O Cobol embaixo do banco é o que decide se a IA generativa vai funcionar

Equipe Viver de IA · 2026-07-24

Antes de plugar GenAI no setor financeiro, alguém precisa olhar pra fundação que sustenta a operação (e quase ninguém quer).

59% das violações de dados ligadas ao uso de GenAI no setor financeiro envolvem dados regulados. O número é da Netskope Threat Labs, citado em artigo do Finsiders Brasil, e ele diz mais sobre a infraestrutura das instituições do que sobre a IA em si.

A leitura fácil dessa manchete é: banco precisa comprar ferramenta de segurança pra GenAI. A leitura chata, a que dá trabalho, é outra. O problema mora embaixo, no sistema que ninguém quer mexer.

O texto do Finsiders acerta num ponto que a maioria das discussões sobre IA no mercado financeiro ignora: grande parte do setor ainda roda sobre ambientes em Cobol, sustentando operações críticas. E tentar acoplar IA generativa direto nessas fundações antigas, nas palavras da própria matéria, é convite ao risco e à ineficiência.

A gente vê a mesma coisa fora do banco, em empresa de qualquer porte. Só que no financeiro o buraco é mais fundo e mais caro.

O gargalo não está no modelo de IA, está na tubulação

Quando um dono de operação diz "quero IA", ele imagina o modelo respondendo pergunta, gerando relatório, decidindo crédito. O modelo é a parte visível. A parte que faz a IA funcionar (ou explodir) é o encanamento por baixo: onde estão os dados, em que formato, quem consegue acessar, se dá pra integrar sem quebrar o que já roda.

Sistema legado não é só "antigo". É um sistema que foi construído pra fazer uma coisa muito bem e nunca foi pensado pra conversar com nada de fora. Front-end, banco de dados, integrações, regras de negócio, tudo amarrado. Você puxa uma ponta e três outras coisas param.

O artigo dá um exemplo que a gente adora, porque é concreto e recente: a adaptação ao CNPJ alfanumérico. Não é projeto de IA. Mas exigiu que sistemas inteiros deixassem de aceitar só número e passassem a aceitar letra, em todas as camadas. Se uma mudança de campo já obriga a mexer em front-end, banco, integração e regra de negócio ao mesmo tempo, imagina plugar um modelo generativo que precisa ler, cruzar e devolver dado de dezenas desses sistemas.

Sistema legado não é só antigo, é um sistema que nunca foi pensado pra conversar com nada de fora.

Modernizar o legado não é traduzir código de uma linguagem pra outra

Esse é o erro caro. Muita instituição trata modernização como projeto de reescrita: pega o Cobol, transforma em linguagem nova, entrega. No papel parece progresso. Na prática você trocou a roupa de um sistema que continua pensando do jeito velho.

O Finsiders coloca bem: antes de reescrever, precisa entender a real função de cada sistema e decidir se aquele módulo deve ser migrado, descontinuado, rearquitetado ou substituído por solução de mercado. Ou seja, a decisão difícil é de negócio, não de programação. E é aí que quase todo mundo pula a etapa.

Na nossa leitura, a pressa em "ter IA" faz a empresa investir na camada errada. Compra o modelo, monta o piloto bonito, e ele morre porque não tem de onde beber dado limpo. O piloto não falhou por causa da IA. Falhou porque a fundação nunca foi mapeada.

Antes de IA, alguém tem que mapear o que a operação realmente faz

A parte que dá menos foto pro LinkedIn é o assessment: sentar, olhar processo por processo, entender onde o dado nasce, por onde passa, onde apodrece. É trabalho consultivo, lento, sem glamour. E é o que separa a IA que gera resultado da que vira custo mensal de API sem retorno.

A gente viu isso funcionar na prática com a Aceena, do setor automotivo. Antes de qualquer agente de IA, o trabalho foi estruturar a própria base de dados da empresa: sistema de precificação, base inteligente, e só depois os agentes pra apoiar vendas, atendimento e análise. Com a fundação de dados organizada, a qualificação de leads de MQL para SQL melhorou 27%. O número não veio do modelo mágico. Veio de ter arrumado a casa antes.

Mesma lógica na Samed, na saúde, que começou pela plataforma de gestão integrada (front-end em Lovable, automações em N8N) pra centralizar dado, e daí a viabilidade do projeto ficou clara. Ordem certa: base primeiro, inteligência depois.

Quem inverte a ordem paga duas vezes.

O risco de segurança da GenAI é filho da bagunça, não da tecnologia

Volta pro 59% da Netskope. Dados regulados vazando pelo uso de GenAI raramente é falha do modelo em si. É gente jogando informação sensível numa ferramenta pública porque a empresa não deu uma ferramenta interna, não definiu governança, não sabe onde o dado sensível está guardado.

Ou seja: o vazamento é sintoma da mesma doença do legado não mapeado. Se você não sabe o que roda onde, não sabe o que precisa proteger. GenAI não criou o risco, ela só iluminou o quarto que estava bagunçado no escuro.

Aqui vale uma admissão honesta: quanto desse 59% é erro de configuração, quanto é comportamento de funcionário e quanto é falha estrutural, a matéria não abre, e a gente não tem como cravar. O que dá pra afirmar é a direção. Onde a governança de dado é frouxa, GenAI vira porta de saída de informação. Isso a experiência de implementação confirma repetidamente.

O que fazer com isso (na ordem que funciona)

Pra quem toca operação em banco, fintech, seguradora, ou qualquer empresa que carrega sistema velho nas costas, a sequência que a gente vê dar certo:

• Mapear antes de comprar. Levante onde cada dado crítico nasce, transita e é armazenado. Sem esse mapa, qualquer projeto de IA é aposta.
• Decidir módulo por módulo. Nem tudo precisa ser reescrito. Alguns sistemas migram, outros são descontinuados, outros trocados por solução pronta. Essa é decisão de negócio, feita com quem entende a operação.
• Arrumar a governança de dado antes de abrir GenAI pro time. Defina o que pode e o que não pode entrar num modelo. Dê ferramenta interna pra que ninguém precise recorrer à pública.
• Começar a IA pela camada que tem dado limpo. Onde a base já está organizada, o modelo gera valor rápido. Comece por ali, mostre resultado, financie o resto.
• Tratar o legado como jornada, não como projeto de fim de semana. É contínuo. Modernização e adoção de IA andam juntas, não em fases separadas.

Se a sua empresa não sabe por onde começar esse mapa, é exatamente pra isso que serve um diagnóstico de IA: olhar a operação real antes de escolher qualquer ferramenta.

A IA generativa entrou na agenda do financeiro pra ficar. Quem vai extrair valor dela não é quem comprou o modelo mais caro. É quem teve estômago pra olhar a fundação primeiro.

Fonte: IA Generativa no setor financeiro: modernização e segurança

Relacionados

Agentes de IA: o guia completo

Soluções de IA prontas para empresas

Mais de 500 cases reais de IA

Como integrar IA ao CRM sem trocar de sistema (o guia direto)

Gemini multimodal: por que juntar texto, voz e imagem muda menos coisa na sua empresa do que parece