Neste artigo, analiso se os modelos de linguagem de grande escala (LLMs), como o GPT-4, Gemini ou DeepSeek, conseguem competir com soluções especializadas, como o COCO {Categorization} –desenvolvido pela Coinscrap Finance– em tarefas críticas como a análise de transações financeiras.
Juan Carlos López
Cofundador e CPO da Coinscrap Finance
O que é a categorização bancária, e por que é tão importante?
Imagine que os seus movimentos bancários se organizam automaticamente, como por magia, em categorias claras como “supermercado”, “transporte” ou “lazer”. É precisamente isso que significa a categorização de dados transacionais: um processo inteligente que agrupa automaticamente cada compra, pagamento ou receita no lugar que lhe corresponde.
Se anteriormente esta tarefa exigia a intervenção humana (e era bastante morosa, diga-se), hoje a tecnologia –com a ajuda da inteligência artificial e do processamento de linguagem natural– realiza este trabalho em milissegundos, permitindo que os bancos transformem o caos dos dados em informação útil e estruturada.
E para que serve tudo isto? Muito simplesmente, para que tanto os utilizadores como as instituições financeiras possam perceber, de forma imediata, de onde vem e para onde vai o dinheiro. Os clientes tomam consciência dos seus hábitos de consumo e podem tomar melhores decisões financeiras. Por outro lado, as entidades utilizam esse conhecimento para personalizar os seus serviços, antecipar necessidades, identificar oportunidades de vendas cruzadas e reduzir riscos.
Estas são apenas algumas das vantagens oferecidas pela categorização bancária:
- Melhoria da experiência do utilizador com informação clara e organizada.
- Facilitação do planejamento financeiro identificando hábitos de consumo ou poupança.
- Impulso ao marketing personalizado graças a um conhecimento mais profundo do cliente.
- Apoio à tomada de decisões das entidades com base em dados segmentados
Com a proliferação da inteligência artificial e o grande número de ferramentas disponíveis no mercado, a questão que se coloca é: poderão os modelos de IA generalistas igualar as capacidades das soluções especializadas do setor financeiro?
Metodologia: Comparação entre IA generalista e COCO {Categorization}
Para responder a esta pergunta, na Coinscrap Finance realizámos um estudo exaustivo comparando o nosso motor especializado, COCO {Categorization}, com uma seleção de 20 dos principais modelos LLM disponíveis no mercado, entre os quais:
- OpenAI: GPT-4.5 Preview, GPT-4o Mini, GPT-4o.
- Anthropic: Claude Sonnet 3.7, Claude Sonnet 3.5.
- DeepSeek: DeepSeek R1 Fast, DeepSeek R1, DeepSeek V3.1.
- Google: Gemini 2.0 Pro, Gemini 2.0 Flash, Gemini 2.0 Flash (Image Gen), Gemini 2.5 Pro.
- xAI: Grok.
- Meta: Llama-3.1 405B.
- Mistral/Qwen: QwQ 32B.
- Abacus.AI: Smaug.
Cada modelo foi avaliado com base num conjunto representativo de 50.000 transações bancárias reais, organizadas em 30 categorias específicas do setor financeiro. Medimos a precisão (accuracy), a velocidade de processamento (transações por segundo) e analisamos aspetos como a privacidade dos dados, o cumprimento regulatório e o custo.
Resultados: Desempenho comparado entre COCO e os modelos LLM
Eficiência operacional: COCO lidera com 96% de precisão na categorização de dados transacionais
Um dos resultados mais significativos do estudo foi a precisão alcançada pelo nosso motor de IA. O COCO obteve 96% de acerto, destacando-se especialmente em casos complexos:
- Pagamentos recorrentes irregulares.
- Transferências internacionais.
- Receitas pontuais ou atípicas
Por outro lado, os modelos LLM –embora potentes– apresentaram uma média de precisão de 48%. Estes modelos generalistas demonstraram dificuldades em contextos financeiros específicos, onde o detalhe linguístico e a estrutura das transações requerem um conhecimento profundo do setor.
Muitas vezes, os modelos generalistas não fornecem resposta, inventam resultados (alucinações) ou apresentam informação confusa –algo que, noutros contextos, pode ser tolerável, mas que no setor bancário representa um risco sério. Quando falamos de dinheiro, a precisão não é opcional.
🔎 Deixe-me mostrar-lhe…
… como a análise de dados proporciona uma melhor compreensão dos hábitos de consumo, das prioridades económicas e das necessidades financeiras do seu cliente.
Velocidade e redução de custos: A capacidade de resposta do COCO traduz-se em poupança para as entidades
COCO foi concebido especificamente para operar em ambientes exigentes. A sua arquitetura leve permite processar milhares de transações em poucos segundos. Isto torna-o ideal para cenários de elevada procura, onde a agilidade não só melhora a experiência do utilizador, como também reduz os custos de infraestrutura.
O tempo de processamento é um fator crítico para bancos, neobancos e fintechs. As suas aplicações, assistentes financeiros e sistemas de deteção de fraude exigem respostas imediatas, dada a quantidade massiva de pedidos recebidos. Um tempo de resposta mais demorado implica um maior custo operacional.
A falta de especialização dos LLMs para o setor bancário também os penaliza neste aspeto: são pesados, consomem muitos recursos e são lentos a responder. Em última análise, são caros e pouco práticos para contextos que exigem rapidez e eficiência constantes.
