ISCTE - Impacto Da Inteligência Artificial No Setor Financeiro
ISCTE - Impacto Da Inteligência Artificial No Setor Financeiro
ISCTE - Impacto Da Inteligência Artificial No Setor Financeiro
Mestrado em Gestão
Orientadores:
Setembro, 2021
Departamento de Marketing, Operações e Gestão Geral
Mestrado em Gestão
Orientadores:
Setembro, 2021
Agradecimentos
Aos meus orientadores, Professor Doutor Renato Lopes da Costa e Professor Doutor Rui
Alexandre Henriques Gonçalves, pelo contributo e disponibilidade, fundamentais para a
elaboração deste estudo. Quero agradecer todo o apoio, profissionalismo e dedicação que
fizeram com que fosse possível elaborar esta dissertação.
Aos meus pais e irmão pela motivação e preocupação, por acreditarem em mim, por
nunca me terem deixado desistir ao longo da minha vida e percurso académico, nunca
duvidando das minhas capacidades e por estarem presentes em mais uma etapa da minha
vida. Obrigado pelas palavras de incentivo, pela compreensão e, sobretudo, pela paciência.
Por fim, à minha restante família e amigos, o meu obrigado pelo apoio e acompanhamento
ao longo da minha vida e, especialmente, durante estes dois anos.
i
Resumo
O objetivo deste estudo passa por perceber quais os fatores mais determinantes na
decisão de adoção de IA no setor financeiro e quais as implicações que esta transição tem
para a estrutura do setor, tendo em consideração os principais desafios associados não só
aos sistemas inteligentes, mas também às barreiras existentes neste setor.
Após a realização desta investigação, foi possível concluir que apesar de os benefícios
associados à IA e sistemas inteligentes serem claros, existe ainda alguma inércia
relativamente à adoção destes, associada não só aos riscos ligados à IA, como questões de
transparência, mas também questões associadas à cultura das empresas. Foi igualmente
possível concluir que as perceções relativas ao impacto que a adoção de IA poderá ter no
setor são diferentes quando observadas numa ótica operacional, junto dos indivíduos que irão
efetivamente lidar com estas ferramentas, do que numa ótica estratégica. Adicionalmente, a
adoção de IA comporta benefícios não só ligados às potencialidades dos sistemas em si, mas
também vantagens relacionadas com a entrada nesta indústria de empresas que possuem
tecnologias inovadoras.
iii
Abstract
Considering the current business landscape, one of the main issues corresponds to society's
transition to the information age. It is increasingly important to adapt business models and
adopt systems capable of interpreting large amounts of data, using Artificial Intelligence (AI).
The financial industry is one of the sectors of the economy that will, sooner or later, face the
challenges of this transition.
The objective of this study is to understand what the most determinant factors in the
decision to adopt AI are in the financial sector and what implications this transition has for the
structure of the industry, taking into account the main challenges associated not only with the
intelligent systems, but also with the existing barriers in this sector.
After conducting this research, it was possible to conclude that although the benefits
associated with AI and intelligent systems are clear, there is still some inertia regarding their
adoption, associated not only with the risks associated with AI, such as transparency issues,
but also issues associated with corporate culture. It was also possible to conclude that
perceptions regarding the impact that AI may have on this industry are different when observed
from an operational perspective, among the individuals who will effectively deal with these
technologies, than from a strategic perspective. Additionally, the adoption of AI brings benefits
not only related to the potential of the systems themselves, but also advantages related to the
entry in this industry of companies that have innovative technologies.
v
Índice
Capítulo 1. Introdução ........................................................................................................... 1
Capítulo 6. Metodologia........................................................................................................22
vii
8.4. Q4 - Como é avaliada a possibilidade de adoção de IA no setor financeiro? .............40
Bibliografia ...........................................................................................................................47
Anexos .................................................................................................................................51
Índice de Quadros
Quadro 6.1 - Relação entre os objetivos do estudo, questões de pesquisa, técnica utilizada e
revisão de literatura ..............................................................................................................23
Quadro 6.2 - Relação entre as variáveis da perceção dos profissionais do setor financeiro e
experts de IA, desafios associados à adoção de IA e utilização de diferentes técnicas de IA e
as perguntas do questionário ...............................................................................................28
Quadro 7.1 - As novas empresas de tecnologia financeira (Fintech) que têm entrado no setor
são fortes concorrentes a substitutas dos bancos/instituições financeiras tradicionais .........30
Quadro 7.2 - O futuro do setor financeiro passa pelo estabelecimento de parcerias
estratégicas entre empresas de tecnologia financeira (Fintech) e bancos/instituições
financeiras tradicionais .........................................................................................................30
Quadro 7.3 - Comparação entre nível médio de concordância com as afirmações relativas à
substituição de empresas e estabelecimento de parcerias estratégicas ...............................31
Quadro 7.4 - A entrada de novas empresas que anteriormente não tinham ligação com o setor
financeiro é benéfica para o mesmo .....................................................................................31
Quadro 7.5 - A cultura e estrutura atuais das empresas do setor financeiro estão preparadas
para a transição para a era da IA .........................................................................................31
Quadro 7.6 - A transição do setor financeiro para a era da IA está a ser feita de forma lenta
.............................................................................................................................................32
Quadro 7.7 - Comparação entre as respostas das duas áreas profissionais à afirmação "A
transição do setor financeiro para a era da IA está a ser feita de forma lenta" .....................32
Quadro 7.8 - Principais vantagens da adoção de IA no setor financeiro ...............................32
viii
Quadro 7.9 - A substituição de funções humanas por algoritmos avançados é uma ameaça
derivada da adoção de IA no setor .......................................................................................33
Quadro 7.10 - Comparação entre as respostas das duas áreas profissionais à afirmação "A
substituição de funções humanas por algoritmos avançados é uma ameaça derivada da
adoção de IA no setor" .........................................................................................................33
Quadro 7.11 - Comparação entre o peso dado a diferentes desafios à adoção de IA no setor
financeiro..............................................................................................................................33
Quadro 7.12 - A transição do setor financeiro para a era da IA está a ser feita de forma lenta
.............................................................................................................................................34
Quadro 7.13 - Os benefícios da IA para o setor financeiro ainda não são claros ..................34
Quadro 7.14 - Comparação entre as respostas das duas áreas profissionais à afirmação "Os
benefícios da IA para o setor financeiro ainda não são claros" .............................................34
Quadro 7.15 - Verificações de CR, AVE, correlações e validade descriminante ...................36
Quadro 7.16 - Relações diretas ............................................................................................37
Quadro 7.17 - Relações indiretas específicas ......................................................................37
Índice de Figuras
Glossário de Siglas
CR - Composite Reliability
IA - Inteligência Artificial
ix
PLS - Partial Least Squares
x
Capítulo 1. Introdução
1.1. Enquadramento
No panorama empresarial atual, existe uma pressão cada vez maior para a reinvenção de
modelos de negócio e para a incorporação de dados/informação na tomada de decisão no
que diz respeito à estratégia das empresas. Com o crescente volume de informação
disponível, torna-se relevante a adoção de sistemas capazes de lidar e facilitar a interpretação
destes grandes conjuntos de dados. Como consequência, assistimos atualmente à transição
das empresas e da sociedade no geral para a era da informação, com um crescente
desenvolvimento e adoção de sistemas baseados em IA.
1
impactar a estrutura das empresas e a sua cultura, como também a estrutura do setor
financeiro como um todo.
2
autores de modo a aprofundar as principais conclusões deste estudo. Por fim, no Capítulo 9,
são apresentadas algumas considerações finais relativamente à presente investigação, quais
as suas contribuições para a gestão empresarial, as limitações do estudo e sugestões para
futuras investigações.
3
Capítulo 2. Big Data e Inteligência Artificial
Uma das definições de Big Data mais citadas foi proposta pela META Group (Laney,
2001), atualmente Gartner, na qual o termo “Big” derivava de três dimensões – Volume (de
dados), Velocidade (com que estes são transmitidos) e Variedade (de dados – estruturados
e não estruturados), tal como descrito no estudo conduzido por Ward e Barker (2013), onde
os autores reuniram diversas definições propostas por diferentes autores relativamente ao
conceito de Big Data.
Uma das principais preocupações relativa ao valor da Big Data é a de que os gestores,
frequentemente, não se encontram preparados para implementar as mudanças necessárias
ao nível da tecnologia, da organização e do ambiente. McAfee e Brynjolfsson (2012)
conduziram um estudo onde entrevistaram executivos de 330 empresas norte-americanas
cotadas na bolsa no que diz respeito às práticas organizacionais e de gestão da tecnologia.
