IA na análise de crédito: o case Sinky na prática

72 horas para analisar crédito não é “demora”: é custo, risco e oportunidade perdida. E esse número não é hipotético. Foi o tempo que a operação de crédito da Rands (braço financeiro da Randoncorp) levava para organizar documentos, padronizar informações e chegar a uma decisão. Depois de implementar a Sinky, esse fluxo passou a acontecer em minutos.

Esse caso virou notícia em 19/12/2025 porque traz dois sinais fortes para quem trabalha com crédito, risco e compliance no Brasil: (1) a inteligência artificial já está mexendo no “miolo” do backoffice financeiro, não só no atendimento; (2) empresas tradicionais estão colocando dinheiro e reputação em fintechs de IA quando a tese faz sentido no chão de fábrica.

Nesta edição da série “IA no Setor Financeiro e FinTech”, eu quero ir além do anúncio da rodada seed da Sinky. Vou destrinchar o que muda quando a análise de crédito é automatizada com IA, por que isso atrai investidores corporativos como a Randoncorp e, principalmente, como bancos, FIDCs, financeiras e fintechs podem avaliar (sem ingenuidade) se esse tipo de solução cabe no seu cenário.

O que a Sinky mostra sobre IA no crédito (e por que isso importa)

A resposta direta: IA aplicada ao backoffice de crédito reduz tempo, padroniza decisões e melhora auditabilidade — desde que o processo esteja bem desenhado. O ponto não é “substituir analistas”, e sim tirar do humano o trabalho repetitivo (e sujeito a erro) de coletar, organizar e interpretar documentos e bases.

No caso descrito, a dor era clássica: o cliente enviava balanço, DRE, extratos, dados societários, CNPJ e outras evidências. Alguém precisava:

• extrair números e textos desses materiais;
• transferir para planilhas padronizadas;
• calcular indicadores;
• confrontar com regras internas;
• decidir e registrar justificativas.

Essa etapa é lenta por um motivo simples: cada empresa manda informação em um formato, e o esforço de normalização consome horas. A promessa central da Sinky é automatizar esse caminho e aplicar as regras do credor com consistência.

O que muda quando isso funciona? Três coisas que pesam no P&L e no risco:

1. Velocidade (time-to-yes / time-to-no): reduz fila, aumenta conversão e melhora experiência do cliente empresarial.
2. Consistência: as regras ficam mais uniformes e menos “dependentes” do estilo do analista.
3. Registro e rastreabilidade: relatórios podem sair mais padronizados, facilitando auditoria interna e controles.

Como a automação corta o ciclo de 72 horas para minutos

A resposta direta: a redução vem de automatizar a leitura, estruturação e checagem de dados — não apenas de “fazer score”. Muita gente associa IA no crédito a um modelo que prevê inadimplência. Na prática operacional, o gargalo frequentemente está antes: documentação, validação, preenchimento e consolidação.

Pense no ciclo como uma esteira:

1. Entrada de documentos (balanço, DRE, extratos, contratos, dados cadastrais).
2. Extração e padronização (transformar PDF e planilhas “do cliente” em dados estruturados).
3. Enriquecimento com bases (Receita Federal, bureaus, listas internas, KYC/KYB).
4. Cálculo de indicadores (liquidez, endividamento, margem, evolução de receita).
5. Aplicação de política de crédito (alçadas, limites, regras por segmento, exceções).
6. Decisão e documentação (aprova/reprova/condiciona + justificativa).

Quando alguém diz “caiu de 72 horas para minutos”, normalmente a melhoria está em 2, 3 e 6. É ali que o trabalho humano vira “colagem” e checagem repetitiva.

A diferença entre automatizar e só ‘acelerar’

A resposta direta: automatizar é tornar o fluxo repetível e controlado; acelerar é só colocar mais gente ou mais planilhas.

O atalho comum (e caro) é crescer time para dar conta de volume. O problema é que isso:

• aumenta custo fixo;
• piora consistência entre analistas;
• cria retrabalho quando muda a política de crédito;
• faz a auditoria virar um quebra-cabeça.

Soluções como a Sinky, quando bem implementadas, tentam atacar a raiz: um pipeline que lê, interpreta, estrutura e explica.

Por que a Randoncorp entrou na rodada seed (e o que isso sinaliza)

A resposta direta: corporate venture capital entra quando há “prova de valor” dentro de casa e potencial de escala fora dela. A Rands foi o primeiro cliente e viu resultado prático. Isso reduz o risco de tese para o investidor corporativo.

Um investimento desse tipo manda um recado para o mercado: IA em crédito não é mais só piloto; está virando infraestrutura.

E tem um detalhe que eu considero crucial: o crédito da economia real (cadeias de suprimentos, transportes, indústria, agro, distribuidores) vive de velocidade e previsibilidade. Em dezembro, então, esse tema fica ainda mais sensível porque muitas empresas fecham o ano com:

• renegociação de limites;
• pressão de capital de giro;
• reclassificação de risco;
• reavaliação de políticas para o novo exercício.

Quando uma operação reduz drasticamente o tempo de decisão, ela ganha fôlego comercial sem necessariamente aumentar apetite a risco.

A tese “Sinqia da era da IA” e o backoffice invisível

A resposta direta: o maior mercado de software financeiro não é o que aparece no app; é o que sustenta as decisões.

