Em Pauta 2

SCORING & RATING: EMPRESAS E INVESTIDORES PRECISAM DE SISTEMAS DE AVALIAÇÃO E CLASSIFICAÇÃO DE PERFORMANCE EM INTELIGÊNCIA ARTIFICIAL por William Cox

Durante a crise financeira de 1873, cerca de 36% dos títulos corporativos nos Estados Unidos entraram em default, incluindo mais de 100 companhias ferroviárias emissoras de títulos. Naquela época, não existiam sistemas de avaliação ou classificação que permitissem mensurar, de forma objetiva, a solidez financeira desses ativos.

Foi somente em 1909 que John Moody fundou a primeira agência de rating do mundo, emitindo ratings para os títulos de dívida do setor ferroviário, com o objetivo de limitar o risco enfrentado por investidores. Estudos demonstram que os índices de inadimplência e perdas de capital diminuíram significativamente após a introdução dessas ratings.

Assim como os trens naquele período, a inteligência artificial representa hoje o investimento mais disruptivo e debatido do mercado.

De forma surpreendente - e preocupante - estima-se que até 30% da capitalização de mercado do índice S&P 500 (equivalente a US$ 16,74 trilhões) esteja sustentada em expectativas excessivamente otimistas sobre IA. Ou seja, muitos desses investimentos baseiam-se em projeções idealizadas, esperanças e dados ainda escassos sobre a performance real da IA nas empresas.

A Inteligência Artificial está se consolidando como a tecnologia central da nossa era, com impacto direto sobre produtividade, tomada de decisão e modelos de negócios. No entanto, à medida que sistemas de IA se tornam mais poderosos e integrados a processos críticos, surge um problema estrutural: a ausência de métricas confiáveis e padronizadas para avaliar sua qualidade, segurança, impacto econômico e ética.

Da mesma forma que os mercados financeiros dependem de ratings de crédito e as estratégias sustentáveis se apoiam em indicadores ESG, o avanço da economia baseada em IA exige a criação de um sistema próprio de scorings ou ratings. Esse novo arcabouço permitirá que empresas, reguladores e investidores naveguem por um ecossistema onde os modelos de IA variam amplamente em termos de precisão, riscos, desempenho, custo e confiabilidade.

Principais razões para a implementação de sistemas de avaliação em IA:

1. Desempenho de IA varia amplamente - e não há padrão de comparação
Modelos de IA apresentam grandes diferenças quanto a:

• Taxas de acerto e erro
• Comportamento de alucinação
• Especialização em domínios específicos
• Custo computacional
• Robustez e consistência
• Vulnerabilidades de segurança

Apesar disso, o mercado ainda utiliza termos genéricos como “estado da arte”, “nível corporativo” ou “confiável”, sem base objetiva para comparação.

Sistemas de avaliação em IA trazem benchmarks padronizados, permitindo que empresas analisem modelos com base em dados comparáveis e não apenas no discurso comercial.

2. IA introduz riscos novos e de difícil detecção
Os riscos associados à IA superam os da tecnologia da informação tradicional:

• Viés e discriminação nos resultados
• Vazamento de dados e bases de treinamento não seguras
• Deriva de modelo ao longo do tempo
• Deepfakes e fraudes com identidade sintética
• Violações regulatórias (como o AI Act da UE, GDPR, normas contábeis)
• Falta de transparência e auditoria

Conselhos de administração e comitês de risco precisam de classificações claras - semelhantes às de “risco de crédito” ou “risco operacional” - para governar o uso de IA de forma responsável. Profissionais de RI também necessitam de diretrizes objetivas para reportar planos e resultados relacionados à IA.

Sistemas de scoring ajudam a classificar os riscos e identificar vulnerabilidades com antecedência, reduzindo a exposição legal, regulatória e reputacional.

3. Investidores precisam de proteção contra o excesso de hype
A IA tem impulsionado fortemente a valorização de empresas de infraestrutura, semicondutores e software. No entanto, os investidores ainda enfrentam:

• Falta de métricas confiáveis sobre maturidade em IA
• Ausência de transparência nos pipelines de P&D
• Escassez de evidências de impacto real em receita
• Dificuldade em verificar se as alegações sobre IA são fundamentadas

As scorings de IA permitem diferenciar:

• Empresas com capacidades reais e escaláveis em IA
• Empresas que superestimam sua prontidão tecnológica
• Empresas vulneráveis à disrupção
• Empresas com alto risco de desvalorização em uma correção de mercado

Assim como os padrões contábeis evitam manipulações financeiras, as avaliações em IA coíbem o “AI Washing” - práticas de marketing exageradas ou enganosas.