Os autores concluíram que nem todas as empresas tomavam decisões tendo por base
dados/informação (“data-driven decisions”), mas aquelas que incorporavam esses dados na
tomada de decisão obtiveram melhores resultados financeiros e operacionais. Os autores
mostraram que existem cinco aspetos importantes no processo de gestão de mudança e
incorporação da Big Data na organização: liderança, gestão de talento, tecnologia, tomada
de decisão e cultura organizacional.
Elia et al. (2020) acrescentam ainda que, apesar dos desenvolvimentos tecnológicos
nesta área avançarem a grande velocidade, o impacto que estes podem ter na performance
5
das organizações que os adotam é ainda limitado. A principal razão pela qual as empresas
optam por não adotar tecnologias de Big Data é a não compreensão do valor estratégico que
esta área pode trazer à empresa, pois pode acrescentar não só valor económico e financeiro,
mas também vantagens competitivas e estratégicas nas empresas.
Em suma, embora não exista uma definição concreta do conceito de Big Data, Elia et al.
(2020) apresentaram uma possível interpretação do mesmo, baseada nos conceitos
descritos: “Big Data is the information asset characterized by such a high volume, velocity and
variety to require specific technology and analytical methods for its transformation into value”.
É importante destacar que, tal como já foi descrito, apesar do potencial que este conceito
apresenta para diversas indústrias, as empresas têm de perceber que tipo de valor pretendem
retirar da Big Data de forma a que esta seja utilizada de forma eficaz.
O crescimento recente da IA, que é um conceito que já era teorizado nos anos 40
(Haenlein e Kaplan, 2019), deve-se a alguns fatores chave como o aumento do poder
computacional, derivado de um maior financiamento de atividades de I&D, algoritmos mais
sofisticados capazes de identificar padrões em grandes conjuntos, e a maior quantidade de
dados e informação disponíveis, o que expõe os algoritmos a um maior número de exemplos
que podem ser utilizados para produzir outputs (Allas et al., 2018).
De acordo com Bughin et al. (2017), existem quatro áreas onde a IA pode gerar valor nas
empresas de forma determinante. A primeira diz respeito ao suporte do planeamento e das
previsões, de forma a antecipar a procura ou otimizar a I&D. Para além disso, a IA permite
produzir produtos e serviços de melhor qualidade a um preço mais reduzido, assim como
apoiar a promoção desses mesmos produtos e serviços ao preço correto, com a mensagem
certa e atingindo o público desejado. Finalmente, a IA possibilita a oferta de uma boa
experiência de utilizador. Todas estas permitem reduzir custos, ampliar as receitas e otimizar
o uso de ativos e recursos da empresa.
6
Iansiti e Lakhani (2020) mostraram que várias empresas se encontram sob pressão para
digitalizar o seu modelo operacional com o objetivo de responder a novas ameaças e que é
notável o choque entre empresas com modelos de Inteligência Artificial e empresas com
modelos convencionais. A IA pode estar na base de vantagens competitivas relevantes, mas
apenas para empresas que se comprometam com a transformação digital. Anteriormente,
Bughin et al. (2017) já tinham estudado estas fontes de vantagens competitivas relacionadas
com IA, concluindo que estas só tinham sido atingidas devido a três pilares fundamentais:
ponto de partida digital forte; adoção da IA de forma comprometida; e abordagem estratégica
proativa. A tecnologia em si funcionou apenas como um meio para atingir a competitividade.
Brock e von Wangenheim (2019) dizem que, à exceção de experiências específicas como
o deep learning, a IA não é aplicada como uma ferramenta isolada, mas sim como uma parte
integral do processo de transformação digital das empresas, um elemento de um conjunto de
tecnologias aplicadas no âmbito do aumento do negócio. De acordo com o estudo realizado
pelos mesmos autores, empresas com mais competências digitais antecipam um maior
impacto da IA, sendo este moderado a alto, em média, em todas as categorias estudadas.
Os autores propõem um modelo de sete fatores de sucesso para a implementação da IA –
DIGITAL.
Neste modelo, o primeiro fator de sucesso diz respeito à Informação (“Data”), já que a IA
requere grandes quantidades de informação de elevada qualidade, tal como já tinha sido
referido por outros autores, como Kolanovic e Krishnamachari (2017) e Allas et al. (2018). Em
segundo lugar, a organização deve desenvolver as competências necessárias para a
transformação (“Intelligence”). Segundo Brock e von Wangenheim (2019), a empresa deve
também priorizar projetos que reforcem o core business e permitam aprender e,
posteriormente, implementar de forma mais ampla (uma abordagem “Grounded”), seguindo
também uma abordagem “Integral” e holística.
Os três últimos fatores de sucesso do modelo DIGITAL incluem a procura de suporte por
parte de parceiros tecnológicos e o desenvolvimento de ecossistemas de inovação
(“Teaming”), “Agilidade” como um antecedente – uma empresa ágil tem maior probabilidade
de sucesso – assim como um resultado – a agilidade é uma das capacidades organizacionais
mais impactadas pela IA e, finalmente, a “Liderança”, na medida em que os gestores devem
guiar e focar-se nos projetos de transformação digital (Brock & von Wangenheim, 2019).
Assim, a IA é um conceito amplo que inclui diversos ramos, tal como está ilustrado na
Figura 2.1. As tecnologias de machine learning estão na base de vários conceitos do mundo
virtual: pesquisas na web, filtros de conteúdo ou recomendações ao nível do e-commerce e
do marketing digital. Estes sistemas e algoritmos são aplicados na identificação de objetos
7
em imagens, tradução de discursos em texto e combinação de notícias, produtos e conteúdos
com os interesses dos utilizadores.
Assim, deep learning e machine learning são as principal e mais eficazes tentativas de
atingir IA alguma vez concebidas (Kolanovic & Krishnamachari, 2017), com ferramentas a
transitar cada vez mais depressa dos laboratórios de pesquisa para a indústria – as soluções
oferecidas por empresas de TI e de serviços cloud são o futuro do deep learning e machine
learning (Gupta, 2018). Entre as principais ofertas encontram-se a Amazon Web Services, a
AI Platform da Microsoft, a Cloud AI da Google e o Watson Studio da IBM, para além das
várias start-ups em crescimento.
2.3. Desafios da IA
Ainda que a IA apresente um conjunto de potencialidades que podem revolucionar o
panorama económico e social, esta também apresenta desafios e obstáculos que ainda têm
8
de ser ultrapassados. De acordo com Allas et al. (2018), muitos líderes não conhecem os
benefícios que a IA pode trazer para o negócio, onde obter as tecnologias, como as integrar
na empresa ou como avaliar o retorno do investimento. As iniciativas de inovação, e
particularmente de IA, encontram não só barreiras culturais, como também organizacionais.
Alguns fatores que podem estar na base destas barreiras, segundo a Internet Society
(2017), dizem respeito à transparência na tomada de decisão, já que os algoritmos de IA
podem ser demasiado complexos e é necessário compreender a tomada de decisão por parte
destes, à qualidade da informação, visto que esta é fundamental para a eficácia da IA e à
segurança, relacionada com a forma como os sistemas de IA aprendem e que tipo de outputs
fornecem. Para além disso, a responsabilização, devido à área cinzenta que existe no que
diz respeito a quem deverá ser responsabilizado pelas falhas nos outputs fornecidos pelos
sistemas.
9
um fator de sucesso que permite retirar benefícios da IA no longo prazo, tal como já tinha sido
referido por Bughin et al. (2017) e viria a ser reforçado por Brock & von Wangenheim (2019).
Por sua vez, Pettersen (2019) apresenta uma ideia contrastante à de Huang et al. (2019),
afirmando que os sistemas de IA irão ter dificuldades até em resolver problemas cognitivos
que não possuam uma solução universal, dependendo esta, por exemplo, do contexto.
Pettersen (2019) reforça a importância do contexto, recorrendo a uma situação hipotética de
uma organização privada na China, cuja estratégia terá de ser pensada e implementada de
forma diferente em relação a uma organização pública na Noruega. Este tipo de problemas
ainda não pode ser resolvido por algoritmos de IA, já que a solução correta poderá alterar-se
com o tempo e irá depender do contexto. As funções que lidam com este tipo de problemas
ainda não podem ser substituídas pela IA e continuam a requerer seres humanos para as
desempenhar.
No mesmo estudo, o autor avaliou o valor e o risco percebido pelos diversos stakeholders
no que diz respeito à IA e chegou à conclusão que o valor da IA está mais fortemente
associado a interesses financeiros e comerciais, onde o benefício percebido é superior para
os shareholders e para os clientes. Em contraste, os trabalhadores são os que menos valor
vêm na tecnologia, assumindo um maior fator de risco (Figura 2.2).
