IA e Mercado de Crédito no Brasil: Viés Algorítmico, Assimetria de Informação e Proteção do Consumidor
Autores: André Nakamura, Thiago Almeida Série: IBGIA Working Paper Series Número: WP-2026-016 Data: Maio 2026 Classificação JEL: G21, K23, D82, J15
Resumo Executivo
O mercado de crédito brasileiro é o campo onde a IA já causou mais dano documentado a consumidores vulneráveis. Scores de crédito algorítmicos determinam quem acessa financiamento habitacional, crédito consignado, cartões e empréstimos pessoais — com consequências duradouras sobre mobilidade econômica, especialmente para populações negras, periféricas e de baixa renda.
Este working paper analisa o ecossistema de scoring de crédito no Brasil, documenta evidências de viés algorítmico racial e socioeconômico, examina o arcabouço regulatório do BACEN e propõe reformas urgentes para garantir que a IA no crédito seja um instrumento de inclusão financeira, não de exclusão sistematizada.
Principais achados:
- Consumidores negros recebem taxas de juros 23% maiores em média para o mesmo perfil de risco documentado (IBGIA/Insper, 2025)
- O direito de explicação de decisões de crédito algorítmico existe formalmente (CDC + LGPD) mas é sistematicamente descumprido
- O BACEN regulamentou IA em crédito via Resolução BCB 85/2021, mas sem exigências de equidade e auditoria
- Sistemas de crédito alternativo (fintechs) que usam variáveis comportamentais e de redes sociais criam proxies discriminatórios não auditados
- Open Finance cria riscos adicionais de discriminação algorítmica com dados granulares compartilhados entre instituições
1. O Ecossistema de Crédito Algorítmico no Brasil
1.1 Atores e Modelos
O mercado de crédito brasileiro opera com múltiplas camadas de scoring algorítmico:
Bureaus de crédito tradicionais:
- Serasa Experian: modelo de score proprietário, usado por > 90% das instituições financeiras
- SPC Brasil/BOA Vista: scores alternativos com menor penetração
- Quod: bureau criado pelos 5 maiores bancos (Bradesco, Itaú, Santander, BB, Caixa) com acesso ao Cadastro Positivo
- Receita Federal (CPF Scoring): usado por fintechs e varejistas
Modelos internos de bancos:
- Cada instituição financeira de grande porte tem modelos proprietários de credit scoring
- Itaú, Bradesco, Nubank e Mercado Pago têm as equipes de data science de maior capacidade
- Modelos treinados em dados históricos internos + dados externos de bureaus
Fintechs de crédito alternativo:
- Modelos que usam variáveis não-tradicionais: dados de redes sociais, histórico de aplicativos, padrões de uso do celular, localização
- Creditas, Rebel, Geru, Juros Baixos e dezenas de startups menores
- Algumas usam "open banking score" agregando dados do Open Finance
Varejistas e marketplaces:
- Magalu, Americanas, Casas Bahia e Amazon Brasil fazem scoring próprio para crédito direto ao consumidor
- Acesso a dados comportamentais granulares (histórico de compra, navegação, devoluções)
1.2 Escala e Impacto Social
- 67 milhões de brasileiros com alguma restrição de crédito (Serasa, 2025)
- 34% dos adultos brasileiros "desbancarizados" efetivos — com conta mas sem acesso a crédito
- Taxa de juros média do cartão de crédito: 432% ao ano (BACEN, março 2026)
- Taxa de juros média do crédito pessoal para negativados: 187% ao ano
- Spread entre melhor e pior score para mesmo produto: até 80 pontos percentuais de juros anuais
2. Viés Algorítmico no Crédito Brasileiro: Evidências
2.1 Disparidade Racial
A pesquisa IBGIA/Insper "Algoritmos e Cor da Pele" (2025), com análise de 2,4 milhões de operações de crédito, encontrou:
Taxa de aprovação:
- Consumidores negros com mesmo score Serasa, mesma renda e mesmo endereço têm taxa de aprovação 18% menor que consumidores brancos
- O efeito persiste após controle de 47 variáveis observáveis, sugerindo proxies não declarados
Taxa de juros:
- Para o mesmo perfil de risco documentado, consumidores negros pagam em média 23% mais de juros
- O efeito é mais pronunciado em crédito pessoal não-consignado (+31%) e cartão de crédito (+19%)
- Menor mas ainda significativo no crédito imobiliário (+7%)
Mecanismo:
- Proxies de raça: CEP (código postal) como variável — bairros predominantemente negros recebem scores sistemicamente mais baixos independente do histórico individual
- Redes sociais: modelos que analisam conexões no Facebook/Instagram inferem raça por associação
- Histórico de consumo: padrões de consumo em estabelecimentos de determinados bairros funcionam como proxy racial
2.2 Discriminação Geográfica
- Consumidores de periferias de grandes cidades recebem scores 15-25 pontos abaixo de consumidores com mesmo perfil financeiro em bairros nobres
- Municípios do Norte e Nordeste com mesmo IDH que municípios do Sul/Sudeste têm taxas de aprovação sistematicamente menores
- Endereços em conjuntos habitacionais populares (MCMV) têm penalização documentada no modelo Serasa
2.3 Discriminação por Gênero
- Mulheres têm taxa de aprovação 12% menor que homens com mesmo perfil documentado
- O efeito é especialmente pronunciado para mulheres chefes de família monoparental
- Modelos que incluem "estabilidade residencial" penalizam movimentações frequentes — característica mais comum em mulheres em situação de vulnerabilidade
2.4 O Problema dos Modelos de Crédito Alternativo
As fintechs de crédito alternativo prometem "democratizar o crédito" para populações desbancarizadas usando variáveis comportamentais. Na prática, esses modelos frequentemente amplificam a discriminação:
Caso documentado — App de crédito (2024): Uma fintech identificada na pesquisa IBGIA usava como variável preditiva o "tempo médio de resposta a mensagens no WhatsApp". A premissa: pessoas que respondem mais rápido são mais confiáveis. Na prática: consumidores de baixa renda com empregos informais têm celulares mais antigos e conexões mais lentas — o modelo penalizava involuntariamente a pobreza como proxy de inadimplência.
Variáveis de redes sociais:
- Número de amigos/seguidores como proxy de capital social
- Análise de fotos para inferir localização e status socioeconômico
- Sentimento de posts como proxy de estabilidade emocional
- Todas essas variáveis têm correlação documentada com raça, gênero e classe
3. Arcabouço Regulatório: Análise e Lacunas
3.1 O Que o BACEN Já Regulamentou
Resolução BCB 85/2021:
- Exige que instituições financeiras tenham políticas de gestão de risco de modelos
- Inclui modelo de crédito como categoria de risco a ser gerenciada
- Requer documentação de modelos e backtesting periódico
- Lacuna: sem exigência de equidade ou auditoria de viés
Resolução BCB 4/2020 (Open Finance):
- Regulamenta compartilhamento de dados financeiros mediante consentimento
- Cria base para modelos de crédito mais precisos — mas também para discriminação mais precisa
- Lacuna: sem exigência de que modelos que usem dados Open Finance sejam auditados para viés
Lei Cadastro Positivo (Lei 12.414/2011, atualizada em 2019):
- Permite uso de histórico positivo de pagamentos no score
- Deveria reduzir discriminação ao adicionar mais informação — mas sem controle de viés, pode amplificar
- Lacuna: sem auditoria obrigatória do impacto do Cadastro Positivo em grupos protegidos
3.2 Direitos Formais dos Consumidores
CDC (Lei 8.078/1990):
- Art. 43: direito de acesso às informações cadastrais, inclusive score de crédito
- Art. 73: vedação a informações negativas sem comunicação prévia ao consumidor
- Lacuna: sem direito explícito a explicação do modelo que gerou o score
LGPD (Lei 13.709/2018):
- Art. 20: direito do titular a solicitar revisão de decisões tomadas unicamente com base em tratamento automatizado
- Art. 20, §1º: direito a informação sobre critérios e procedimentos utilizados
- Lacuna: empresas de crédito invocam segredo industrial para negar explicações; ANPD não definiu o que "informação sobre critérios" exige em prática
Lei de Acesso ao Crédito (Resolução CMN 4.931/2021):
- Exige comunicação ao consumidor de motivo de negativa de crédito
- Lacuna: "motivo" pode ser genérico ("score insuficiente") sem revelar quais variáveis contribuíram
3.3 O Vácuo do PL 2338/2023
O PL 2338/2023 classifica sistemas de scoring de crédito como sistemas de IA de alto risco. Mas mesmo com essa classificação, o texto atual não especifica:
- Metodologia de auditoria de equidade para modelos de crédito
- Variáveis proibidas explicitamente (proxies raciais, geolocalização discriminatória)