Privacidade e conformidade regulatória: A vantagem das soluções locais em matéria de soberania de dados
COCO {Categorization} pode ser executado localmente, sempre que o cliente o exija. A nossa ferramenta garante o cumprimento de regulamentos como o RGPD (GDPR) e a PSD2, algo essencial na proteção de dados financeiros sensíveis. Damos a máxima prioridade à segurança e à privacidade, contando com a certificação ISO 27001.
A experiência com bancos líderes obriga-nos a cumprir os mais elevados padrões de segurança e encriptação. Os dados sensíveis nunca são expostos a terceiros, ao contrário do que acontece com muitos modelos de linguagem de grande escala.
Os LLMs, sendo geralmente baseados na cloud, exigem medidas de segurança adicionais e análises jurídicas detalhadas para garantir conformidade com as regulamentações em vigor na Europa e noutras regiões. Especificamente, o DeepSeek sofreu recentemente um “erro de segurança grave”, como reportaram diversos meios de comunicação.
Qualquer fuga de informação, acesso não autorizado ou uso indevido de dados pode resultar em sanções regulatórias, comprometer auditorias ou até originar litígios. COCO garante um controlo rigoroso da rastreabilidade e do uso da informação, mitigando estes riscos.
Para além dos números: Benefícios adicionais do COCO {Categorization}
O nosso motor de categorização destaca-se não apenas nos quatro pontos anteriores. É feito à medida para o setor financeiro, o que nos permite oferecer funcionalidades que escapam aos modelos generalistas.
Enriquecimento de dados
Além de categorizar, o COCO enriquece os dados transacionais com informações como geolocalização de comerciantes, deteção de despesas duplicadas ou identificação de padrões sazonais de consumo.
Integração simples via API
COCO integra-se através de uma única API, facilitando a sua implementação, sem necessidade de licenças adicionais nem processos longos e dispendiosos. Não é necessário possuir licença PSD2.
Certificação ISO 27001
A nossa ferramenta é certificada segundo a norma ISO 27001, garantindo os mais altos padrões de segurança da informação. Os dados dos seus clientes estão protegidos por múltiplas camadas de encriptação.
Porque é que os modelos generalistas não estão prontos para substituir os especializados
Apesar de modelos como o GPT-4, Claude ou Gemini apresentarem capacidades impressionantes, o seu caráter generalista constitui uma limitação em contextos que exigem conhecimento específico.
Os erros que cometem não são triviais: classificar uma receita como despesa, ou confundir uma transferência entre contas com uma compra, pode ter consequências graves para a experiência do cliente e para a tomada de decisões da instituição.
Além disso, apresentam grande variabilidade nas respostas e pouca consistência em contextos ambíguos, enquanto que os modelos especializados, como o COCO revelam estabilidade e fiabilidade.
A especialização é a chave para tornar a IA uma vantagem competitiva
Os modelos de IA generalistas representam um avanço notável, mas em setores altamente regulados e especializados como o bancário, a especialização continua a ser a melhor escolha. COCO {Categorization} prova que combinar inteligência artificial com conhecimento profundo do setor é a fórmula certa para oferecer:
- Maior precisão nos resultados
- Processamento mais rápido dos dados bancários
- Conformidade regulamentar e segurança extremas.
- Valor estratégico, traduzido em upselling e cross-selling
Estas são as razões pelas quais os principais bancos confiam em nós para implementar módulos de categorização, enriquecimento e geração de insights financeiros. Se desejar saber mais sobre os nossos desenvolvimentos, solicite um estudo personalizado do seu caso.
Próximos passos: Fintechs e gigantes tecnológicas criam modelos híbridos
Na Coinscrap Finance, já estamos a explorar modelos híbridos, onde os LLMs generalistas complementam as nossas soluções especializadas. O objetivo é aproveitar o melhor de dois mundos: a versatilidade dos LLMs com a eficiência dos motores treinados para o setor bancário.
Em resumo, deixamos que os LLMs façam aquilo em que são melhores, para continuar a aprimorar o nosso próprio motor de IA. COCO assume o núcleo crítico: categorização, enriquecimento e análise de transações bancárias com uma fiabilidade que só se alcança após anos de especialização.
As nossas integrações aumentam o engagement com as plataformas digitais, ao mesmo tempo que garantem a melhor experiência possível ao utilizador. Sem dúvida, a receita ideal para fidelizar clientes e captar novos negócios.
Está preparado para aproveitar tudo o que a inteligência artificial pode oferecer?
Sobre o Autor
Juan Carlos López Díaz é Chief Product Officer e cofundador da Coinscrap Finance. Em 2016, junto com David Conde e Óscar Barba, criou a Txstockdata e, mais tarde, a Coinscrap Finance. Após o enorme sucesso alcançado, o negócio mudou para B2B com a parceria do EVO Banco e a sua “Smart Piggy Bank”. Como desenvolvedor, possui mais de 8 anos de experiência a liderar grandes projetos.
Junto com a sua equipa, é capaz de criar as melhores ferramentas para o mundo das finanças. Desde o departamento de produto, Juan Carlos realizou projetos para grandes empresas do setor: Evo Banco, Santander, Caser, Mapfre e Bankia. É Engenheiro Elétrico pela Universidade Central da Venezuela e tem formação em iOS App Development pela U.N.E.D. e U.C.A.M.
