Ingestão de dados via SaaS: a base da IA em finanças

A Erathos fez um movimento que muita empresa de dados demora anos para encarar: parou de vender “horas de consultoria” e colocou o conhecimento numa plataforma. O resultado, segundo os fundadores, foi direto ao ponto — triplicou o volume de negócios em cerca de um ano após focar no modelo SaaS de ingestão de dados.

Esse detalhe interessa (e muito) a bancos e fintechs. Porque, na prática, a qualidade da inteligência artificial em finanças raramente é limitada pelo modelo. Ela é limitada pela base: dados espalhados em ERPs, CRMs, core bancário, adquirência, antifraude, atendimento, planilhas e “sistemas legados” que ninguém quer mexer. A IA só “funciona” quando existe um caminho confiável entre a origem e o lugar onde o dado vira análise, decisão e automação.

E aqui entra a ponte com a série “IA na Indústria e Manufatura”: a lógica é a mesma da fábrica inteligente. Em manufatura, sensor ruim e integração fraca destroem qualquer manutenção preditiva. No financeiro, eventos incompletos e dados inconsistentes derrubam score, fraude, pricing, cobrança e atendimento com IA.

Por que ingestão de dados é o gargalo real da IA (no banco e na fábrica)

A ingestão de dados é o gargalo porque ela decide o que a IA enxerga. Se o dado chega atrasado, duplicado, sem padronização ou sem linhagem, a IA aprende errado — e a operação paga a conta.

No setor financeiro, isso aparece em problemas conhecidos:

• Detecção de fraude com falsos positivos altos porque eventos de transação e comportamento chegam fora de ordem.
• Crédito e underwriting com variáveis incompletas (ex.: renda, histórico de atraso, dados cadastrais divergentes).
• IA no atendimento que “alucina” porque bases de conhecimento e histórico do cliente não estão sincronizados.
• Prevenção à lavagem de dinheiro (PLD/AML) enfraquecida por falta de consolidação entre produtos, contas e relacionamentos.

Na manufatura, troque “core bancário” por MES/SCADA/ERP e o padrão se repete: sem um pipeline confiável, não existe IA confiável.

Uma frase que guia bons projetos: “Modelo bom em dado ruim vira decisão ruim em escala.”

O que o caso Erathos sinaliza sobre maturidade de dados

O caso Erathos é um sinal de mercado: infraestrutura de dados está virando produto, não projeto. A empresa brasileira, fundada em 2020, reposicionou o negócio para um SaaS de ingestão de dados que conecta sistemas corporativos a destinos como BigQuery e Databricks, centralizando dados de múltiplas fontes para processamento e análise.

Dois pontos do relato chamam atenção para quem lidera dados em bancos, fintechs e também na indústria:

1) A virada de consultoria para plataforma

A Erathos começou como consultoria, atendendo de indústrias a varejistas e empresas de tecnologia. Isso é comum: a consultoria revela o “sofrimento repetido” — integrações frágeis, scripts que quebram, dependência de pessoas-chave, retrabalho para cada nova fonte.

Transformar esse sofrimento em produto tem um efeito bem prático:

• padroniza conectores e rotinas;
• reduz dependência de “heróis do ETL”;
• acelera onboarding de novas áreas e squads;
• cria previsibilidade de operação e custo.

2) Ecossistema e validação técnica

A empresa afirma ser a única brasileira validada como tech partner do Databricks em engenharia de dados. Para o comprador corporativo, esse tipo de validação não é detalhe de marketing: reduz risco de compatibilidade, melhora governança e facilita desenho de arquitetura com ferramentas já aprovadas internamente.

SaaS de ingestão de dados: o que muda na prática para bancos e fintechs

Um SaaS de ingestão de dados muda o jogo operacional porque desloca esforço de engenharia para configuração e governança. Em vez de construir e manter dezenas (ou centenas) de pipelines customizados, você opera uma camada padronizada.

No artigo-base, a Erathos destaca:

• mais de 70 fontes suportadas;
• cinco opções de destino, incluindo data warehouses relevantes;
• operação remota e self-service, pelo usuário.

Para o setor financeiro, isso se traduz em três ganhos bem concretos.

Padronização e confiabilidade (menos “quebra em produção”)

Quando ingestão é tratada como produto, fica mais fácil:

• versionar mudanças;
• aplicar testes de qualidade de dados;
• monitorar latência e falhas por conector;
• manter trilhas de auditoria.

Em banco, isso tem impacto direto em compliance e em incidentes: uma quebra silenciosa num pipeline pode virar decisão errada em escala (limite, bloqueio, recusa, cobrança, alerta AML).

Velocidade para experimentar IA (com guardrails)

IA aplicada em finanças exige ciclos rápidos: testar features novas, ajustar janelas de tempo, incorporar fontes alternativas, medir drift. Sem ingestão eficiente, cada experimento vira projeto.

