Ingestão de dados: o motor da IA em bancos e fintechs

No fim de 2025, tem um padrão claro no setor financeiro brasileiro: a IA está deixando de ser “projeto do laboratório” e virando operação. Só que a maior parte das iniciativas trava num ponto nada glamouroso — falta de dados confiáveis, centralizados e prontos para uso. O que separa um piloto de fraude que “parece promissor” de um modelo que realmente reduz perdas é, quase sempre, infraestrutura.

É por isso que a história da Erathos, startup brasileira fundada em 2020, chama atenção: ao reposicionar o negócio para SaaS de ingestão de dados, a empresa afirma ter triplicado o volume de negócios em cerca de um ano, ganhou validação rara no país como tech partner do Databricks em engenharia de dados e atraiu novo aporte em 2025. O detalhe mais relevante para bancos e fintechs não é o investimento em si. É o sinal de mercado: ingestão de dados virou prioridade estratégica.

E tem um gancho direto com esta série de conteúdo, “IA na Indústria e Manufatura”: quem faz fábrica inteligente sabe que sensor sem padronização vira ruído. No financeiro, é a mesma lógica — só que, em vez de sensores, você tem transações, logs, CRMs, ERPs, motores de crédito, KYC, antifraude e atendimento.

Por que a ingestão de dados é a parte que mais decide o sucesso da IA

Resposta direta: sem ingestão consistente, a IA aprende com informação incompleta, atrasada ou contraditória — e o resultado é modelo caro, frágil e difícil de auditar.

A ingestão de dados não é “só puxar dados”. É transformar um emaranhado de sistemas (ERP, CRM, core bancário, plataformas de pagamento, ferramentas de atendimento, logs de app, arquivos e APIs) em um fluxo que chegue ao data warehouse ou ao lakehouse com qualidade, linhagem e controle.

Na prática, é aqui que aparecem os problemas que derrubam a IA em produção:

• Atraso (latência): fraude acontece em segundos. Se o dado chega “no dia seguinte”, o modelo vira relatório.
• Inconsistência: o mesmo cliente com IDs diferentes entre sistemas cria duplicidade e distorce risco.
• Quebra de schema: um campo muda no sistema de origem e pipelines param — ou pior, passam com dado errado.
• Falta de governança: sem trilha de auditoria, você não explica por que um crédito foi negado.

No setor financeiro, isso pesa mais porque IA não é só performance. É conformidade, explicabilidade e controle.

O que o caso Erathos mostra sobre o mercado (e por que isso importa)

Resposta direta: o movimento de consultoria para produto SaaS sinaliza que o mercado está amadurecendo e buscando padronização, escala e autonomia.

Segundo as informações do artigo, a Erathos atuou inicialmente como consultoria e, com a vivência prática, identificou a dor recorrente: extrair e centralizar dados em escala é difícil, repetitivo e caro. Ao focar numa plataforma SaaS de ingestão, a empresa passou a oferecer:

• extração de dados de mais de 70 fontes;
• cinco opções de destino (incluindo BigQuery e Databricks);
• operação remota e self-service, voltada a analistas, engenheiros e lideranças de dados e TI.

Esse “self-service” é mais importante do que parece. Em banco e fintech, a fila de dados costuma ser infinita: time de negócio pede, engenharia prioriza, compliance valida, e a oportunidade passa. Plataformas de ingestão com governança ajudam a reduzir esse gargalo.

Outro sinal forte é a validação como parceira na categoria de engenharia de dados do Databricks. Independentemente do fornecedor, o que isso comunica é: o stack moderno (lakehouse, pipelines, observabilidade) está virando padrão — e quem entrega confiança e integração ganha espaço.

Da fábrica inteligente ao banco inteligente: o paralelo que ninguém deveria ignorar

Resposta direta: tanto na manufatura quanto no financeiro, a IA só funciona quando o “chão de fábrica” dos dados é instrumentado e controlado.

Na manufatura, a IA de manutenção preditiva depende de dados de vibração, temperatura, histórico de falhas, ordens de serviço e contexto operacional. Se cada máquina registra de um jeito, o modelo fica cego.

No financeiro, o equivalente é juntar:

• transações (PIX, cartão, boleto, TED);
• eventos de dispositivo (geolocalização, fingerprint, IP, risco);
• dados cadastrais e KYC;
• comportamento no app (jornada, cliques, tentativas);
• histórico de cobrança e renegociação;
• sinais externos permitidos e governados.

O banco “inteligente” não nasce do modelo. Nasce do pipeline. A ingestão é o PLC do mundo financeiro: se falha, a linha para.

Onde a ingestão impacta diretamente fraude, crédito e risco

Resposta direta: ingestão define velocidade, completude e rastreabilidade — os três pilares de IA que dá lucro e não dá dor de cabeça.

1. Detecção de fraude em tempo quase real

   • Precisa de eventos chegando rápido e com contexto (dispositivo + transação + histórico).
   • Sem isso, o modelo vira “pós-mortem”.

2. Score de crédito e limites dinâmicos

   • Requer visão 360º: renda, comportamento de pagamento, uso do limite, sinais de stress financeiro.
   • Dados fragmentados geram viés e aumentam inadimplência.

