A notícia sobre o painel de inteligência artificial no 27º Encontro Internacional de Relações com Investidores, em agosto de 2026, me chamou a atenção não pelo evento em si, mas pelo sintoma que ele representa. Quando uma área historicamente conservadora como a de Relações com Investidores — que lida com disclosure, compliance e sensibilidade de mercado — decide pautar IA publicamente, significa que a tecnologia já passou do estágio de experimentação e está batendo na porta da operação real.
Atuo com engenharia de software e produtos digitais há tempo suficiente para saber que o entusiasmo em torno de eventos desse tipo costuma esconder uma lacuna importante: a diferença entre o que se demonstra em um painel de uma hora e o que se sustenta na rotina de uma área regulada. A promessa da IA em RI não é trivial. Ela envolve desde a triagem de perguntas de analistas até a geração automatizada de relatórios financeiros. Mas, como sempre digo, o diabo mora no dado de treinamento e na arquitetura de governança.
O que realmente muda na prática de RI com IA?
Se olharmos para a rotina de um profissional de RI, grande parte do trabalho ainda é reativa e repetitiva. Responder a perguntas recorrentes de investidores, consolidar informações de diferentes áreas da companhia, preparar apresentações trimestrais e monitorar o que o mercado está dizendo sobre o ativo. São atividades que consomem tempo e que, em tese, poderiam ser automatizadas com modelos de linguagem natural e sistemas de recomendação bem treinados.
Do ponto de vista técnico, o ganho mais imediato está na camada de comunicação. Um assistente de IA alimentado com o histórico de teleconferências de resultados, comunicados ao mercado e fatos relevantes pode responder a perguntas de investidores com consistência e rastreabilidade. Isso elimina o gargalo humano em picos de demanda, como após a divulgação de um balanço. A MZ, mencionada entre os participantes do painel, já oferece soluções nessa linha — e a tendência é que isso se torne commodity nos próximos anos.
Entretanto, o problema raramente está na tecnologia disponível. Modelos como GPT-4 ou Claude são capazes de gerar textos financeiros coesos e aparentemente precisos. O ponto crítico é a qualidade do dado de entrada e a forma como a empresa estrutura seu repositório de informações. Se a base de conhecimento do RI é um conjunto de PDFs dispersos, e-mails soltos e planilhas com nomenclatura inconsistente, a IA vai reproduzir e amplificar esse ruído.
A camada invisível: governança de dados para RI
Para que a IA em RI funcione com o mínimo de confiabilidade, é necessário antes resolver três problemas estruturais. O primeiro é a identificação de fontes autorizadas. Em uma companhia de capital aberto, a informação oficial precisa estar claramente distinguida de comentários informais, análises de terceiros e dados não auditados. Um modelo mal configurado pode misturar um fato relevante com uma opinião de analista e gerar uma resposta que expõe a empresa a riscos regulatórios.
O segundo ponto é a linhagem dos dados. Cada resposta gerada por IA precisa ser rastreável até o documento original, com versão, data e responsável. Em ambientes regulados pela CVM, isso não é opcional — é requisito de compliance. Ferramentas de machine learning não são intrinsecamente auditáveis, e adaptá-las para gerar logs de explicação exige arquitetura específica, geralmente baseada em modelos de linguagem com fine-tuning e mecanismos de recuperação de documentos (RAG).
O terceiro — e mais negligenciado — é o ciclo de atualização. Informações de RI mudam o tempo todo: projeções são revisadas, guidance é atualizado, cenários macroeconômicos se alteram. Um modelo treinado com dados de seis meses atrás pode gerar respostas tecnicamente corretas, mas factualmente desatualizadas. Isso exige pipelines de ingestão contínua e processos de validação que poucas empresas implementam de forma madura.
Trade-offs entre automação e profundidade analítica
Há quem defenda que a IA vai substituir o analista de RI. Discordo frontalmente. O que a IA faz bem é escalar respostas padronizadas e liberar o profissional para o trabalho que realmente agrega valor: interpretação de cenário, construção de narrativa e relacionamento com investidores institucionais. Um chatbot pode responder qual é o guidance de receita para o próximo trimestre. Mas não consegue explicar, com sutileza e contexto, por que a empresa decidiu reduzir o investimento em uma linha de negócio — e essa explicação é justamente o que um investidor experiente espera.
Outro trade-off importante é entre velocidade e consistência. Sistemas de IA generativa tendem a ser rápidos, mas também são propensos a alucinações — respostas que parecem plausíveis mas não correspondem à verdade. Em RI, uma alucinação pode ser interpretada como informação privilegiada ou, pior, como fato relevante não divulgado. O custo de uma resposta incorreta não é apenas reputacional: pode gerar passivos legais e danos à precificação do ativo.
