#FinOpen: Como a inteligência artificial impulsiona a terceira camada estratégica do Open Finance? E qual é o impacto dos MCPs?
W FINTECHS NEWSLETTER #164
👀 English Version 👉 here
👉A W Fintechs é uma newsletter focada em inovação financeira. Toda segunda-feira, às 8:21 a.m. (horário de Brasília), você receberá uma análise profunda no seu e-mail.
Bem-vindo à edição da série Finance is Open.
A cada duas quartas-feiras, além das edições tradicionais de segunda-feira, abordarei os principais tópicos e as últimas atualizações sobre o que está acontecendo no Open Finance, tanto no Brasil quanto no mundo.
Esta edição do Finance is Open é trazida por
A Belvo é a principal plataforma de Open Finance no Brasil e México, fornecendo a inteligência necessária para que mais de 150 clientes ofereçam melhores serviços financeiros, com mais de 13 milhões de consentimentos de dados ativos no Brasil. Captou R$ 400 milhões de fundos globais, como Kaszek, Quona e Y Combinator para inovar na América Latina.
Um dos principais motivadores para o surgimento de infraestruturas de compartilhamento de dados foi a dificuldade que players menores tinham para acessar informações concentradas nas mãos dos grandes bancos.
Essa assimetria levou diversos reguladores, como os do Reino Unido, a iniciar investigações que mais tarde resultariam em multas aplicadas aos nove maiores bancos britânicos e no financiamento da primeira fase do Open Banking no país. A intenção dessa primeira onda era abrir a camada de disponibilidade do ecossistema ao transformar dados historicamente fechados em dados acessíveis, padronizados e estruturados para novos entrantes.
Foi através da disponibilização de APIs padronizadas, do fortalecimento da reciprocidade no compartilhamento de dados e do estabelecimento de um padrão de qualidade dos dados disponíveis, que o ecossistema financeiro se tornou mais competitivo e menos sujeito à assimetria informacional que acabava gerando seleção adversa e dificultava o acesso ao sistema bancário por novos entrantes e até mesmo novos usuários finais.
Podemos dizer que essa etapa inicial representava a construção da camada de acessibilidade, isto é, garantia que o acesso aos dados disponíveis pudesse ser feito agora de forma segura e capaz de sustentar uma economia de dados mais ampla. Depois de alguns anos desde a implementação em diversos países, como Brasil, Reino Unido e outros países da Europa, essas infraestruturas encontram-se com o avanço de ferramentas como a inteligência artificial.
Abrimos os escopos de dados, ampliamos a oferta de APIs, criamos obrigações regulatórias e fomentamos mais a competição. E agora todo esse ecossistema encontra-se com ferramentas que são enriquecidas exatamente por dados e conseguem aumentar ainda mais suas capacidades a cada novo dado integrado a elas. Nesse ponto, fica claro que a camada de disponibilidade evoluiu e que a camada de acessibilidade amadureceu, mas que ainda falta o amadurecimento do terceiro elemento da tríade, que é a camada analítica capaz de transformar esses dados em informação úteis para os players.
Apesar dos dados do Open Finance já estarem sendo usados em muitos casos de uso e muitos países já somarem milhões de consentimentos ativos, ainda falta uma camada cognitiva capaz de interpretar esses dados de forma contextualizada. Ou seja, muitos dados estão abertos, mas não estão inteligíveis.
É exatamente aqui que surge a camada de analytics da tríade, responsável por interpretar, categorizar e prever. Sem ela, a abertura dos dados produz um volume cada vez maior, mas acaba não gerando valor para a ponta final. E é justamente essa lacuna entre o acesso e a interpretação que define o ponto de inflexão que estamos atravessando agora.
A IA reduz a assimetria que o Open Finance, por si só, não conseguiu eliminar. Não porque o Open Finance seja insuficiente, mas porque sua função nunca foi interpretar dados, e sim disponibilizá-los e torná-los acessíveis.