10
Figura 2.2 - Valor versus risco percebidos em relação à IA
Fonte: Güngör (2020)
A inovação é uma constante e cada vez maior preocupação em diversos setores do panorama
empresarial global. Algumas indústrias, como a fotografia e os media, foram impactadas pela
transição digital no final do século XX e início do século XXI, outros setores encontram-se
agora a sofrer uma nova transição, a transição para a era da informação. Um destes setores
é o financeiro, um setor relativamente retardatário que se encontra atualmente a sofrer
mudanças estruturais com a entrada na era da IA (Shaikh, 2017).
11
Segundo Puschmann (2017), existem alguns drivers que estão na base da transformação
digital no setor financeiro, nomeadamente, o crescente papel das TI, com o aparecimento de
tecnologias como a Big Data, a IoT ou a cloud computing, as mudanças no comportamento
do consumidor, que usa cada vez mais canais eletrónicos. Igualmente, a regulamentação que
alguns países implementaram permitiu que as barreiras à entrada fossem mais facilmente
ultrapassadas.
Estes drivers, associados à digitalização ao nível dos serviços frontend, bem como à
perda de confiança nos bancos após a crise financeira global (Imerman & Fabozzi, 2020;
McQuinn et al., 2016; Puschmann, 2017; Schindler, 2017), culminam em diversas
oportunidades que estão cada vez mais a ser exploradas por novas empresas, denominadas
Fintechs (termo usado para descrever “Financial Technology”). Empresas de tecnologia, ao
nível do desenvolvimento de software, e-commerce, tecnologia mobile e data analytics, que
não tinham qualquer relação com os serviços financeiros, encontram-se à procura de
oportunidades e a retirar quota de mercado a bancos, corretoras e gestoras de ativos
(Imerman & Fabozzi, 2020).
Por fim, Lee e Teo (2015) propõem cinco fatores que permitem potenciar a inovação no
setor financeiro para a criação de negócios sustentáveis na área da Fintech – Modelo LASIC:
“Low margins, Asset light, Scalable, Innovative e Compliance easy”. O objetivo é atingir uma
grande base de utilizadores, que procuram cada vez mais reduzir o preço pago pelos
serviços, e atingir rentabilidade, existindo uma pressão para reduzir as margens, assim como
12
reduzir o investimento em ativos fixos, não incorrendo em elevados custos fixos, facilitando a
inovação e a escalabilidade do negócio.
Por outro lado, Lee e Teo (2015) dizem que Fintechs bem-sucedidas reconhecem a
necessidade de inovar continuamente nos produtos e serviços oferecidos e que um ambiente
altamente regulado pode inibir as iniciativas de inovação. Devido ao aumento da
regulamentação no setor bancário, muitos bancos gastam mais recursos em compliance do
que na inovação. Empresas que não estejam sujeitas a sistemas complexos de compliance
não possuem necessidades de capital tão elevadas.
De acordo com o relatório “Smart Money: AI transitions from fad to future of institutional
investing”, da PwC (2018), o setor financeiro tem enfrentado desafios no que diz respeito aos
modelos de negócio devido, nomeadamente, aos crescentes níveis de regulação, pressões
para reduzir custos e mudanças nos comportamentos dos consumidores. A tecnologia, ao
possibilitar rápidas transformações nos negócios, tem vindo a desempenhar um papel
importante num setor marcado pelo reduzido crescimento orgânico, retornos voláteis e a
redução de margens (Halpin & Dannemiller, 2019).
13
A capacidade de previsão diz respeito ao papel que os algoritmos podem ter no auxílio
aos gestores de portfolio através da análise de grandes conjuntos de dados, permitindo testar
investimentos com maior robustez. Para além disso, os sistemas construídos com base em
IA são menos propensos a cometer erros humanos e são mais eficientes que os humanos a
analisar dados. Assim, os investidores podem focar-se nas áreas onde são mais produtivos
(definir estratégias, atualizar os algoritmos). Por fim, em relação à escalabilidade, a IA pode
não funcionar em todo o tipo de negócios ou em todas as funções, mas é uma fonte de
vantagens de custo no processamento de dados. Empresas que utilizem algoritmos de IA
podem, muitas vezes, atingir a escalabilidade dos mesmos.
No que concerne as diferentes aplicações que a IA pode ter no setor financeiro, diversos
autores e organizações apresentam as suas classificações. Assim, de forma a analisar as
diferentes formas de adoção de IA no setor financeiro, será utilizada a seguinte classificação
de quatro itens, que irá ser desenvolvida na subsecção seguinte, baseada em vários autores
(Cao, 2020; Financial Stability Board, 2017; Ryll et al., 2020): aplicações centradas no cliente;
aplicações de gestão de investimentos; aplicações de back-office; e, aplicações de gestão de
risco e compliance.
Chatbots são uma tecnologia emergente que dão apoio aos clientes através de algoritmos
de processamento de linguagem natural e mecanismos de machine learning, tendo sido
adotados por diversos bancos para melhorar as suas interfaces de self-service e customer
14
support (Buchanan, 2019; Financial Stability Board, 2017). Estes representam um canal
inovador para que os comerciantes, neste caso os bancos, satisfaçam as necessidades dos
clientes em qualquer lugar e em qualquer momento, substituindo a interação física com os
mesmos.
Segundo De Cicco et al. (2020), os principais fatores que estão na base do crescimento
dos chatbots são a facilidade de criação destes softwares, como diversas plataformas e
frameworks disponíveis; os avanços na área da IA; e o crescimento na utilização de
aplicações de mensagens instantâneas. Apesar disso, a falta de conhecimento acerca dos
resultados da utilização de chatbots no negócio constitui, ainda, uma ameaça ao seu
crescimento.
Os autores conduziram um estudo acerca dos atributos dos chatbots que permitem
melhorar a experiência e o impacto nos utilizadores e concluíram que conversas orientadas
para o lado social, que mostrem traços afetivos, relacionais e emocionais, permitem reforçar
a ideia de que o chatbot tem presença social (perceção que o chatbot, através da linguagem,
apresenta traços e características humanas), o que, em última análise, aumenta a confiança
que o cliente tem na sua utilização (De Cicco et al., 2020).
Finalmente, Cao (2020) diz que IA pode ainda ser utilizada para analisar o
comportamento do consumidor, através da sua localização e utilização de aplicações mobile,
15
e, posteriormente, realizar campanhas de marketing personalizadas, assim como prever a
evolução do perfil dos consumidores e antecipar novas oportunidades no mercado.
Uma das principais tecnologias de gestão de investimento diz respeito aos robo-advisors,
plataformas digitais que funcionam através de algoritmos que oferecem serviços de gestão
de investimentos e aconselhamento. Estes algoritmos conseguem adaptar o portfolio dos
clientes aos seus objetivos e à sua tolerância ao risco, utilizando aplicações de IA como
processamento de linguagem natural e machine learning (Buchanan, 2019). Uhl e Rohner
(2018) fizeram a comparação entre os serviços prestados por robo-advisors e financial
advisors tradicionais. A primeira grande diferença que os autores identificaram, que está
diretamente relacionada com a principal vantagem de utilização dos robo-advisors, diz
respeito à estratégia de investimento que os algoritmos implementam.
16
Segundo Uhl e Rohner (2018), estes seguem uma estratégia de investimento passivo
com uma alocação estratégica de ativos, enquanto que os advisors tradicionais seguem
estratégias ativas, frequentemente mais caras e, em média, não acrescentam valor
considerável ao investidor. As outras vantagens apontadas pelos autores são a eficiência nos
custos e a inexistência de desvios comportamentais (“behavioural biases”). Devido ao uso de
tecnologia, os robo-advisors conseguem definir um maior número de perfis de risco que se
adaptem aos clientes, oferecendo uma solução mais personalizada.
17
Finalmente, a última categoria de aplicações de IA ao sistema financeira compreende as
tecnologias de gestão de risco e compliance. Segundo o Financial Stability Board (2017), a
IA e a machine learning podem ser utilizadas no âmbito da RegTech, assim como algoritmos
de processamento de linguagem natural, para monitorar o comportamento de traders, através
de, por exemplo, análises a e-mails, documentos ou mensagens, promovendo a
transparência nos mercados financeiros. Para além disso, também é possível utilizar
algoritmos para identificar transações suspeitas para que possam ser alvo de investigações
mais aprofundadas.
Para além de oferecer aos clientes um conjunto de serviços melhorados, mais rápidos e
com um custo reduzido, a Big Data e machine learning são também utilizadas por instituições
financeiras para melhorar a eficácia e reduzir os custos com compliance. As entidades
reguladoras também estão a recorrer a estes algoritmos para facilitar a vigilância e
monitorização: os reguladores de mercados de valores mobiliários recorrem a estas
tecnologias para extrair insights dos mercados relativamente a compliance, processos de
registo de segurança e avaliação de risco empresarial (Jagtiani et al., 2018), e outras
instituições financeiras começam a utilizar algoritmos para deteção de fraude.
