Em 2024, o Brasil chegou a 72,6 milhões de inadimplentes, segundo o Mapa da Inadimplência da Serasa. No mesmo período, dezenas de operações de cobrança anunciaram a implementação de inteligência artificial em seus processos. O resultado agregado? Cost-of-collection sem variação relevante, roll rates estagnados, carteiras de crédito e NPL negociadas com deságio crescente. A contradição não é acidental. É estrutural.
A Ilusão do Chatbot: Automação Sem Estratégia é Custo Disfarçado
A maioria do que o mercado chama de IA na cobrança é, na prática, um fluxograma digital com voz. Um bot de árvore de decisão, por mais sofisticado que pareça, não aprende, não adapta e não muda de estratégia diante de um perfil de devedor com comportamento atípico.
O erro fundamental está em automatizar o atendimento sem atacar o problema de fundo: a estratégia de acionamento por trás do bot é equivocada. Ou inexistente.
Considere o cenário mais comum em carteiras de varejo:
- Um devedor com capacidade de pagamento e resistência comportamental recebe a mesma régua de cobrança de um devedor em situação de insolvência técnica.
- O bot encaminha ambos para a mesma oferta de desconto, diluindo margem desnecessariamente no primeiro caso.
- O cost-of-collection cai no curto prazo pela redução de headcount, mas o custo por conta trabalhada que efetivamente recupera caixa não se move.
Chatbot sem modelo de propensão é redução de headcount com aparência de inteligência. E redução de headcount, sozinha, não altera a curva de recuperação de uma carteira.
O Cost-of-Collection na Prática: Operador Humano vs. Agente de IA
Cost-of-collection é o custo total para recuperar R$1,00 de dívida. Parece simples. Na prática, é o indicador que mais concentra ineficiência em operações de cobrança de médio e grande porte.
Numa operação convencional com 50 operadores ativos, o custo por contato produtivo fica entre R$12 e R$25, considerando salário, encargos, infraestrutura de discagem e supervisão. Com capacidade de 80 a 120 contas trabalhadas por operador por dia e jornada de 8 horas, o teto operacional é fixo e o custo por recuperação tende a subir à medida que a carteira envelhece.
Um agente de IA opera numa lógica diferente. Não substitui apenas o atendimento: ele executa a decisão sobre quem acionar, quando, por qual canal e com qual oferta, em tempo real, para milhares de contas simultaneamente.
| Métrica | Operador Humano | Agente de IA (Agentic) |
|---|---|---|
| Contas trabalhadas/dia | 80 a 120 | 800 a 2.000 |
| Custo por contato | R$ 12 a R$ 25 | R$ 0,80 a R$ 3,00 |
| Horário de operação | 8h por dia | 24h por dia (respeitando Lei Não Perturbe) |
| Consistência de abordagem | Variável por operador | 100% padronizada |
| Adaptação por perfil | Depende de treinamento | Modelo de propensão em tempo real |
| Tempo de resposta ao devedor | Minutos a horas | Segundos |
| Escalada para humano | Processo manual | Gatilho automático por complexidade |
| Taxa de promessa de pagamento* | 12% a 18% | 15% a 24% |
(*) Taxa de promessa de pagamento com cumprimento verificado em 72h. Fonte: benchmarks operacionais Resian.
O ponto crítico não está no volume de contatos. Está na qualidade da decisão antes do contato. Um agente de IA que opera sem modelo de propensão calibrado vai acionar 2.000 contas por dia com a mesma inteligência de um bot de URA. O ganho real vem da combinação: capacidade de escala do agente mais segmentação de risco no acionamento.
A Lente do Unit Economics: Onde a IA Real Pode Atuar
A IA aplicada a cobrança com rigor financeiro atua em três vetores. Cada um com impacto direto e mensurável no P&L da operação.
3.1 Redução do Custo de Servir por Segmento de Risco
Um modelo de propensão bem calibrado identifica, com antecedência, quais devedores têm alta probabilidade de auto-cura, ou seja, regularização sem acionamento ativo. Isso libera capacidade operacional para contas onde o acionamento gera delta real de recuperação.
O impacto: custo por conta trabalhada cai no segmento de baixo risco, enquanto a margem operacional da carteira sobe. Em um portfólio com 200 mil contratos ativos, a segmentação dinâmica pode reduzir o volume acionado em 30% a 40% sem sacrificar a taxa de recuperação agregada.
3.2 Antecipação da Rolagem de Dívida (Roll Rates)
Roll rate é a métrica que os gestores de carteira acompanham com mais atenção. E a que os modelos de IA mais frequentemente ignoram por falta de dado longitudinal adequado.
Um sistema de re-scoring dinâmico, alimentado por dados comportamentais em tempo real (movimentação transacional via Open Finance, variações de score Serasa e Boa Vista, padrão de resposta a acionamentos anteriores), consegue antecipar a migração de um contrato de D+30 para D+60 antes da quebra de pagamento acontecer.
Essa antecipação tem valor financeiro concreto. Uma queda de 15% na taxa de roll rate entre 30 e 60 dias equivale, em média, a um ganho de 80 a 120 bps na curva de recuperação projetada da carteira.
3.3 Liberação de Capital: FIDCs e o Efeito PDD em Bancos e Financeiras
Este é o vetor menos explorado em toda a cadeia de crédito, com dinâmicas distintas dependendo de quem opera a carteira.
Para gestores de FIDC: Em carteiras estruturadas como FIDC, o percentual de subordinação é calculado com base na perda esperada histórica. Quando a IA melhora a previsibilidade das curvas de recuperação, o rating da carteira melhora. Com um rating atualizado e auditável, é possível negociar com o custodiante e o cotista sênior uma revisão da subordinação mínima exigida. Em estruturas de R$50 milhões de patrimônio líquido, essa otimização pode liberar entre R$5 milhões e R$10 milhões para alocação imediata.
Para bancos e financeiras: A lógica opera pelo lado da PDD (Provisão para Devedores Duvidosos). O nível de provisionamento exigido pela Resolução CMN 4.966 é diretamente influenciado pela estimativa de perda esperada da carteira. Quando modelos de IA melhoram a granularidade dessa estimativa, dois efeitos acontecem:
- Carteiras com perda esperada revisada para baixo geram reversão de PDD, com impacto positivo direto no resultado do período.
- O capital regulatório alocado para cobertura dessas posições pode ser parcialmente liberado, melhorando o índice de Basileia e a alavancagem disponível para novas concessões.
Uma carteira de R$500 milhões com melhora de 5% na estimativa de recuperação representa R$25 milhões de PDD reversível, com impacto direto no P&L do trimestre. Para um banco de médio porte, esse número justifica por si só o investimento em modelagem preditiva.
A Visão Resian: Matemática de Risco e Automação Andam Juntas
Antes de qualquer automação, fazemos a pergunta que o mercado frequentemente pula:
Qual é a fronteira de crédito desta carteira? O que está dentro da capacidade real de recuperação e o que já é perda econômica e deve ser provisionado?
Só com essa resposta calibrada é possível construir uma régua de cobrança que faça sentido financeiro. E só com uma régua que faça sentido financeiro a automação, seja por IA, orquestração multicanal ou modelos de scoring comportamental, gera retorno real e mensurável.
O mercado confunde automação com inteligência. Construímos a inteligência primeiro. A automação vem em seguida, como consequência.
Gestão de carteira de crédito e NPL que performa não é aquela com o chatbot mais fluente. É aquela onde o modelo de propensão, a estratégia de acionamento e a estrutura do passivo falam a mesma língua, e são revisados juntos, toda semana.