- Obrigação de equidade em grupos protegidos como critério de aprovação de sistema
- Sanções específicas para discriminação algorítmica em crédito
4. Framework Regulatório Proposto
4.1 Padrão de Equidade Algorítmica para Crédito (PEAC)
Propomos que o BACEN, em conjunto com a ANPD, publique normativo estabelecendo o Padrão de Equidade Algorítmica para Crédito (PEAC), com os seguintes elementos:
Métricas de equidade obrigatórias: As instituições devem monitorar e reportar anualmente as seguintes métricas desagregadas por raça, gênero, faixa etária e região geográfica:
- Taxa de aprovação por grupo
- Taxa de juros médios por grupo (controlando por score)
- Taxa de falso positivo (inadimplência não prevista) por grupo
- Taxa de falso negativo (crédito negado a bons pagadores) por grupo
Thresholds de equidade:
- Diferença máxima de 10% na taxa de aprovação entre grupos com mesmo perfil documentado
- Diferença máxima de 15% na taxa de juros entre grupos com mesmo score
- Violação por 2 semestres consecutivos → auditoria compulsória por empresa indicada pelo BACEN
Variáveis proibidas (lista positiva de exclusões):
- Raça/cor declarada ou inferida
- CEP ou geolocalização como única variável de localização (permitido apenas em combinação com múltiplas variáveis socioeconômicas com justificativa técnica)
- Dados de redes sociais que possam inferir características protegidas
- Tempo de resposta a mensagens ou padrões de uso de apps como proxy de inadimplência sem validação independente
4.2 Direito a Explicação Substantiva
Propomos uma regulamentação conjunta BACEN/ANPD/SENACON estabelecendo que o direito de explicação do art. 20 da LGPD, aplicado a decisões de crédito, exige:
Conteúdo mínimo da explicação:
- As 5 variáveis que mais influenciaram positivamente o score
- As 5 variáveis que mais influenciaram negativamente o score
- O intervalo de score aceito para o produto solicitado
- O score atual do consumidor
- Ações concretas que poderiam melhorar o score em 6-12 meses
Prazo: Fornecimento em até 5 dias úteis após solicitação, gratuitamente, em linguagem acessível.
Vedação de segredo industrial: Segredo industrial não pode ser invocado para negar informação sobre variáveis que afetaram negativamente uma decisão individual de crédito — o segredo protege a fórmula, não o efeito sobre o consumidor específico.
4.3 Auditoria Independente de Equidade
Obrigação para instituições de grande porte (> R$ 1 bilhão em carteira de crédito):
- Auditoria externa bienal de equidade dos principais modelos de scoring
- Realizada por empresa independente com credenciamento junto ao BACEN
- Relatório com capítulo público (métricas de equidade) e capítulo confidencial (detalhes técnicos)
- Plano de ação para correção de disparidades identificadas, com prazo máximo de 18 meses
Para fintechs de crédito alternativo (qualquer porte, se usarem variáveis comportamentais não-tradicionais):
- Auditoria anual simplificada focada em variáveis proibidas
- Avaliação de proxies discriminatórios não intencionais
4.4 Open Finance e Proteção de Dados
O Open Finance criou um mecanismo de compartilhamento de dados financeiros que pode ser poderoso para inclusão — ou para discriminação mais precisa. Propomos:
Limitações de uso:
- Dados compartilhados via Open Finance podem ser usados para avaliar solvência mas não para discriminação por características protegidas
- Instituições que recebem dados Open Finance são responsáveis solidárias por discriminação algorítmica usando esses dados
Direito de portabilidade reversa:
- Consumidor pode solicitar que dados usados em decisão de crédito negativa sejam excluídos do modelo para reavaliação
- Reavaliação gratuita com dados restantes em até 10 dias úteis
4.5 Sanções Específicas para Discriminação Algorítmica em Crédito
Propomos emenda ao CDC para tipificar especificamente a discriminação algorítmica em crédito:
Constitui prática abusiva a utilização de sistemas algorítmicos de scoring de crédito que, comprovadamente, resultem em taxas de aprovação ou juros sistematicamente piores para grupos protegidos pela legislação antidiscriminatória, independentemente de intenção discriminatória.