Ainda assim, estas ferramentas podem detetar padrões suspeitos relacionados com
lavagem de dinheiro ou financiamento de atividades terroristas que podem não ser
identificados pelas instituições reguladoras existentes. O uso de IA e de machine learning
pode revolucionar esta área pois estes algoritmos conseguem analisar grandes quantidades
de dados de forma a detetar transações fraudulentas que poderiam não ser identificadas por
seres humanos. Os algoritmos de machine learning conseguem aprender a calibrar os seus
outputs de acordo com novas ameaças potenciais. Os bancos podem, por sua vez, usar estas
18
ferramentas para sinalizar transações suspeitas para posteriormente serem investigadas
(Buchanan, 2019).
Existem cada vez mais ferramentas de IA a transitar dos laboratórios de pesquisa para a
indústria. As empresas de TI e de serviços cloud que oferecem estas soluções são o futuro
do deep learning e machine learning (Gupta, 2018). No entanto, para capturar o valor da IA,
as empresas precisam de criar capacidades organizacionais, fazer parcerias e adquirir know-
how de empresas de IA (Bughin et al., 2017).
Fountaine et al. (2019) dizem que, a nível organizacional, a adoção de IA requere novas
tecnologias e competências para atingir os resultados esperados, sendo igualmente
fundamental alinhar a cultura e a estrutura da empresa. A implementação de IA requere
mudanças estruturais nas empresas: equipas com diferentes competências, agilidade e
aceitação do risco, fomentando a adaptabilidade, algo que está na base da inércia verificada
relativamente à transição de vários setores para a era da informação (Allas et al., 2018).
19
digitais, com uma estrutura de custos eficiente. A tecnologia permite que os bancos participem
parcialmente na digitalização do setor, através das referidas parcerias estratégicas.
O valor criado e o impacto que estas ferramentas podem ter nos diferentes stakeholders
ainda não são claros. De acordo com Güngör (2020), enquanto que os shareholders podem
beneficiar de ferramentas que permitam reduzir custos (Bughin et al., 2017; Halpin &
Dannemiller, 2019), os clientes podem retirar vantagens de transações mais seguras e os
trabalhadores de tecnologias que permitam aumentar a produtividade. No seu estudo Güngör
(2020) concluiu que o valor da IA está mais fortemente associado com interesses financeiros
e comerciais, onde a criação de valor é superior para os shareholders e para os clientes, ao
contrário dos trabalhadores, que são os que menos valor vêm na IA, assumindo o risco
relacionado com a substituição de funções humanas por algoritmos.
Seguindo este raciocínio, Huang et al. (2019) dizem que, como a IA não consegue recriar
a parte emocional do corpo humano, como a comunicação e a construção de relações
interpessoais, esta tecnologia irá substituir algumas funções atuais e criar empregos.
Segundo os autores, as competências de inteligência emocional serão mais importantes no
futuro. Pettersen (2019), por sua vez, diz que a IA irá ter dificuldades inclusive na resolução
de problemas cognitivos, já que a implementação da tecnologia irá depender do contexto,
criando novos desafios que não podem ser resolvidos pelos algoritmos de IA.
20
IA para os negócios, já que a transformação digital da economia está a ser feita a um ritmo
lento. Muitos líderes não sabem ao certo que benefícios pode a IA trazer para o negócio,
onde é que obtêm as tecnologias de IA, como integrar na empresa e como avaliar o retorno
do investimento nestas tecnologias.
Por fim, apesar de todas as vantagens da IA que a IA pode trazer não só para realidade
empresarial atual, mas também para o setor financeiro em específico, que foram enumeradas
ao longo da revisão de literatura, é importante estudar a recetividade que existe no setor
financeiro para adoção de IA.
Para tal, é necessário ter em consideração, em primeiro lugar as perceções que existem
no setor relativamente à transição para a era da informação e a adoção de sistemas de IA
(Bughin et al., 2017; Financial Stability Board, 2017; Güngör, 2020; Halpin & Dannemiller,
2019; Jagtiani et al., 2018; Pettersen, 2019), mas também os desafios que ainda têm de ser
ultrapassados não só no desenvolvimento das ferramentas em si, mas também na estrutura
e cultura atuais das empresas do setor financeiro (Allas et al., 2018; Brock & von
Wangenheim, 2019; Bughin et al., 2017; Fountaine et al., 2019; Güngör, 2020; Huang et al.,
2019; Internet Society, 2017; Pettersen, 2019; Ryman-Tubb et al., 2018).,
21
Capítulo 6. Metodologia
No que diz respeito à presente investigação, esta teve por base um caráter pragmático
ou indutivo, conduzida a partir de uma amostra não probabilística por conveniência,
constituída de acordo com a disponibilidade dos elementos abordados (Carmo & Ferreira,
2008), neste caso, profissionais do setor financeiro e experts de IA, entendendo-se por expert
o indivíduo que exerça funções nesta área ou que lide com sistemas inteligentes no
desempenho das suas funções. A Figura 6.1 ilustra o modelo de investigação inerente ao
presente estudo.
22
pesquisa, sendo que estas tiveram por base a revisão de literatura apresentada nos capítulos
anteriores. Por último, a terceira coluna indica os autores que deram origem às respetivas
questões de pesquisa.
Quadro 6.1 - Relação entre os objetivos do estudo, questões de pesquisa, técnica utilizada e revisão de
literatura
Assim, foram enviados 250 questionários (ver Anexo) a profissionais do setor financeiro
e experts de IA, através do LinkedIn e correio eletrónico, sendo devolvidas 105 respostas,
constituindo uma taxa de resposta de 42%. Cumpre referir que as conclusões desta
investigação devem ser lidas com os devidos cuidados de uma amostra considerada
pequena. Esta é por isso uma limitação desta investigação, visto ser impossível realizar
generalizações. Apesar disso, considerando que o interesse desta investigação se centrou
em descobrir o significado e representar vivências de múltiplas realidades, a generalização
não foi o objetivo principal desta.
23
sustentam a adoção de algoritmos de IA no setor financeiro, tendo ainda o propósito de gerar
novas ideias e novo conhecimento sobre o tema, com a intenção de alcançar novos inputs
sobre sugestões que possam ser equacionadas em futuros processos de introdução de
algoritmos inteligentes no negócio de empresas tanto neste setor como noutros, respostas
estas só possíveis de encontrar através da procura de causas para determinados efeitos
encontrados (validade interna).
No que diz respeito aos meios, os dados foram recolhidos através de um inquérito por
questionários, através da plataforma Google Forms. Estes questionários foram construídos
com base na revisão de literatura, onde se analisaram os fatores que apresentavam maior
relevância para o presente estudo, dando origem a blocos de questões. Após a construção
dos inquéritos, estes foram validados pelos orientadores especialistas e foram colocados em
circulação em março de 2021. Após a conclusão da recolha de dados, os resultados foram
importados para os programas de análise estatística IBM SPSS Statistics e SmartPLS3,
procedendo-se à análise dos mesmos. Em relação às fontes secundárias, estas consistiram
na pesquisa bibliográfica e tratamento de informação, compreendidas no estudo desenvolvido
em livros, artigos científicos e redes eletrónicas.
Relativamente à escolha do inquérito por questionário, este foi o método menos passível
de enganos, dado estar implícito num conhecimento primário e, por permitir que exista a
possibilidade de poder agregar os dados em forma de quadros estatísticos, o que torna
também mais acessível a análise das variáveis em estudo. Outro dos fatores que levou a esta
opção teve por base o facto de ser um método relativamente económico, considerando
sempre o risco de estar envolto nalgum grau de subjetividade face às respostas obtidas,
resultado dos diferentes pontos de vista individuais.
No que diz respeito à questão Q4, esta foi trabalhada recorrendo a métodos de estatística
analítica, nomeadamente a modelagem de equações estruturais (Structural Equations
Modeling – “SEM”), mais especificamente através do método dos mínimos quadrados parciais
(Partial Least Squares – “PLS”), uma técnica de modelagem de equações estruturais baseada
na variância, por meio do software SmartPLS3 (Ringle et al., 2015). Relativamente à análise
e interpretação dos dados, estas seguiram uma abordagem faseada – em primeiro lugar foi
24
avaliada a confiabilidade e validade do modelo de medição e posteriormente foi avaliado o
modelo estrutural.
De acordo com Tarka (2018), a medição dos constructos latentes é realizada de forma
indireta, especialmente com o uso de um conjunto de variáveis observáveis, e através da
observação dos efeitos causais na SEM entre as respetivas variáveis latentes. Uma
abordagem faseada é proposta por Anderson & Gerbing (1988), que referem que a primeira
etapa testa a carga fatorial, credibilidade e qualidade do ajuste para cada escala do estudo e
a segunda, o estágio do modelo estrutural, foca-se na relação entre constructos, descrevendo
os detalhes de cada um destes no modelo contruído.
