Inteligência artificial e dados são ferramentas para bancos se adequarem à Resolução CMN 4.966/21

Em novembro de 2021, o Banco Central (Bacen) estabeleceu um novo modelo de mensuração de provisão para perdas esperadas associadas ao risco de crédito para os bancos por meio da Resolução CMN 4.966/21, que tem como base a regra internacional do IASB, IFRS 9. Essa nova regulamentação entrará em vigor em janeiro de 2025.

Porém, em 2023, as instituições financeiras precisam iniciar a implementação e os testes para a geração desse novo cálculo de provisão de crédito, uma vez que, no ano que vem, será necessário gerar uma série de relatórios e avaliações extraoficiais para efeitos de comparação entre os resultados atuais de provisão de crédito e os novos, à luz da CMN 4.966/21.

O novo desafio para os bancos a partir dessa resolução reside em estimar e operacionalizar, de forma adequada e em grande escala, o risco de crédito com novas variáveis que não entravam no cálculo anteriormente; e em uma esteira produtiva que consiga trazer governança e segurança com o mínimo de esforço.

“Será preciso aplicar essa nova análise do risco de crédito mesmo que o rating de um cliente seja bom, pois o modelo de perda esperada deve focar na capacidade de pagamento futura do cliente e não apenas em sua situação atual", explica o gerente de soluções do SAS, Thiago Escrivão. “Por exemplo, a concessão de crédito para uma empresa de um setor que será afetado pelo risco climático. Mesmo que a situação financeira dessa empresa seja saudável, o novo modelo de perda esperada já deveria refletir a dificuldade futura de geração de receita do cliente, penalizando o rating atual.”

Ou seja, é preciso levar em consideração o cenário macroeconômico e a situação projetada de cada empresa ou setor para calcular a perda esperada. Ter capacidade de projetar e simular a carteira de crédito levando em consideração o impacto dessas novas variáveis passa a ser importante para o banco, já que assim ele consegue controlar os efeitos no resultado da instituição e suas consequências em termos de capital e distribuição de dividendos. “Por isso, a aplicação e teste de novos modelos, e a utilização de novas variáveis demandará um alto nível de análise de dados e a necessidade de aperfeiçoamento do processo como um todo”, explica Escrivão.

Inteligência artificial (IA) no cumprimento da lei

O especialista destaca que, por meio de soluções analíticas abrangentes e robustas, como as de IA e machine learning (ML), os bancos podem acelerar a adequação à Resolução CMN 4.966/21 e, no processo, fortalecer a cultura de gestão do negócio em reconhecimento ao seu risco inerente. O uso do analytics também facilita o processo de estimar as perdas esperadas de crédito, algo fundamental não apenas no cumprimento da norma, mas na gestão dos resultados.

“Isso significa criar modelos, critérios e cenários para poder gerar os testes, comparações e validações correspondentes na busca dos modelos mais adequados para cada carteira e/ou setor. Além de ter que desenvolver novos relatórios e deliberações de rating de crédito, face a prazos de execução cada vez mais curtos. Isso significa, em muitos aspectos, otimizar o negócio e o processo de avaliação”, afirma.

Para o executivo, as instituições financeiras devem, portanto, enfrentar esses desafios de forma holística para se adaptar às mudanças. “Partir de uma abordagem bem estruturada e integrada de gestão de dados, modelos corporativos, processos e divulgação consistente de informações, fomenta essa cultura saudável que inspira confiança no mercado e abre as portas para uma maior competitividade e sustentabilidade ao longo do tempo.”

Escrivão explica que as organizações devem resolver esses problemas de forma integrada e abrangente considerando várias áreas, como finanças, riscos, contabilidade e tecnologia. Caso contrário, os custos gerais de conformidade podem se tornar altos, especialmente se várias partes da organização criarem processos redundantes ou sobrepostos. Nesse sentido, uma tecnologia robusta também é essencial para diminuir o tempo gasto pela equipe na execução do projeto e na sobrecarga de gerenciamento de várias plataformas.

“A solução SAS para atendimento da CMN 4.966/21 combinada ao hub de analytics baseado em IA e ML conseguem endereçar de ponta a ponta esse cálculo da perda esperada, desde a preparação dos dados até as regras de alocação de estágio e SPPI (Solely Payment of Principal and Interest, na sigla em inglês) , com um motor de cálculo que permite realizar n combinações e testes de modelos antes de realmente serem colocados em produção, gerando todos os relatórios que a área contábil vai precisar”, esclarece.

O executivo ressalta que os processos de modelagem analítica de perda esperada de uma instituição financeira devem ser robustos, porém flexíveis o suficiente para acomodar mudanças dinâmicas que o processo de aperfeiçoamento dos modelos pode exigir. Dessa forma, uma biblioteca de modelos centralizada, de fácil replicação e manutenção fornece uma estrutura integrada para manter a governança sobre o processo e evolução das simulações de uma forma ágil.

“A transição para a Resolução CMN 4.966/21 apresenta muitos desafios financeiros e operacionais — agravados pelos inúmeros detalhes de implementação que fazem parte do negócio como um todo. Porém, a implementação proativa de uma abordagem analítica bem governada aumentará a capacidade dos bancos de gerenciar problemas críticos agora e no futuro”, conclui.