O Open Finance seria similar a internet, pois por si só a internet não faz nada além de conectar pontos. O valor surge quando acrescentamos ferramentas capazes de transformar essa conexão em conhecimento e utilidade, isto é, quando a camada analítica entra em ação e converte o simples acesso aos dados em inteligência. É nesse ponto que a tríade se completa e que o ecossistema deixa de depender apenas da infraestrutura técnico-regulatória que o Open Finance oferece.
Nesta edição, vou explorar os motivos pelos quais a inteligência artificial completa a tríade do Open Finance ao transformar dados em interpretação e contexto. Também vou aprofundar como essa camada analítica abre espaço para a lógica dos MCPs (Model Context Protocol), um quarto A (Agency) que permite organizar dados e sistemas em estruturas capazes de raciocinar e agir, ampliando ainda mais o potencial do Open Finance como uma infraestrutura de inteligência.
O ponto de inflexão que faz a IA destravar o verdadeiro potencial dos dados de Open Finance
A discussão sobre o potencial dos dados abertos sempre orbitou em torno do acesso, padronização e governança, mas conforme o ecossistema evoluiu ficou claro que nada disso produz valor real se os dados não estiverem prontos para uso e não existirem ferramentas capazes de possibilitar isso.
Não atoa reguladores, bancos e fintechs passaram os últimos anos lapidando as APIs, os formatos dos dados e os fluxos de consentimento. Só que, conforme o ecossistema ganhou corpo, ficou evidente que o verdadeiro ponto de virada aconteceria quando a inteligência artificial entrasse na equação. Quando observamos essas infraestruturas de compartilhamento de dados sob a ótica do Triple A Model, separamos esta jornada em três camadas: availability, accessibility e analytics.
A primeira sendo a base regulatória e técnica que permite que as APIs exponham esses dados financeiros em escala. A segunda sendo a capacidade de terceiros acessarem esses dados de forma segura, estruturada e confiável. A terceira, o analytics, onde o valor é efetivamente criado ao transformar esses dados em informação e inteligência. O que se viu globalmente foi uma enorme energia concentrada nas duas primeiras camadas, enquanto a terceira permanecia imatura e fragmentada.
Na camada de availability, houve um salto notável com o surgimento de diferentes dispositivos regulatórios como o PSD2 na Europa e iniciativas semelhantes na Austrália, Índia e no Brasil. O volume, a variedade e a velocidade dos dados aumentaram de forma radical nos últimos anos, tanto dentro das instituições quanto fora. Só que essa abundância não apagou os problemas que muitas instituições ainda passam, como os sistemas legados, as bases fragmentadas, as taxonomias diferentes e as práticas distintas de armazenamento.
A camada de accessibility deveria ser o antídoto parcial para isso, garantindo um acesso mais padronizado e interoperável a esses dados, mas, na prática, o que vimos foi um mosaico de diferentes padrões técnicos surgindo ao redor do mundo. A Europa, por exemplo, convive com frameworks como Berlin Group e STET, que não se integram de forma perfeita com outros padrões. No resto do mundo também há diferentes padrões disponíveis, cada um limitado a diferentes dados.
Um estudo publicado recentemente pela entidade de implementação do Open Banking britânico mostrou que, mesmo onde há APIs bem definidas, o provisionamento de dados segue caro e complexo 1. Os bancos continuam tendo trabalho na limpeza e na reestruturação dos dados para disponibilizá-los, enquanto as fintechs investem um esforço adicional reorganizando o que recebem. Availability e accessibility, embora sejam essenciais e fundamentais para a viabilidade dessas infraestruturas, não conseguem sozinhas gerar valor sustentável sem que o analytics esteja à altura.