Tendo em conta que a avaliação de um modelo usando apenas a análise fatorial não
estabelece relações de causalidade, e que a análise de caminhos não mede o erro das
variáveis observáveis, a SEM apresenta-se como uma ferramenta de excelência ao medir o
efeito direto e indireto da variável explicativa na dependente (Haque et al., 2019). Face ao
exposto, é possível afirmar que esta metodologia é capaz de fornecer aos investigadores uma
abordagem abrangente para quantificação e teste de teorias e que os modelos de equações
estruturais têm explicitamente em consideração os erros de medição que ocorrem na maioria
das situações (Raykov & Marcoulides, 2000).
25
H1 – A perceção dos profissionais do setor financeiro e experts de IA relativamente à IA
influencia positivamente a possibilidade de adoção destes sistemas no setor financeiro.
26
Figura 6.2 - Modelo conceptual e hipóteses a testar
Fonte: Elaboração do autor
27
Quadro 6.2 - Relação entre as variáveis da perceção dos profissionais do setor financeiro e experts de IA,
desafios associados à adoção de IA e utilização de diferentes técnicas de IA e as perguntas do questionário
28
Seguidamente, sucedeu-se a análise quantitativa das respostas, de forma a obter dados que,
posteriormente, permitissem retirar conclusões empíricas e teóricas.
Dos 105 inquiridos, 48 (46%) são elementos do sexo feminino e 57 (54%) são elementos
do sexo masculino- Relativamente às habilitações académicas, 57 inquiridos (54%) possuem
licenciatura, 47 (45%) possuem mestrado e 1 (1%) possui doutoramento, tal como ilustra a
Figura 6.3.
No que concerne às idades dos inquiridos, é possível verificar que as faixas etárias
localizadas entre os 18 e os 25 anos (33%) e entre os 26 e os 30 anos (38%) são prevalentes
na amostra. Adicionalmente, 20 (19%) inquiridos têm entre 31 e 40 anos, 9 (9%) têm entre
41 e 50 anos e 1 (1%) tem entre 51 e 60 anos, tal como indica a Figura 6.4.
Finalmente, no que diz respeito à área de atividade, 54 dos inquiridos (51%) são
considerados experts de IA e 51 inquiridos (49%) são profissionais do setor financeiro (Figura
6.5).
29
Figura 6.5 - Distribuição da amostra por área de atividade
Fonte: Elaboração do autor
Quadro 7.1 - As novas empresas de tecnologia financeira (Fintech) que têm entrado no setor são fortes
concorrentes a substitutas dos bancos/instituições financeiras tradicionais
N %
Grau de 3 33 31.4
concordância 4 65 61.9
5 7 6.7
Total 105 100.0
Fonte: Elaboração do autor
Quadro 7.2 - O futuro do setor financeiro passa pelo estabelecimento de parcerias estratégicas entre empresas
de tecnologia financeira (Fintech) e bancos/instituições financeiras tradicionais
N %
Grau de 3 1 1.0
concordância 4 75 71.4
5 29 27.6
Total 105 100.0
Fonte: Elaboração do autor
Tal como é possível verificar no Quadro 7.3, a média ao nível do grau de concordância é
superior no que diz respeito à afirmação relativa ao estabelecimento de parcerias do que na
30
afirmação relativa à substituição dos bancos/instituições tradicionais por novas empresas de
tecnologia financeira.
Quadro 7.3 - Comparação entre nível médio de concordância com as afirmações relativas à substituição de
empresas e estabelecimento de parcerias estratégicas
O futuro do setor financeiro passa
Novas empresas como substitutas pelo estabelecimento de parcerias
das instituições tradicionais estratégicas
N Valid 105 105
Missing 0 0
Mean 3.75 4.27
Median 4.00 4.00
Mode 4 4
Std. Deviation .568 .465
Minimum 3 3
Maximum 5 5
Fonte: Elaboração do autor
Relativamente à opinião dos inquiridos no que diz respeito à entrada de novas empresas
no setor, em média, estes mostraram um grau de concordância elevado (nível 4 ou superior)
com a afirmação “A entrada de novas empresas que anteriormente não tinham ligação com
o setor financeiro é benéfica para o mesmo”, como é possível observar no Quadro 7.4.
Adicionalmente, quando questionados se a cultura e estrutura atuais das empresas do setor
financeiro estão preparadas para a transição para a era da IA, os inquiridos mostraram, em
média, um grau de concordância relativamente baixo – entre 2 e 3 (Quadro 7.5).
Quadro 7.4 - A entrada de novas empresas que anteriormente não tinham ligação com o setor financeiro é
benéfica para o mesmo
N Valid 105
Missing 0
Mean 4.13
Median 4.00
Mode 4
Std. Deviation .621
Minimum 3
Maximum 5
Fonte: Elaboração do autor
Quadro 7.5 - A cultura e estrutura atuais das empresas do setor financeiro estão preparadas para a transição
para a era da IA
N Valid 105
Missing 0
Mean 2.22
Median 2.00
Mode 2
Std. Deviation .480
Minimum 1
Maximum 3
Fonte: Elaboração do autor
Por fim, no que diz respeito à velocidade com o setor financeiro está a transitar para a
era da IA, os inquiridos mostraram um grau de concordância elevado com a afirmação “A
transição do setor financeiro para a era da IA está a ser feita de forma lenta” (Quadro 7.6).
31
Foi realizada uma análise mais aprofundada para comparar as respostas dos profissionais
do setor financeiro e dos experts de IA. Esta permitiu concluir que, em média, os primeiros
apresentam um grau de concordância superior em comparação com os segundos (Quadro
7.7).
Quadro 7.6 - A transição do setor financeiro para a era da IA está a ser feita de forma lenta
N Valid 105
Missing 0
Mean 3.60
Median 4.00
Mode 4
Std. Deviation .565
Variance .319
Minimum 3
Maximum 5
Fonte: Elaboração do autor
Quadro 7.7 - Comparação entre as respostas das duas áreas profissionais à afirmação "A transição do setor
financeiro para a era da IA está a ser feita de forma lenta"
Área profissional Mean
Profissionais financeiros 3.76
Experts de IA 3.44
Fonte: Elaboração do autor
32
algoritmos avançados é uma ameaça derivada da adoção de IA no setor” (Quadro 7.9). Tendo
em consideração que o inquérito foi respondido por profissionais do setor financeiro e por
experts em IA, torna-se relevante analisar novamente as respostas obtidas no seio destes
dois grupos. Tal como é possível verificar no Quadro 7.10, o grau de concordância com a
afirmação “A substituição de funções humanas por algoritmos avançados é uma ameaça
derivada da adoção de IA no setor” é, em média, superior no grupo de profissionais do setor
financeiro do que no grupo de experts de IA.
Quadro 7.9 - A substituição de funções humanas por algoritmos avançados é uma ameaça derivada da adoção
de IA no setor
N Valid 105
Missing 0
Mean 2.81
Median 3.00
Mode 3
Std. Deviation .395
Minimum 2
Maximum 3
Fonte: Elaboração do autor
Quadro 7.10 - Comparação entre as respostas das duas áreas profissionais à afirmação "A substituição de
funções humanas por algoritmos avançados é uma ameaça derivada da adoção de IA no setor"
Área profissional Mean
Profissionais financeiros 2.96
Experts de IA 2.67
Fonte: Elaboração do autor
Quadro 7.11 - Comparação entre o peso dado a diferentes desafios à adoção de IA no setor financeiro
Falta de Complexidade dos Mudanças sociais Investimento em
transparência algoritmos indesejadas I&D limitado
N Valid 105 105 105 105
Missing 0 0 0 0
Mean 4.03 3.70 2.70 3.61
Median 4.00 4.00 3.00 4.00
Mode 4 4 3 4
Std. Deviation .727 .590 .603 .528
Minimum 3 3 2 3
Maximum 5 5 4 5
Fonte: Elaboração do autor
33
Quadro 7.12 - A transição do setor financeiro para a era da IA está a ser feita de forma lenta
N Valid 105
Missing 0
Mean 3.60
Median 4.00
Mode 4
Std. Deviation .565
Variance .319
Minimum 3
Maximum 5
Fonte: Elaboração do autor
Por fim, no que diz respeito aos benefícios da IA para o setor financeiro, os inquiridos
mostraram, em média, um grau de concordância moderadamente baixo com a afirmação “Os
benefícios da IA para o setor financeiro ainda não são claros” (Quadro 7.13). Uma análise
mais aprofundada mostra que, em média, os experts em IA veem benefícios superiores na IA
no setor financeiro em comparação com os profissionais do setor (Quadro 7.14).