Por isso, defendo que qualquer implementação de IA em RI deve incluir uma camada de revisão humana obrigatória para respostas que envolvam dados financeiros estratégicos, projeções ou informações que impactem a cotação. A tecnologia funciona como assistente de primeiro nível, não como porta-voz autônoma.
O que esperar do painel e o que deveria estar na pauta
Eventos como o Encontro Internacional de Relações com Investidores cumprem um papel importante de difusão. Mas, como profissional de tecnologia, gostaria de ver discussões menos focadas nos cases de sucesso e mais nos fracassos e gargalos de implementação. Quantas empresas tentaram implantar IA em RI e abandonaram o projeto por falta de dados estruturados? Quantas enfrentaram resistência interna porque o jurídico ou o compliance não aprovaram o uso de modelos de linguagem para comunicação externa?
O debate sobre "tendências discutidas no exterior" é relevante, mas precisa descer ao nível operacional. O mercado brasileiro tem particularidades que não aparecem em estudos de caso americanos ou europeus: volume de disclosure regulatório diferente, perfil de investidor mais concentrado em institucionais, e um ambiente de compliance que, em muitos aspectos, é mais rigoroso em relação ao uso de tecnologia para comunicação com o mercado.
Outro ponto que espero ver abordado é a infraestrutura necessária. Uma solução de IA minimamente robusta para RI exige armazenamento de dados consistente, modelos auditáveis, ambiente de inferência com baixa latência e plano de contingência para falhas. Empresas que terceirizam tudo para plataformas genéricas correm o risco de perder o controle sobre o que está sendo dito em seu nome.
Implicações para quem trabalha com produto e engenharia
Para quem atua em times de produto digital ou engenharia, o movimento da IA em RI abre uma janela interessante de atuação. Construir uma plataforma de inteligência para RI não é trivial do ponto de vista técnico, mas é um problema bem delimitado: dados já existem, o fluxo de trabalho é conhecido e o caso de uso tem retorno mensurável em eficiência e redução de risco.
Na minha experiência, o maior desafio não é implementar o modelo, mas sim criar a cadeia de validação que garanta que cada resposta gerada seja precisa e rastreável. Isso envolve engenharia de dados, curadoria de conteúdo e, principalmente, desenho de experiência do usuário que deixe claro quando o usuário está falando com uma IA e quando a resposta foi revisada por um humano.
Se você trabalha com produtos digitais e está buscando um domínio de aplicação com potencial de crescimento, o segmento de RI merece atenção. É uma área com orçamento, necessidade real de automação e baixa oferta de soluções maduras. A janela de oportunidade está aberta — mas fechará à medida que os modelos de plataforma genérica incorporarem essas funcionalidades como recurso padrão.
Riscos que não podem ser ignorados
Não posso encerrar sem mencionar os riscos de privacidade e segurança. Sistemas de IA em RI processam informações sensíveis: projeções financeiras, estratégias de alocação de capital, movimentações de acionistas. Um vazamento na base de treinamento de um modelo pode expor dados que a empresa não gostaria de ver divulgados. A governança de dados para IA precisa incluir políticas claras de exclusão, anonimização e segmentação de acesso.
Além disso, o uso de modelos de terceiros (via API de provedores como OpenAI ou Anthropic) precisa ser avaliado com cuidado em relação à soberania de dados. Onde os dados de treinamento e inferência são armazenados? Quem pode acessá-los? Empresas com atuação internacional precisam considerar regulamentações como a LGPD brasileira e o GDPR europeu, que podem conflitar com as políticas de uso de modelos sediados nos Estados Unidos.
Minha recomendação prática é começar pequeno, com um escopo limitado e controlado. Automatize primeiro as perguntas de FAQ mais previsíveis, valide o modelo com um grupo restrito de usuários, estabeleça métricas claras de precisão e cobertura, e só depois expanda. O erro de muitas iniciativas de IA em ambientes corporativos é tentar implementar um sistema "completo" de uma vez, sem construir a base de dados e confiança necessária.
A inteligência artificial aplicada a relações com investidores não é ficção científica — é uma evolução natural de um processo que sempre dependeu de informação e comunicação. Mas, como toda tecnologia aplicada a mercados regulados, exige parcimônia, transparência e, acima de tudo, respeito pelo fato de que uma resposta incorreta não é apenas um bug: é um risco financeiro.