Nesse ponto, a camada de analytics deixa de ser o último passo e passa a ser o centro do processo. A IA começa a corrigir as falhas acumuladas nas etapas anteriores ao interpretar, organizar e enriquecer dados que chegam quebrados e sem padrão. Os modelos identificam padrões, detectam erros e conectam informações que um pipeline tradicional dificilmente perceberia, justamente porque, enquanto ele segue regras fixas e tem pouca flexibilidade, a IA aprende com os próprios dados e melhora esse fluxo de forma contínua.
Um outro ponto interessante neste cenário é que o mercado financeiro compartilha problemas que não podem ser resolvidos de forma isolada, como fraudes multifonte, cibersegurança e detecção de ameaças sistêmicas.
Embora muitas instituições estejam trabalhando internamente com IA, quando ela é aplicada de maneira colaborativa, ou seja, quando diferentes instituições compartilham sinais, padrões e aprendizados sem expor dados sensíveis individuais, ela consegue identificar comportamentos suspeitos que aparecem em vários lugares ao mesmo tempo. Isso permite detectar padrões fraudulentos que atravessam as próprias instituições, reduzir falsos positivos e aumentar a resiliência do sistema como um todo. Nessa dimensão, os dados abertos deixam de servir apenas para competir por melhores produtos e passam a sustentar mecanismos mais integrados e coletivos buscando uma maior segurança e estabilidade do ecossistema financeiro, como um todo.
É justamente nesse espaço colaborativo (o último da imagem acima, relacionado ao mercado) que a fragmentação do Open Banking/Open Finance revela seus efeitos mais graves. Quando as APIs não dialogam de modo consistente, ou quando cada país e instituição implementa versões próprias dos padrões, fica muito difícil construir modelos verdadeiramente integrados.
Um estudo feito pela EBA (European Banking Authority) enxerga aí um gargalo estrutural que bloqueia a evolução para sistemas financeiros mais inteligentes 2. Um outro ponto interessante também foi trazido por um green paper da OBL (Open Banking Limited) que mostra que diferentes LLMs interpretam de maneira distinta o Open Banking Standard (o padrão de API britânico), mesmo quando a especificação é a mesma 3. Isso reforça ainda mais a ideia e a importância de treinar modelos de IA voltados especificamente para os padrões financeiros, fazendo que, assim, eles sejam capazes de reduzir essas diferenças de interpretação.
Ou seja, depois de uma década concentrando energia em availability e accessibility, o centro de gravidade finalmente migra para o analytics, o topo do Triple A Model. É nessa camada que a inteligência artificial atua de forma descritiva, diagnóstica e preditiva, transformando dados pouco úteis em insumos mais estratégicos para as instituições. Podemos dizer que de fato o Open Finance deixa de ser apenas uma infraestrutura de acesso a dados e começa a operar como uma infraestrutura de inteligência.
O quarto A do Open Finance e o papel do Model Context Protocol (MCP)
É exatamente nesse momento que o modelo de MCP (Model Context Protocol) pode ser aplicado ao Open Finance. Embora o setor já tenha avançado significativamente no acesso aos dados, o que fica claro é que temos disponibilidade e acessibilidade, estamos começando a ter a camada analítica, mas falta a camada que organiza, conecta e transforma estes dados em movimento.
É aí que penso que o MCP surge como essa ponte, um protocolo que pode padronizar a forma como sistemas, dados e agentes se relacionam, criando um ambiente onde a inteligência pode agir de forma estruturada e com ainda mais precisão.
Na prática, um agente, dentro dessa lógica, é uma arquitetura capaz de observar dados, interpretar contexto, planejar ações e executar tarefas de forma autônoma e auditável. Ele funciona no MCP porque encontra uma camada de padronização que organiza recursos, ferramentas e semântica, permitindo que seu raciocínio não dependa mais de integrações manuais ou regras dispersas. É essa base que possibilita que os agentes de relacionamento entendam rotinas financeiras e proponham ajustes, que agentes de fraude cruzem sinais internos e externos para identificar anomalias e que agentes de compliance examinem eventos e construam relatórios de acordo com normas específicas.