Quadro 7.13 - Os benefícios da IA para o setor financeiro ainda não são claros
N Valid 105
Missing 0
Mean 2.40
Median 2.00
Mode 2
Std. Deviation .530
Variance .281
Minimum 2
Maximum 4
Fonte: Elaboração do autor
Quadro 7.14 - Comparação entre as respostas das duas áreas profissionais à afirmação "Os benefícios da IA
para o setor financeiro ainda não são claros"
Area profissional Mean
Profissionais financeiros 2.31
Experts de IA 2.48
Fonte: Elaboração do autor
34
Figura 7.1 - Modelo conceptual testado com valores do SmartPLS associados
Fonte: Elaboração do autor
35
De modo a validar a fiabilidade dos indicadores do modelo, validou-se os itens quanto às
cargas fatoriais padronizadas superiores a 0,4 quando p<0,001 (Hair et al., 2017). Tal como
é possível verificar na Figura 7.1, alguns indicadores não cumprem com este requisito e, em
condições normais, estes não deviam estar presentes no modelo. No entanto, efetuando-lhe
ajustes e retirando os indicadores com carga inferior a 0,4, o modelo apresentava resultados
cada vez mais pobres nos outros componentes. Sendo assim, mesmo as variáveis com carga
inferior a 0,4 foram consideradas relevantes para o estudo pois foram questões evidenciadas
na literatura, daí a decisão de manter todos os indicadores no modelo.
(1) Desafios Adoção 0.727 0.829 0.549 0.741 0.877 0.61 1.00
(2) Perceção Profissionais e Experts 0.421 0.681 0.304 -0.563 0.552 0.797 1.282
(3) Possibilidade Implementação 1.000 1.000 1.000 -0.533 0.572 1.000 0.736
(4) Utilização Diferentes Técnicas 0.451 0.677 0.373 -0.743 0.680 0.528 0.611
Nota: CR – fiabilidade composta; AVE – variância média extraída. Os números a negrito correspondem às raízes
quadradas da AVE. Abaixo dos elementos diagonais estão as correlações entre os constructos. Acima dos
elementos diagonais estão valores de HTMT.
Fonte: Elaboração do autor
36
entanto, é necessário verificar a colinearidade antes de avaliar o modelo estrutural (Hair et
al., 2017). Os valores de VIF variaram entre 1,000 e 1,643, ficando todos abaixo do valor
crítico indicativo de 5 (Hair et al., 2017). Esses valores não indicaram colinearidade. O
coeficiente de determinação R² para as duas variáveis endógenas relativas aos desafios à
adoção de IA e a possibilidade de implementação de IA no setor financeiro foram de 55,2%
e 29,3%, respetivamente, ultrapassando o valor limite de 10% (Falk & Miller, 1992). Os
valores de Q² para as variáveis endógenas (0,276 e 0,353 respetivamente) foram acima de
zero, o que indica a relevância preditiva do modelo (Hair et al., 2017).
De forma a testar a hipótese de mediação H4, seguiu-se o recomendado por Hair et al.
(2017). Assim, utilizou-se um procedimento de boostrapping que permite testar a significância
dos efeitos indiretos por meio do mediador (Preacher & Hayes, 2008). O Quadro 7.17
apresenta os resultados dos efeitos da mediação.
37
Capítulo 8. Discussão de resultados
Apesar disso, este estudo permite também concluir que, apesar de todas as vantagens
que a adoção de IA apresenta, a cultura das empresas ainda não está preparada para
enfrentar todas as dificuldades e desafios que esta transição comporta (Fountaine et al.,
2019) e este é um dos fatores preponderantes na inércia relativamente à transição do setor
financeiro para a era da IA, que está a ser feita de forma lenta, fenómeno que é possível
observar igualmente noutros setores de atividade (Allas et al., 2018).
38
ferramentas de IA podem trazer para o setor financeiro (Bughin et al., 2017 e Halpin &
Dannemiller, 2019), o que, segundo Güngör (2020), seria mais valorizada pelos shareholders,
uma vez que permitiria aumentar as receitas.
Outro fator importante que este estudo mostra é que, apesar da diferença ser reduzida,
os experts em IA acreditam menos na substituição de funções que os profissionais
financeiros. Os experts em IA, enquanto indivíduos que lidam com ferramentas e algoritmos
inteligentes no seu quotidiano e há mais tempo que os profissionais financeiros que começam
a adotar estas ferramentas, conhecem as limitações da IA (Huang et al., 2019; Pettersen,
2019).
Este estudo permite igualmente concluir que a transição do setor financeiro para a era da
IA e da informação está a ser feita de forma lenta. Isto mostra que as conclusões de Allas et
al. (2018) relativamente à lenta transição digital da economia, estendem-se ao setor
financeiro. Os desafios mencionados afiguram-se como fortes barreiras à adoção de IA e
39
digitalização do setor. No entanto, é importante sublinhar que, segundo os resultados obtidos
neste estudo, ao nível operacional, isto é, ao nível dos profissionais financeiros e experts de
IA, já existe uma razoável perceção dos benefícios que a IA apresenta para o setor, sendo
que esta perceção é, naturalmente, superior junto dos experts de IA pois, tal como referido,
são indivíduos que lidam com estes algoritmos e conhecem as suas potencialidades.
Assim, o presente estudo mostra que, apesar de Allas et al. (2018) terem concluído que
muitos líderes não sabem ao certo os benefícios que a IA apresenta para os seus negócios,
esta realidade pode ser diferente quando observada numa ótica operacional, junto dos
profissionais que irão, de facto, lidar e trabalhar com algoritmos inteligentes. No entanto, é
reforçada a ideia de que, não obstante os benefícios da IA serem já claros, os desafios
apontados ainda assumem um peso preponderante nas barreiras à adoção de IA no setor
financeiro.
40
seguintes desafios: mudanças sociais indesejadas derivadas da adoção de algoritmos
inteligentes (Güngör, 2020; Huang et al., 2019; Pettersen, 2019), investimento limitado em
I&D (Allas et al., 2018), falta de transparência (Internet Society, 2017 e Ryman-Tubb et al.,
2018) e inércia na transição do setor na transição para a era da IA (Allas et al., 2018; Brock
& von Wangenheim, 2019; Bughin et al., 2017; Fountaine et al., 2019).
Tal como afirmam os autores estudados, quanto maior for o foco nas vantagens que a IA
pode trazer para o setor, nomeadamente a segurança adicional ao nível das transações e
simultânea redução de custos para os consumidores, o complemento de funções humanas
com algoritmos inteligentes, permitindo oferecer um serviço superior e por fim, a aliança dos
interesses comerciais/financeiros e dos interesses dos shareholders e clientes ao valor
atribuído à IA (Bughin et al., 2017; Financial Stability Board, 2017; Güngör, 2020; Halpin &
Dannemiller, 2019; Jagtiani et al., 2018; Pettersen, 2019), maior será a possibilidade de
adoção de IA no setor.
No que diz respeito aos desafios à adoção de IA, os resultados demonstram que estes,
por sua vez, impactam negativamente a possibilidade de implementação de IA no setor
financeiro, confirmando a hipótese H3, o que permite dizer que quanto maiores forem os
desafios associados à utilização de algoritmos inteligentes, menores são os incentivos para
a sua adoção no setor financeiro. De acordo com os autores, ainda que existam diversos
benefícios associados à utilização de IA, os riscos e desafios associados à IA, nomeadamente
mudanças sociais indesejadas, o investimento limitado em I&D, a falta de transparência e
velocidade lenta com que se está a dar a transição do setor para a era da IA, ainda assumem
uma preponderância considerável na intenção de implementação de IA no setor financeiro
(Allas et al., 2018; Buchanan, 2019; Bughin et al., 2017; Cao, 2020; De Cicco et al., 2020;
Financial Stability Board, 2017; Halpin & Dannemiller, 2019; Iansiti & Lakhani, 2020; Ryll et
al., 2020; Uhl & Rohner, 2018).
41
destes aprenderem com os inputs e melhorarem autonomamente, mas, ao mesmo tempo,
que sejam cada vez mais conhecidas as limitações associadas aos mesmos, o que permite
desconstruir alguns dos riscos percebidos relativamente à sua implementação,
nomeadamente as mudanças sociais indesejadas e a falta de transparência. Para além disso,
o desenvolvimento de novas técnicas é um indício de investimentos adicionais em I&D e, em
última análise, permite igualmente acelerar a transição do setor para a era da IA (Allas et al.,
2018; Huang et al., 2019; Internet Society, 2017).
No que concerne aos efeitos indiretos, foi levantada a hipótese H4, que analisou a
utilização de diferentes técnicas de IA como fator catalisador na possibilidade de
implementação, por meio do mediador desafios à adoção de IA, na qual os resultados
mostram um impacto positivo. Isto é, quanto maior for a utilização de diferentes técnicas de
IA, maior será a possibilidade de implementação destes algoritmos no setor financeiro, uma
vez que a utilização de diferentes técnicas inibe ou diminui o peso de alguns riscos ou
desafios associados à adoção de IA (Allas et al., 2018; Huang et al., 2019; Internet Society,
2017), confirmando a hipótese de mediação H4.
