Resumo executivo

  • Os gerentes de patrimônio têm dificuldades para atender às expectativas dos clientes em relação às recomendações de produtos no estilo do comércio eletrônico devido aos atributos complexos dos produtos, às restrições de conformidade e às metas multidimensionais.
  • As abordagens baseadas em regras ou em segmentação produzem aconselhamento contundente e de tamanho único, corroendo a confiança do cliente e limitando a escalabilidade.
  • Ao sobrepor modelos de aprendizado de máquina, otimização matemática (otimização de portfólio), grandes modelos de linguagem e uma camada de orquestração Agentic AI, os bancos podem integrar diversos data e traduzir o resultado bruto do aprendizado de máquina em melhores explicações, recomendações e ações automatizadas.

O gerenciamento de patrimônio está preso ao passado. Os clientes vivem em um mundo de recomendações fáceis e hiperpersonalizadas do YouTube, do TikTok ou da Amazon, mas os bancos oferecem produtos por meio de livros de regras, segmentação complicada e suposições dos consultores. Os bancos lutam para acompanhar as expectativas dos clientes e a complexidade dos portfólios atuais. O Hybrid AI pode mudar isso. Ao combinar o aprendizado de máquina, a disciplina de otimização de portfólio e a inteligência contextual de grandes modelos de linguagem, governados por uma camada AI Agentic, os gerentes de patrimônio podem fornecer recomendações inteligentes, pessoais e oportunas. O sistema pode aprender com cada interação, adapta-se automaticamente às restrições regulamentares e explica-se em uma linguagem que os clientes e consultores realmente entendem.

O resultado é um verdadeiro salto: os consultores obtêm uma orientação mais precisa, os canais digitais se tornam mecanismos de conversão e os clientes se sentem compreendidos em vez de visados. Os bancos que adotarem o Hybrid AI definirão a próxima era da consultoria, uma era em que as relações de contato humano são impulsionadas pela colaboração de AI para AI e em que a confiança é construída não pelo relacionamento ou pela venda, mas pela inteligência.

Introdução

Na era da Netflix, estamos acostumados a produtos e serviços altamente personalizados em nosso dia a dia. Os clientes de gestão de patrimônio, especialmente os segmentos atendidos por gerentes de relacionamento (RMs), esperam cada vez mais o mesmo nível de recomendações personalizadas para produtos financeiros que obtêm com filmes ou compras. Mas oferecer uma personalização no estilo Netflix em um contexto de patrimônio de alto risco e altamente regulamentado é muito mais complexo. Os produtos financeiros têm atributos intrincados, incluindo níveis de risco, termos e implicações fiscais, e devem estar alinhados com as metas e restrições exclusivas de cada cliente. As empresas que preencherem essa lacuna de personalização poderão aprofundar o envolvimento e a fidelidade do cliente.

Este whitepaper explora como o AI generativo pode transformar as recomendações de produtos no gerenciamento de patrimônio por meio de uma abordagem híbrida que combina o aprendizado de máquina tradicional e a otimização de portfólio com o GenAI.

A lacuna de personalização na gestão de patrimônio

O gerenciamento de patrimônio enfrenta desafios únicos que dificultam as recomendações eficazes de produtos. As recomendações baseadas em ML usadas no comércio eletrônico geralmente otimizam para um único objetivo (próximo melhor produto a ser comprado), mas os gerentes de patrimônio lidam com vários objetivos e restrições: crescimento de capital, renda, mitigação de riscos, eficiência fiscal, liquidez, bem como metas e preferências individuais dos clientes. Tanto o ML quanto o PO são construídos com base em data estruturado; uma recomendação holística de produto deve incorporar informações não estruturadas, como tendências de mercado, perfis de risco do cliente, padrões de comportamento e sentimento do cliente, o que é difícil de codificar em informações estruturadas, nas quais os modelos de ML e PO precisam ser treinados.