A fala do investidor sobre “ocupar um espaço enorme e pouco visível” é precisa: crédito, risco, fraude e compliance exigem rotinas e sistemas que raramente viram manchete — mas definem o resultado.

Se a Sinky conseguir virar peça estrutural (tipo “sistema nervoso” do backoffice), o impacto é grande: ela deixa de ser ferramenta e vira camada de decisão.

Como funciona uma abordagem com múltiplos agentes de IA (sem hype)

A resposta direta: múltiplos agentes especializam a leitura por fonte/formato e reduzem erro de interpretação.

Segundo o caso, a Sinky combina IA generativa, machine learning e múltiplos agentes treinados para tarefas específicas (por exemplo, interpretar extratos bancários de um banco específico; ler DRE; interpretar dados de bureau). No final, um “copilot” compila o relatório.

Isso é interessante por um motivo prático: documentos financeiros não são “texto comum”. Eles têm:

• tabelas mal formatadas;
• PDFs escaneados;
• nomenclaturas diferentes por ERP/contador;
• notas explicativas que mudam o sentido do número.

Especialização por tipo de documento tende a melhorar robustez. Mas tem contrapartidas: manutenção, governança e testes ficam mais importantes.

Onde a IA agrega mais valor no crédito PJ

A resposta direta: o valor aparece quando a IA entrega “dados prontos para decisão” com justificativa, não só uma nota final.

Em crédito PJ, sobretudo para PMEs e middle market, a decisão precisa ser explicável para:

• comitê e alçadas;
• auditoria;
• reguladores e controles internos;
• o próprio cliente (em casos de condicionantes).

Uma saída eficiente costuma incluir:

• indicadores calculados e comparáveis;
• resumo executivo do cliente;
• pontos de atenção (concentração, sazonalidade, quedas de margem);
• trilha de evidências (o dado veio de onde?).

Checklist: como avaliar uma solução de IA para análise de crédito

A resposta direta: compre governança e integração antes de comprar “automação”. Se eu estivesse avaliando uma solução desse tipo em banco, FIDC ou fintech, eu começaria por estas perguntas.

1) Política de crédito vira regra executável?

• As regras estão claras, versionadas e documentadas?
• Existe trilha de auditoria do que foi aplicado em cada decisão?
• Dá para simular mudanças (ex.: “se eu alterar o limite por setor, o que acontece?”)?

2) Explicabilidade e evidências

• O relatório mostra por que aprovou/reprovou?
• Consegue citar indicadores e fontes usadas?
• Há campos para parecer humano e justificativa de exceção?

3) Qualidade de extração (documentos do mundo real)

• Lê PDF escaneado com OCR aceitável?
• Interpreta tabelas e notas?
• Aguenta variações de layout sem “quebrar” o processo?

4) Integrações e dependências

• Conecta com bureaus, Receita, antifraude e CRM?
• Exige time de dev toda vez que muda um fornecedor de dados?
• Há limites de disponibilidade/latência que afetem SLA?

5) Segurança, privacidade e controles

• Como trata dados sensíveis e LGPD?
• Existe segregação por perfis, logs, criptografia e retenção?
• Como evita vazamento via prompts, anexos e exportações?

6) Medição de impacto (sem autoengano)

Defina métricas antes do rollout:

• tempo médio até decisão;
• custo por análise;
• taxa de retrabalho;
• taxa de exceção e motivos;
• inadimplência por coorte (pós-implementação);
• qualidade do dossiê (completude e auditabilidade).

“A IA vai aprovar crédito errado?” Onde mora o risco de verdade

A resposta direta: o risco não é a IA “errar um número”; é a empresa automatizar um processo ruim e escalar o problema.

Os principais pontos de falha, na prática, são:

• Regras mal definidas: se a política é ambígua, o sistema só automatiza a ambiguidade.
• Dados incompletos: falta de documentos e inconsistências de origem geram decisões frágeis.
• Exceções sem controle: quando exceção vira rotina, a governança some.
• Dependência de um único modelo: sem monitoramento, a performance degrada com mudanças de cenário.

Uma boa implementação aceita uma verdade simples: haverá casos de análise manual. O objetivo é que eles sejam minoria, bem triados e com material “mastigado”.

Próximos passos: como começar sem travar a operação

A resposta direta: comece por um recorte de produto/segmento e implemente como “esteira paralela” antes de virar padrão.

Um caminho sensato costuma ser:

1. escolher um segmento (ex.: crédito PJ até certo limite);
2. padronizar checklist documental;
3. rodar a IA em paralelo por 30–60 dias;
4. comparar decisões, tempo e qualidade do dossiê;
5. ajustar regras e só então expandir.

Se você está montando um plano de IA no setor financeiro para 2026, eu colocaria automação de backoffice (crédito, fraude e compliance) no topo da lista. É onde há mais desperdício escondido — e onde os ganhos aparecem rápido.

Uma boa frase para guiar o projeto: “Decisão rápida sem rastreabilidade é só pressa; decisão rápida e auditável é escala.”

Se a Sinky conseguiu transformar 72 horas em minutos em uma operação real, a pergunta que fica para bancos e fintechs é direta: qual parte do seu fluxo ainda depende de planilha, cópia e cola — e quanto isso está custando por mês?