No que diz respeito à utilização de diferentes técnicas de IA, os resultados mostram que
esta é impulsionada principalmente pelo potencial da IA (Allas et al., 2018; Bughin et al., 2017;
Iansiti & Lakhani, 2020) e pelo desenvolvimento de um vasto leque de técnicas de IA ligadas
ao setor financeiro, como estudado por diversos autores (Cao, 2020; Financial Stability Board,
2017; Ryll et al., 2020). Adicionalmente, os benefícios associados aos chatbots (Buchanan,
2019; De Cicco et al., 2020) e às aplicações de gestão de investimentos, estudadas por Halpin
e Dannemiller (2019) e Uhl e Rohner (2018) também contribuem para os resultados obtidos.
Capítulo 9. Conclusão
42
com especial foco no papel que estes sistemas poderão ter na estrutura e modelos de negócio
do setor, o impacto que a sua implementação terá junto dos stakeholders e os desafios à sua
adoção. Após uma extensa revisão de literatura que aborda estes temas e a aplicação de um
inquérito a profissionais financeiros e experts de IA, foi possível chegar a várias conclusões
importantes acerca desta temática.
De uma forma geral, foi possível chegar à conclusão que entre o estado atual do setor
financeiro e a adoção plena de sistemas de IA, existem ainda um conjunto de mudanças
estruturais que terão de ter lugar para o sucesso da transição do setor para a era da
informação. Estas mudanças estarão, portanto, na base da inércia e inatividade verificada
relativamente à adoção de IA que, tal como foi estudado por Allas et al. (2018), não se verifica
apenas no setor financeiro.
Esta inércia está associada aos desafios intrínsecos aos sistemas de IA, que foram
enumerados ao longo do presente trabalho – falta de transparência no que concerne aos
algoritmos utilizados, que se afigura como o desafio à qual é dada uma maior importância por
parte dos profissionais financeiros e experts de IA, um desafio que está também associado à
complexidade destes sistemas (Internet Society, 2017; Ryman-Tubb et al., 2018) e as
mudanças sociais indesejadas que poderão advir da adoção de sistemas que conseguem
automatizar ou, em certos casos, substituir totalmente algumas funções desempenhadas por
seres humanos (Gungor, 2020; Huang et al., 2019; Pettersen, 2019).
43
não possuem (Brandl & Hornuf, 2017; Fountaine et al., 2019) é um fator importante na adoção
de IA no setor financeiro.
Este estudo permite provar que alguns desafios que apresentam um maior peso no setor
financeiro (representado pelos profissionais financeiros), não são tão valorizados por estas
novas empresas de tecnologia (representadas pelos experts de IA), nomeadamente o risco
associado à substituição de funções humanas por algoritmos inteligentes, uma vez que estas
lidam diariamente com IA e, para além de conhecerem as suas potencialidades, estão cientes
das suas limitações.
Em suma, este estudo permite concluir que, apesar de haver riscos e barreiras intrínsecas
à IA que terão de ser ultrapassadas, nomeadamente através do investimento em I&D, e riscos
ligados às características do setor financeiro, a IA é vista como uma ferramenta importante
na modernização deste setor e fulcral na transição do mesmo para a era da informação. Esta
investigação permite afirmar que os benefícios da adoção de IA no setor financeiro passam
não só pelas vantagens que esta tecnologia possui em si, mas também a forma como esta
penetra no setor financeiro, através de novas empresas com competências que podem
dinamizar esta indústria.
44
9.2. Contribuição para o estado-da-arte
Ao longo da presente investigação, ficou percetível que a temática da adoção de IA no setor
financeiro começa a assumir uma importância cada vez maior, com um número crescente de
estudos a serem publicados, sendo uma área onde ainda existem questões a explorar e
contributos a acrescentar.
Em suma, é possível destacar os seguintes contributos deste estudo: (1) perceção dos
desafios com maior peso relativamente à adoção de IA especificamente no setor financeiro,
assim como desconstrução de outras barreiras; (2) perceções relativamente à adoção de IA
no setor financeiro, de uma perspetiva operacional; (3) a importância da entrada de novas
empresas no setor financeiro para a transição para a era da informação e adoção de IA.
Sendo a transição para a era da IA algo a que estamos a assistir atualmente, começa a
existir alguma literatura em relação à sua adoção em diversos setores de atividade, como os
transportes, cibersegurança ou o entretenimento. Apesar de começar a ser publicada
literatura nas potenciais ferramentas e benefícios que a IA pode trazer igualmente no setor
45
financeiro, este estudo vem preencher o gap na temática da possibilidade de implementação,
nomeadamente o impacto que esta terá numa ótica operacional.
Este estudo vem igualmente mostrar que as vantagens e riscos com maior peso a nível
operacional são diferentes daqueles a nível estratégico nas empresas, mas que não devem
ser ignorados para que a transição se dê.
9.4. Limitações
Quanto às limitações deste estudo, como anteriormente mencionado, estas passam pelos
resultados deste estudo, que devem ser lidos com as devidas precauções uma vez que a
amostra é considerada pequena impedindo a realização de generalizações. Cumpre destacar
igualmente as características da amostra visto que foram recolhidos dados de um
determinado contexto específico (apenas profissionais do setor financeiro e experts de IA),
num determinado país (Portugal).
46
Bibliografia
Allas, T., Bughin, J., Chui, M., Dahlström, P., Hazan, P., Henke, N., Ramaswamy, S., &
Trench, M. (2018). McKinsey: Analytics comes of age. McKinsey Analytics, January, 18–
34. https://www.mckinsey.com/~/media/McKinsey/Business Functions/McKinsey
Analytics/Our Insights/Analytics comes of age/Analytics-comes-of-age.ashx
Anderson, J. C., & Gerbing, D. W. (1988). Structural equation modeling in practice: A review
and recommended two-step approach. Psychological Bulletin, 103(3), 411–423.
https://doi.org/10.1037/0033-2909.103.3.411
Belanche, D., Casaló, L. V., & Flavián, C. (2019). Artificial Intelligence in FinTech:
understanding robo-advisors adoption among customers. Industrial Management and
Data Systems, 119(7), 1411–1430. https://doi.org/10.1108/IMDS-08-2018-0368
Brandl, B., & Hornuf, L. (2017). Where did FinTechs come from, and where do they go? The
Transformation of the Financial Industry in Germany after Digitalization. SSRN Electronic
Journal. https://doi.org/doi:10.2139/ssrn.3036555
Brock, J. K. U., & von Wangenheim, F. (2019). Demystifying Ai: What digital transformation
leaders can teach you about realistic artificial intelligence. California Management
Review, 61(4), 110–134. https://doi.org/10.1177/1536504219865226
Buchanan, B. G. (2019). Artificial intelligence in finance. The Alan Turing Institute.
https://doi.org/doi.org/10.5281/zenodo.2626454
Bughin, J., Hazan, E., Ramaswamy, S., Chui, M., Allas, T., Dahlström, P., Henke, N., &
Trench, M. (2017). Artificial Intelligence – The next digital frontier? McKinsey Global
Institute Discussion Paper, 2017(4), 6–41. https://doi.org/10.1016/S1353-
4858(17)30039-9
Cao, L. (2020). AI in Finance: A Review. SSRN Electronic Journal, 00, 1–47.
https://doi.org/10.2139/ssrn.3647625
Carmo, H., & Ferreira, M. (2008). Metodologia da investigação: guia para a auto-
aprendizagem (2a Edição). Universidade Aberta.
De Cicco, R., e Silva, S. C., & Alparone, F. R. (2020). Millennials’ attitude toward chatbots: an
experimental study in a social relationship perspective. International Journal of Retail and
Distribution Management. https://doi.org/10.1108/IJRDM-12-2019-0406
El-Sheikh, A. A., Abonazel, M. R., & Gamil, N. (2017). A Review of Software Packages for
Structural Equation Modeling: A Comparative Study. Applied Mathematics and Physics,
5(3), 85–94.