Os sistemas tradicionais de recomendação na gestão de patrimônio, quando existem, tendem a ser simplistas. Muitos bancos dependem da alocação de ativos baseada em regras ou da ampla segmentação de clientes. Esses são instrumentos rudimentares e não levam em conta as nuances pessoais, como o interesse de um cliente em investimentos sustentáveis ou suas necessidades de liquidez. Isso também pode levar a sugestões genéricas e de tamanho único. Por isso, muitos RMs recorrem a abordagens manuais, confiando em sua própria experiência e intuição, em vez de nos insights do data-driven. Os clientes, por sua vez, podem receber propostas de produtos que parecem desconectadas de suas metas, reduzindo sua confiança no processo de consultoria.

Os avanços no AI, especialmente o GenAI, combinados com o aprendizado de máquina e a otimização de portfólio, oferecem uma maneira de dar um salto adiante.

Uma abordagem híbrida GenAI para recomendações mais inteligentes

Para superar as limitações atuais, propomos um mecanismo de recomendação híbrido com base na GenAI, adaptado para a gestão de patrimônio. “Híbrido” aqui significa que ele combina várias técnicas de AI e integra a supervisão humana, aproveitando os pontos fortes de cada uma delas e atenuando seus pontos fracos.

1) Aprendizado de máquina: Os modelos tradicionais de ML são eficazes na análise do comportamento do cliente data investimentos anteriores, consultas sobre produtos ou cliques em sites/aplicativos. Isso revela padrões e insights de grupos de pares (por exemplo, identificar que clientes semelhantes ao Cliente A estão demonstrando interesse em fundos de ações ESG).

2) Otimização de portfólio: O sistema incorpora objetivos e políticas gerenciais/regulatórias endogenamente diferentes, incluindo

  • Regras de conformidade: Isso garante que, por mais criativo que seja o AI, as sugestões sejam apropriadas, permitidas e alinhadas com a estratégia da empresa, por exemplo, o perfil de risco.
  • Alocação estratégica de ativos: Portfólios modelo que incorporam as visões dos gerentes de portfólio e as premissas do mercado de capitais, como requisitos de liquidez.
  • Campanhas: Priorização da classe de ativos liderada pelo CIO ou CFO para direcionar a linha de frente para determinados produtos ou categorias de produtos em um determinado momento, por exemplo, uma alocação-alvo em uma classe de ativos, como títulos ou ações

3) Integração de canais:

  • Para uso centrado no ser humano, o sistema deve se integrar ao fluxo de trabalho diário do RM. As recomendações devem aparecer no painel do CRM do consultor ou como alertas em um aplicativo móvel para uso em qualquer lugar. A plataforma deve capturar o feedback do consultor: (“o cliente só está interessado em ouvir sobre títulos em dólar”). Com o tempo, isso cria um ciclo de aprendizado em que a AI se adapta ao que os consultores consideram útil ou não, ajustando-se ao cliente.
  • Para os canais digitais (aplicativos de mobile banking, chats, e-mail), o sistema deve atender a mensagens específicas de cada canal, por exemplo, apresentações truncadas de produtos, entregues no momento certo.

4) Raciocínio com base em LLM: Um grande componente de modelo de linguagem adiciona contexto às recomendações de candidatos e pode receber entradas baseadas em regras e em ML e adicionar uma camada de raciocínio. Os LLMs podem ingerir data não estruturados, como informações de portfólio de modelos, perfis de clientes, anotações de reuniões de RM e pesquisas de mercado para avaliar a entrada baseada em regras e ML. Por exemplo, se um modelo de aprendizado de máquina sinaliza um fundo do setor de tecnologia que clientes semelhantes ao nosso cliente-alvo compraram, o LLM pode observar que o Cliente A recentemente expressou cautela sobre ações de tecnologia em um e-mail. O LLM pode então ajustar a classificação da recomendação ou propor uma alternativa.