1. Risco e compliance (auditoria e explicabilidade)
   • A instituição precisa responder “por quê?” e “com base em quê?”.
   • Sem linhagem e controle de versões, a resposta vira achismo.

Como escolher uma estratégia de ingestão de dados para IA no setor financeiro

Resposta direta: priorize confiabilidade e governança antes de “mais fontes”; depois, escale com padronização e automação.

A história da Erathos ajuda a colocar o holofote no que realmente deve entrar no seu checklist. Se eu tivesse que resumir em decisões práticas para 2026, seria assim:

1) Defina o que é “pronto para IA” (antes de automatizar)

Não basta ingerir. Você precisa definir padrões mínimos:

• SLA de frescor (ex.: dados críticos em até X minutos);
• regras de qualidade (completude, unicidade, faixa válida);
• dicionário de dados e ownership (quem responde por cada tabela/campo);
• políticas de acesso (RBAC/ABAC, mascaramento, segregação).

Se isso não estiver claro, a automação só acelera o caos.

2) Comece pelos casos com impacto financeiro mensurável

Em bancos e fintechs, três frentes pagam a conta rápido:

• antifraude (redução de perdas + menos atrito para bons clientes);
• crédito (melhor aprovação com risco controlado);
• cobrança (segmentação e priorização mais eficiente).

A ingestão deve ser desenhada a partir desses casos. Depois, você expande.

3) Trate observabilidade como requisito, não como luxo

Pipeline sem monitoramento é risco operacional. Procure (ou implemente) pelo menos:

• detecção de quebras de schema;
• alertas de atraso e quedas de volume;
• data quality checks automatizados;
• trilha de execução (linhagem técnica) e logs auditáveis.

No financeiro, isso reduz incidentes e facilita auditorias.

4) Evite o “monstro de integrações” com padronização

A Erathos destaca mais de 70 fontes e destinos como BigQuery e Databricks. A lição aqui é: padronização de conectores e templates reduz custo marginal de adicionar novas origens.

Um desenho que costuma funcionar:

• camada de ingestão (bronze): dados crus, versionados;
• camada de padronização (silver): limpeza, chaves, deduplicação;
• camada de negócio/modelagem (gold): entidades e métricas prontas para consumo.

Isso aproxima o financeiro das boas práticas de dados industriais: primeiro estabilidade, depois sofisticação.

O que o investimento em data tech está dizendo sobre 2026

Resposta direta: o dinheiro está indo para infraestrutura porque a próxima onda de IA no financeiro exige escala, controle e tempo de resposta.

O artigo menciona aporte em 2023 (Funses) e novo investimento em 2025 liderado pela Bossa Invest, além de seleção em programa com Sebrae e parceiros. Para o mercado, isso aponta três tendências:

• AI-ready data virou categoria: investidores entendem que a IA depende do “encanamento”.
• SaaS de dados tende a ganhar espaço: reduz dependência de serviços sob medida e acelera projetos.
• Demanda puxada por IA: empresas estão reorganizando prioridades para analytics e IA, e a ingestão é o primeiro degrau.

Dezembro costuma ser mês de planejamento. Se sua instituição está fechando orçamento agora, uma pergunta simples ajuda a priorizar: o que dá mais retorno em 2026 — mais modelos, ou menos fricção para alimentar modelos com dados confiáveis?

Perguntas comuns (e respostas diretas) sobre ingestão de dados para IA

“Vale mais construir pipelines internos ou usar uma plataforma SaaS?”

Depende do apetite a manutenção. Construir dá controle total, mas cria custo fixo alto (conectores, mudanças de API, observabilidade, incidentes). SaaS costuma acelerar e padronizar, desde que atenda governança e segurança.

“Ingestão resolve o problema de qualidade de dados?”

Resolve metade: a parte operacional e repetível. Qualidade também exige acordo de métricas, ownership e regras de negócio. Sem governança, a plataforma vira só transporte.

“O que eu meço para provar ROI?”

Três métricas objetivas:

• tempo para colocar uma nova fonte em produção;
• % de incidentes de dados (quebras, atrasos, inconsistências);
• impacto no caso de uso (ex.: queda de fraude, melhora de aprovação, redução de chargeback).

Próximo passo: comece pela ingestão que destrava a IA

A moral da história não é “toda empresa precisa da mesma plataforma”. É mais direto: IA em bancos e fintechs não escala sem ingestão de dados séria. E o movimento da Erathos — foco em SaaS, validação técnica e tração — reforça que o mercado já entendeu isso.

Na série “IA na Indústria e Manufatura”, a gente repete uma ideia: automação sem dados confiáveis vira automação de erro. No financeiro, o custo desse erro é maior, porque envolve dinheiro, reputação e regulação.

Se você está planejando 2026, minha recomendação é prática: escolha um caso crítico (fraude, crédito ou risco), mapeie as fontes necessárias, defina SLAs e regras de qualidade, e trate ingestão como produto interno — com dono, métricas e rotina de melhoria. Quando o dado chega direito, a IA deixa de ser promessa e vira operação.

O setor financeiro vai apostar em modelos cada vez mais sofisticados. A pergunta é: sua esteira de dados está pronta para alimentá-los sem travar a cada mudança de sistema?