Com uma camada SaaS, você acelera:

• criação de data products por domínio (crédito, fraude, atendimento);
• feature engineering com bases mais consistentes;
• alimentação de lakehouse para times de ciência de dados.

Menos custo oculto com manutenção

O custo real de pipelines não é criar. É manter: mudança em API, coluna que some, timezone errado, duplicidade, reprocessamento. Em períodos como dezembro (fechamento, pico de varejo, 13º, sazonalidade de fraude), a conta do “puxadinho de dados” aparece.

Como conectar ingestão de dados à IA: 3 casos de uso que dão ROI

A forma mais segura de justificar investimento em ingestão é amarrar a iniciativas de IA com métrica operacional. Abaixo estão três casos comuns em bancos e fintechs, com o que a ingestão precisa entregar.

1) Fraude em tempo quase real

• Objetivo de negócio: reduzir perdas e reduzir falsos positivos (menos atrito).
• Requisito de ingestão: baixa latência, ordenação de eventos, deduplicação, observabilidade.
• Indicadores práticos: taxa de aprovação, chargeback, tempo de decisão, reclamações.

2) Crédito com features mais confiáveis

• Objetivo de negócio: melhorar default rate sem “apertar demais” a concessão.
• Requisito de ingestão: unificação de identidades, consistência cadastral, histórico completo, atualização incremental.
• Indicadores práticos: inadimplência por coorte, take rate, tempo de análise, revisões manuais.

3) Atendimento com IA e visão 360 do cliente

• Objetivo de negócio: reduzir TMA e aumentar resolução no primeiro contato.
• Requisito de ingestão: integração entre CRM, tickets, transações, base de conhecimento e logs de app.
• Indicadores práticos: TMA, FCR, NPS/CSAT, volume de recontato.

Se você veio da manufatura (tema da série), pense assim: é o equivalente a alimentar manutenção preditiva com sensores calibrados e histórico limpo. O algoritmo é a última peça — não a primeira.

Checklist: o que exigir de uma plataforma de ingestão antes de contratar

A decisão não deve ser “qual ferramenta é mais famosa”, e sim “qual reduz risco e acelera IA com governança”. Eis um checklist que eu usaria numa RFP para banco/fintech (e funciona na indústria também).

1. Cobertura de fontes reais do seu stack (core, adquirência, CRM, ERP, data lake, APIs internas).
2. Modos de ingestão: batch, incremental, CDC quando aplicável.
3. Qualidade de dados embutida: validações, regras, alertas e data contracts.
4. Observabilidade: métricas de latência, sucesso, volume, logs e replay.
5. Governança e auditoria: linhagem, trilhas de mudança, permissões por papel.
6. Segurança: criptografia, segregação de ambientes, gestão de chaves e acessos.
7. Escalabilidade operacional: como lida com picos (fim de mês, Black Friday, fechamento).
8. Compatibilidade com seu destino (warehouse/lakehouse) e com seu padrão de arquitetura.
9. Self-service com limites: autonomia para squads, mas com guardrails corporativos.
10. Plano de migração: como sair de pipelines legados sem parar o banco.

Esse checklist é o que separa “integração bonita na demo” de “pipeline que aguenta auditoria, pico e mudança”.

Investimento em ingestão de dados: por que 2025 reforçou essa tese

A Erathos recebeu investimento em 2023 (Funses) e um novo aporte em 2025 liderado pela Bossa Invest, além de seleção em programa de inovação. O recado por trás disso é simples: infraestrutura de dados virou pré-requisito para analytics e IA, e o mercado começou a pagar por isso.

No contexto de 12/2025, com empresas fechando orçamento e planejando 2026, a pergunta que tenho visto em comitês é menos “vamos usar IA?” e mais:

• quais dados já estão prontos para IA?
• quais domínios geram valor em 90 dias?
• qual é o plano para sair do ETL artesanal?

Quem responde essas três com clareza geralmente está mais perto de capturar valor — seja numa fintech de crédito, seja numa indústria com chão de fábrica instrumentado.

Próximo passo: comece pela ingestão, não pelo modelo

Se você quer IA que funcione no setor financeiro (e a série mostra que isso vale também para manufatura), comece com uma postura pragmática: mapeie as fontes, padronize ingestão, crie observabilidade e só então escale modelos. É menos glamouroso do que falar de LLM, mas é onde a execução ganha ou perde.

A história da Erathos reforça uma verdade incômoda: o caminho mais curto para IA útil passa por engenharia de dados bem feita — e SaaS de ingestão está virando o formato preferido quando a meta é escalar com previsibilidade.

Se você tivesse que escolher apenas um projeto para o 1º trimestre de 2026, você apostaria em mais um piloto de IA… ou em tornar sua ingestão de dados confiável o suficiente para sustentar dez casos de uso ao mesmo tempo?