4. Empresas precisam de suporte antes da implementação de IA
Antes de adotar IA, as organizações devem responder a perguntas cruciais:

• Onde e como aplicar IA para gerar valor financeiro?
• Qual é o nível de precisão do modelo?
• Há risco de alucinação ou conteúdo nocivo?
• Como o desempenho varia entre diferentes perfis demográficos?
• Quanto de dados o modelo retém?
• Existem sistemas adequados de governança e registro?

O que ocorre em caso de falha?

Hoje, muitas empresas contratam soluções de IA com diligência técnica mínima, confiando apenas nos fornecedores.

As scorings funcionam como um “selo de qualidade” independente, orientando decisões de aquisição com base em critérios técnicos estruturados.

5. A regulação está avançando - e a avaliação facilita a conformidade
Leis e normas como o AI Act da União Europeia, o Framework de Risco de IA do NIST (EUA) e as iniciativas globais de segurança em IA exigem:

• Transparência
• Documentação
• Monitoramento contínuo
• Testes e validação
• Avaliação de riscos

Sem métodos padronizados, o cumprimento dessas exigências torna-se caro e complexo.

A scoring de IA atua como motor de conformidade, fornecendo:

• Classificações de modelo
• Testes estruturados
• Documentação rastreável
• Trilhas de auditoria

Com isso, reduz-se o custo da governança em IA e aumenta-se a confiança do mercado.

6. Consumidores precisam confiar na IA
À medida que a IA avança sobre setores como justiça, saúde, finanças, RH e educação, os usuários questionam:

• Este modelo é confiável?
• Meus dados estão protegidos?
• A ferramenta é segura para decisões críticas?
• Haverá suporte em 3 a 5 anos?
• Na ausência de indicadores confiáveis, a adoção é desacelerada.

Scorings criam confiança, semelhantes a:

• Certificações UL
• Normas ISO
• Rótulos nutricionais
• Ratings de cibersegurança

Assim, aceleram a adoção segura da IA no mercado.

7. Scorings em IA impulsionam competitividade e inovação
Empresas com boas avaliações podem demonstrar:

• Capacidade superior em IA
• Governança sólida
• Maior eficiência operacional
• Menor exposição a riscos
• Criação de valor sustentável

Isso se torna um diferencial competitivo, impactando:

• Processos de compras
• Decisões de investimento
• Fusões e aquisições
• Atração de talentos
• Estratégias executivas

O scoring de IA passa a compor a identidade competitiva da empresa.

8. A velocidade da IA é maior do que a capacidade de resposta
A IA generativa atingiu 39% de adoção em apenas dois anos — uma marca que a internet levou cinco anos para alcançar e a computação pessoal, quase doze. Apesar dessa rapidez, estudos revelam que menos de 13% das empresas estão efetivamente preparadas para implementar IA.

Sistemas de avaliação permitem quantificar e monitorar a maturidade das empresas, comparando seu progresso com os avanços mais recentes da tecnologia.

Conclusão: Scorings em IA trarão padrões e confiança para empresas, investidores e reguladores

A inteligência artificial está evoluindo mais rapidamente que qualquer outra tecnologia. Sem métricas confiáveis para mensurar sua qualidade, riscos e impacto, empresas operam às cegas — e os mercados tornam-se suscetíveis à volatilidade e à especulação.

Scorings em IA funcionarão como:

• A camada de confiança da nova economia digital
• A camada de auditoria para reguladores
• A base decisória para investidores
• A camada de segurança para a sociedade
• A ferramenta estratégica para empresas

Assim como os ratings de crédito viabilizaram os mercados de capitais modernos, as scorings em IA permitirão a expansão segura e eficaz da economia impulsionada por inteligência artificial. 


William Cox
é sócio da Management & Excellence (Espanha), parceiro global da Hiqo Solutions Inc. (EUA) e da All Scorings (Brasil). Atuou como consultor para mais de 50 empresas de capital aberto e investidores institucionais ao longo de décadas, com foco nos impactos financeiros de processos corporativos, ESG e inteligência artificial.
bill.cox@hiqo-solutions.com