Quando esse raciocínio é aplicado ao Open Finance, o ecossistema deixa de ser uma coleção de APIs e passa a se comportar como um ambiente unificado por uma camada de contexto. Essa camada é formada por servidores MCP especializados por domínio, como contas, transações, pagamentos, identidade, fraude e compliance. Cada servidor não apenas expõe dados, mas também oferece ações possíveis, permitindo que os agentes interajam com o ambiente de forma concreta ao simular cenários, acionar rotinas ou gerar análises sem depender de integrações manuais.
Esse movimento adiciona um quarto pilar ao Triple A tradicional. Availability e accessibility continuam sendo essenciais e analytics segue como o espaço em que o valor é criado, mas surge um novo componente: o agency. Essa camada permite que sistemas deixem de reagir a consultas e passem a antecipar necessidades, coordenar fluxos, gerar explicações e ajustar decisões de acordo com as políticas internas. Fazendo com que, de forma prática, a infraestrutura deixe de ser apenas um meio de acesso e se torna um ambiente que toma decisões de maneira contextualizada.
A partir disso, em vez de cada instituição manter integrações próprias para diferentes fornecedores e padrões, os servidores MCP podem encapsular essa complexidade. O agente não precisa entender como cada país define uma conta ou qual é o formato exato de uma transação, pois o servidor MCP já cuidará dessas diferenças.
Penso que é aqui que começamos a entrar num nível ainda maior de utilidade real do Open Finance. Hoje, ainda são poucos os modelos verdadeiramente treinados para lidar com a diversidade e a sensibilidade dos dados financeiros. No Brasil, surgiram iniciativas como a Pierre Finance, que busca desenvolver modelos especializados com base nas estruturas bancárias locais. No cenário internacional, há movimentos como o e2e MCP, focado em criar camadas de interpretação para APIs e padrões globais. Há como expandir isso para experimentos em crédito, detecção de fraude e reconciliação automática.
Na visão do Co-CEO da Belvo, Oriol Tintoré, por exemplo, no Brasil hoje os dados do Open Finance não são amplamente utilizados devido às etapas manuais necessárias em sua análise e na definição de casos de uso. Muitas equipes analisam manualmente conjuntos de dados muito complexos e, em seguida, idealizam potenciais casos de uso, resultando em projetos subsequentes que demoram muito para serem executados. Isso limita e reduz o impacto do Open Finance.
Para superar isso, a Belvo está investindo na próxima geração de infraestrutura com Agentes de IA. Acreditando, também, que essas ferramentas são capazes de automatizar e escalar a personalização dos serviços financeiros.
Ou seja, quando conectarmos todas essas peças, começaremos a visualizar um ecossistema mais maduro de compartilhamento de dados, onde os três As do Triple A Model se unem ao quarto A (agency) impulsionado totalmente pela IA. O Open Finance deixará de ser apenas uma arquitetura de conexão e se transformará em uma arquitetura de interpretação e decisão ainda mais coordenada e contextualizada. Se essa trajetória continuar, veremos um sistema financeiro realmente mais colaborativo entre diferentes instituições, em que os dados financeiros circulam com ainda mais contextualização e permitindo que as instituições criem produtos, modelos e serviços que aprendem em tempo real com a própria evolução e disponibilidade da economia de dados.
Saúde e paz,
Walter Pereira
Disclaimer: As opiniões expressas aqui são de total responsabilidade do autor, Walter Pereira, e não refletem necessariamente as opiniões dos patrocinadores, parceiros ou clientes da W Fintechs.
https://www.openbanking.org.uk/insights/ai-and-open-finance-shaping-the-future-of-financial-innovation/
https://www.abe-eba.eu/wp-content/uploads/2025/07/eba_201906_obwg_ai_in_the_era_of_open_banking_double_page_view-5.pdf
https://www.openbanking.org.uk/insights/ai-and-open-finance-shaping-the-future-of-financial-innovation/