora inspiradora, ainda é um caso isolado e depende de uma base tecnológica e de governança difícil de replicar sem investimentos robustos e cultura organizacional alinhada.

Implicações para empresas: infraestrutura e decisões de escala

Para organizações que buscam expandir o uso de IA, a experiência do Itaú oferece lições valiosas. Primeiro, a infraestrutura tecnológica precisa ser capaz de suportar múltiplos modelos, experimentação controlada e integração entre áreas. Em ambientes como o Polo Industrial de Manaus, onde a conectividade pode ser um gargalo, garantir disponibilidade, baixa latência e segurança de dados é pré-condição para qualquer iniciativa de IA em escala.

Segundo, a governança não pode ser tratada como etapa posterior. Ela deve estar presente desde o início, orientando escolhas tecnológicas e a própria definição dos problemas a serem resolvidos. Por fim, o equilíbrio entre inovação e custo-benefício é decisivo: adotar IA onde ela realmente gera valor, sem embarcar em modismos que podem aumentar custos sem retorno claro.

O caso Itaú mostra que a jornada de IA não é linear nem isenta de riscos. Empresas que subestimam a complexidade de escalar IA acabam pagando caro em custos operacionais, dispersão de esforços e riscos de compliance. O próximo passo, para quem decide, é avaliar se a infraestrutura atual está pronta para suportar experimentação, governança e expansão segura de modelos de IA, especialmente em mercados desafiadores como o Norte do Brasil.