Elia, G., Polimeno, G., Solazzo, G., & Passiante, G. (2020). A multi-dimension framework for
value creation through Big Data. Industrial Marketing Management, 1–16.
https://doi.org/10.1016/j.indmarman.2020.03.015
Falk, R. F., & Miller, N. B. (1992). A Primer for Soft Modeling. The University of Akron Press,
80.
http://books.google.com/books/about/A_Primer_for_Soft_Modeling.html?id=3CFrQgAA
CAAJ
Financial Stability Board. (2017). Artificial Intelligence and Machine Learning in Financial
Services - Market Developments and Financial Stability Implications. Financial Stability
Board, November. http://www.fsb.org/2017/11/artificial-intelligence-and-machine-
learning-in-financial-service/
47
Fornell, C., & Larcker, D. F. (1981). Structural Equation Models with Unobservable Variables
and Measurement Error: Algebra and Statistics. Journal of Marketing Research, 18(3),
382–388. https://doi.org/10.1177/002224378101800313
Fountaine, T., McCarthy, B., & Saleh, T. (2019). Building the AI-Powered Organization.
Harvard Business Review, July-August. https://hbr.org/2019/07/building-the-ai-powered-
organization
Gokul, B. (2018). Artificial Intelligence in Financial Services. Sansmaran Management
Research Journal, 8(1).
Güngör, H. (2020). Creating Value with Artificial Intelligence: A Multi-stakeholder Perspective.
Journal of Creating Value, 6(1), 72–85. https://doi.org/10.1177/2394964320921071
Gupta, A. (2018). Introduction to deep learning: Part 1. In Chemical Engineering Progress
(Vol. 114, Issue 6, pp. 22–29).
Haddad, C., & Hornuf, L. (2019). The emergence of the global fintech market: economic and
technological determinants. Small Business Economics, 53(1), 81–105.
https://doi.org/10.1007/s11187-018-9991-x
Haenlein, M., & Kaplan, A. (2019). A brief history of artificial intelligence: On the past, present,
and future of artificial intelligence. California Management Review, 61(4), 5–14.
https://doi.org/10.1177/0008125619864925
Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2017). A Primer on Partial Least
Squares Structural Equation Modeling (PLS-SEM) (2a Edição). Sage.
Halpin, L., & Dannemiller, D. (2019). Artificial intelligence: The next frontier for investment
management firms. Deloitte. https://www2.deloitte.com/uk/en.html
Haque, A., Fernando, M., & Caputi, P. (2019). The Relationship Between Responsible
Leadership and Organisational Commitment and the Mediating Effect of Employee
Turnover Intentions: An Empirical Study with Australian Employees. Journal of Business
Ethics, 156(3), 759–774. https://doi.org/10.1007/s10551-017-3575-6
Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant
validity in variance-based structural equation modeling. Journal of the Academy of
Marketing Science, 43(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8
Huang, M. H., Rust, R., & Maksimovic, V. (2019). The Feeling Economy: Managing in the Next
Generation of Artificial Intelligence (AI). California Management Review, 43–65.
https://doi.org/10.1177/0008125619863436
Iansiti, M., & Lakhani, K. R. (2020). Competing in the Age of AI. Harvard Business Review,
January-February. https://hbr.org/2020/01/competing-in-the-age-of-ai
Imerman, M. B., & Fabozzi, F. J. (2020). Cashing in on innovation: a taxonomy of FinTech.
Journal of Asset Management, 21(3), 167–177. https://doi.org/10.1057/s41260-020-
00163-4
Internet Society. (2017). Artificial Intelligence and Machine Learning: Policy Paper. Artificial
Intelligence, April. https://www.internetsociety.org/resources/doc/2017/artificial-
intelligence-and-machine-learning-policy-paper/?gclid=CjwKCAjw8qjnBRA-
EiwAaNvhwHSr9CPjaPfF-_p9bD8HmtUsO0PR2Yy-_SQrFw-
Ruia94PHsro4STRoCi7IQAvD_BwE#_ftn7
Jagtiani, J., Wall, L., & Vermilyea, T. (2018). Skip to Main Content The Roles of Big Data and
Machine Learning in Bank Supervision. https://www.theclearinghouse.org/banking-
perspectives/2018/2018-q1-banking-perspectiv...
48
Jarek, K., & Mazurek, G. (2019). Marketing and artificial intelligence. Central European
Business Review, 8(2), 46–55. https://doi.org/10.18267/j.cebr.213
Kolanovic, M., & Krishnamachari, R. T. (2017). Big Data and AI Strategies. J.P.Morgan, May,
6–24.
Laney, D. (2001). 3D Management: Controlling Data Volume, Velocity, and Variety. META
Group.
Lecun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444.
https://doi.org/10.1038/nature14539
Lee, D. K. C., & Teo, E. G. S. (2015). Emergence of Fintech and the Lasic Principles. SSRN
Electronic Journal, April. https://doi.org/10.2139/ssrn.2668049
McAfee, A., & Brynjolfsson, E. (2012). Big Data: The Management Revolution. Harvard
Business Review, October. https://hbr.org/2012/10/big-data-the-management-revolution
McQuinn, A., Guo, W., & Castro, D. (2016). Policy Principles for Fintech. Information
Technology & Innovation Foundation.
Pettersen, L. (2019). Why Artificial Intelligence Will Not Outsmart Complex Knowledge Work.
Work, Employment and Society, 33(6), 1058–1067.
https://doi.org/10.1177/0950017018817489
Phan, D. H. B., Narayan, P. K., Rahman, R. E., & Hutabarat, A. R. (2020). Do financial
technology firms influence bank performance? Pacific Basin Finance Journal,
62(November 2018), 101210. https://doi.org/10.1016/j.pacfin.2019.101210
Pozen, R. C., & Ruane, J. (2019). What Machine Learning Will Mean for Asset Managers.
Harvard Business Review. https://hbr.org/2019/12/what-machine-learning-will-mean-for-
asset-managers?
Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing
and comparing indirect effects in multiple mediator models. Behavior Research Methods,
40(3), 879–891. https://doi.org/10.3758/BRM.40.3.879
Puschmann, T. (2017). Fintech. Business and Information Systems Engineering, 59(1), 69–
76. https://doi.org/10.1007/s12599-017-0464-6
PwC Financial Services. (2018). Smart Money: AI transitions from fad to future of institutional
investing. PwC, November.
Raykov, T., & Marcoulides, G. A. (2000). A first course in structural equation modeling.
Lawrence Erlbaum Associates Publishers.
Ringle, C. M., Wende, S., & Becker, J.-M. (2015). SmartPLS 3.
Ryll, L., Barton, M. E., Zhang, B. Z., McWaters, R. J., Schizas, E., Hao, R., Bear, K., Preziuso,
M., Seger, E., Wardrop, R., Rau, P. R., Debata, P., Rowan, P., Adams, N., Gray, M., &
Yerolemou, N. (2020). Transforming Paradigms: A Global AI in Financial Services
Survey. SSRN Electronic Journal, January. https://doi.org/10.2139/ssrn.3532038
Ryman-Tubb, N. F., Krause, P., & Garn, W. (2018). How Artificial Intelligence and machine
learning research impacts payment card fraud detection: A survey and industry
benchmark. Engineering Applications of Artificial Intelligence, 76(July), 130–157.
https://doi.org/10.1016/j.engappai.2018.07.008
Schindler, J. (2017). FinTech and Financial Innovation: Drivers and Depth John. 081.
https://doi.org/doi.org/10.17016/FEDS.2017.081
49
Shaikh, N. (2017). The Financial Industry Needs to Start Planning for the Next 50 Years, Not
the Next Five. Harvard Business Review. https://hbr.org/2017/07/the-financial-industry-
needs-to-start-planning-for-the-next-50-years-not-the-next-five
Tarka, P. (2018). An overview of structural equation modeling: its beginnings, historical
development, usefulness and controversies in the social sciences. Quality & Quantity,
52(1), 313–354. https://doi.org/10.1007/s11135-017-0469-8
Tarski, A. (1977). Introducción a la Lógica y a la Metodología de las Ciencias. Investigación
en Ciencias Sociales (3a Edição). Interamericana.
http://campusvirtual.ucimexico.edu.mx/pluginfile.php/37372/mod_resource/content/1/Int
roducci n a la investigaci n en ciencias sociales.pdf
Tiwari, R., Srivastava, S., & Gera, R. (2020). Investigation of Artificial Intelligence Techniques
in Finance and Marketing. Procedia Computer Science, 173(2019), 149–157.
https://doi.org/10.1016/j.procs.2020.06.019
Uhl, M. W., & Rohner, P. (2018). Robo-advisors versus traditional investment advisors: An
unequal game. Journal of Wealth Management, 21(1), 44–50.
https://doi.org/10.3905/jwm.2018.21.1.044
Vergara, S. (2006). Projectos e relatórios de pesquisa em administração. Atlas.
Vilelas, J. (2009). Investigação: O processo de Construção do Conhecimento. Edições Sílabo.
Ward, J. S., & Barker, A. (2013). Undefined By Data: A Survey of Big Data Definitions.
http://arxiv.org/abs/1309.5821
Yin, R. K. (1994). Case study research and applications: design and methods. Sage.
50
Anexos
51
52
53
54
55
56
57
58
59
60