Sanções:
- Multa de 2% do faturamento anual da instituição para cada exercício em que disparidade for comprovada
- Obrigação de compensação dos consumidores prejudicados (diferença de juros paga no período)
- Publicação compulsória de relatório de equidade por 3 anos consecutivos
- Suspensão de lançamento de novos produtos de crédito até correção do modelo
5. Open Finance como Instrumento de Inclusão
O Open Finance — se bem regulado — pode ser o maior instrumento de inclusão financeira do Brasil. Consumidores sem histórico de crédito formal mas com padrão consistente de pagamentos (aluguel, contas de consumo, assinaturas) podem ter seu histórico positivo compartilhado com credores.
Proposta: Cadastro Positivo Universal: Expandir o Cadastro Positivo para incluir:
- Pagamentos de aluguel (mediante consentimento do locatário)
- Contas de energia, água e telefone
- Pagamentos de microcrédito produtivo orientado (BNDES, cooperativas)
- Contribuições a MEI e trabalhadores informais com contratos formalizados
Guardas de equidade:
- Dados positivos incluídos devem melhorar score proporcionalmente igual para todos os grupos demográficos
- Auditoria anual do impacto distributivo do Cadastro Positivo Universal
6. Recomendações
Para o BACEN e CMN
- Publicar o PEAC (Padrão de Equidade Algorítmica para Crédito) como resolução CMN em 2026
- Exigir relatório anual de equidade de modelos de scoring de todas as instituições supervisionadas
- Criar Grupo de Trabalho IA-Crédito com ANPD, SENACON e IBGE para metodologia de auditoria
Para a ANPD
- Regulamentar o art. 20 da LGPD com conteúdo mínimo de explicação para decisões de crédito
- Vedar explicitamente a invocação de segredo industrial para negar impacto individual de variáveis
- Fiscalização prioritária de fintechs que usam dados de comportamento digital em scoring
Para o Congresso Nacional
- Emenda ao CDC tipificando discriminação algorítmica em crédito como prática abusiva
- Emenda ao PL 2338/2023 incluindo métricas de equidade como requisito de aprovação de sistemas de alto risco de crédito
- Expansão do Cadastro Positivo Universal com guardas de equidade
Para Instituições Financeiras
- Adoção voluntária do PEAC antes da obrigatoriedade como diferencial de reputação
- Revisão das variáveis de CEP e geolocalização nos modelos existentes
- Publicação voluntária de relatórios de equidade no Relatório Anual de Sustentabilidade
7. Conclusão
O crédito é a infraestrutura da mobilidade econômica. Quando algoritmos sistematicamente negam crédito ou encarecem juros para consumidores negros, periféricos e de baixa renda, eles não apenas reproduzem desigualdades históricas — eles as institucionalizam em código, tornando-as mais difíceis de contestar e mais eficientes em seu efeito excludente.
A boa notícia é que o viés algorítmico no crédito é detectável, mensurável e corrigível — ao contrário do viés humano difuso. O BACEN tem as ferramentas de supervisão e as informações necessárias para exigir equidade; o que falta é a disposição regulatória de usar esses instrumentos. Este working paper oferece o arcabouço técnico e jurídico para que essa disposição se converta em ação.
Referências
- IBGIA/INSPER. "Algoritmos e Cor da Pele: Viés Racial no Crédito Brasileiro". São Paulo: IBGIA, 2025.
- BACEN. Resolução BCB 85/2021 — Gestão de Riscos de Modelos. Brasília: BACEN, 2021.
- BACEN. Relatório de Estabilidade Financeira, Abril 2026. Brasília: BACEN, 2026.
- FAVARETTO, J.; NAKAMURA, A. "Credit Scoring Bias in Brazil: A Causal Analysis." Brazilian Review of Finance, 22(1), 2025.
- FED. "Credit Denials, Adverse Action Notices, and Credit Scoring." CFPB Research, Washington: CFPB, 2023.
- EUBANKS, V. Automating Inequality: How High-Tech Tools Profile, Police, and Punish the Poor. St. Martin's Press, 2018.
- O'NEIL, C. Weapons of Math Destruction. Crown Books, 2016.
- BAROCAS, S.; HARDT, M.; NARAYANAN, A. Fairness and Machine Learning. fairmlbook.org, 2023.
- SERASA EXPERIAN. Mapa da Inadimplência no Brasil, 2025. São Paulo: Serasa, 2025.
- SENACON. Relatório de Reclamações sobre Crédito Algorítmico. Brasília: SENACON, 2025.
WP-2026-016 | IBGIA Working Paper Series | Maio 2026 Instituto Brasileiro de Governança em IA — ibgia.org ISSN 2966-XXXX