5) Aprendizado por reforço e ciclo de feedback: Um componente de aprendizagem por reforço avalia os resultados e ajusta continuamente a estratégia de recomendação. O feedback pode vir de várias fontes: ações do cliente (o cliente comprou ou manifestou interesse no produto recomendado?), ações do consultor (o consultor compartilhou a recomendação com o cliente ou a ignorou?) e resultados de desempenho (o investimento recomendado teve o desempenho esperado em relação às metas do cliente?). Esses sinais alimentam o algoritmo de aprendizado para ajustar o modelo.

Por meio dessa abordagem híbrida em várias camadas, o mecanismo de recomendação combina insight data-driven, compreensão contextual, governança rigorosa e aprendizado contínuo. Ele é alimentado pela GenAI, mas fundamentado nas realidades do gerenciamento de patrimônio de alto contato.

Primeiros passos

A combinação da precisão do aprendizado de máquina e da otimização de portfólio com a inteligência contextual de grandes modelos de linguagem e o AI agêntico pode criar um poderoso mecanismo de decisão de ponta a ponta. O aprendizado de máquina e a otimização de portfólio são excelentes em tarefas de previsão estruturada porque podem processar conjuntos grandes e limpos de data com alta precisão. No entanto, esses resultados costumam ser limitados e não levam em conta o contexto. Ao sobrepor modelos de aprendizado de máquina, otimização de portfólio, grandes modelos de linguagem e uma camada de orquestração AI Agentic, os bancos podem incorporar data “ruidoso”, como conversas com clientes, feedback ou comentários de mercado, e traduzir o resultado bruto do aprendizado de máquina em melhores explicações, recomendações e ações automatizadas.

As recomendações de produtos com tecnologia híbrida-AI no WM representam uma excelente oportunidade para redefinir os padrões dos serviços de consultoria em seus respectivos mercados. Os bancos devem:

  • Revisão a plataforma e os processos atuais de personalização de clientes. Muitas vezes, poucas pessoas dentro do banco entendem o sistema de ponta a ponta e como ele é usado na realidade.
  • Explorar as ferramentas GenAI e os ativos data já existentes (o senhor pode estar mais perto do que imagina de implantar esse sistema) e os muitos modelos e métodos mais recentes no mercado atual.
  • Experimento em pilotos controlados - por exemplo, começando com um subconjunto de consultores e clientes, e um conjunto restrito de produtos, para testar o mecanismo de recomendação híbrido em ação.

Além do híbrido AI

A tendência de combinar o aprendizado de máquina tradicional com LLMs e agentes AI não é exclusiva dos serviços financeiros. Os participantes do comércio eletrônico estão se preparando para o surgimento do Agentic Commerce: um mundo em que os seres humanos não se envolvem mais com aplicativos e sites diretamente, mas, em vez disso, fazem com que seus assistentes pessoais do AI descubram e realizem transações para eles. Um mundo em que os clientes perguntam aos seus agentes pessoais AI: “qual a melhor forma de fazer uma nova hipoteca da minha casa” ou “encontre um tênis para o presente de aniversário do meu filho”.

Nesse mundo, o aprendizado de máquina tradicional e as recomendações de produtos não funcionam como antes - em vez disso, veremos o envolvimento de AI para AI, AIs que se envolvem e realizam exploração, descoberta, negociação, tradução e realização, com a supervisão de humanos para definir a direção, dar um empurrãozinho ao longo do caminho e, por fim, aprovar.

Os gerentes de patrimônio também poderão enfrentar essa tendência - em vez de se reunirem com os clientes, os gerentes de relacionamento e suas ferramentas AI poderão, em breve, estar se envolvendo com os representantes AI pessoais de seus clientes em vez de com o cliente. Os bancos devem tratar essa mudança não como uma ameaça, mas como uma instrução de projeto para criar plataformas de consultoria que possam conquistar a confiança dos agentes de AI - e dos seres humanos por trás deles.