Artigos

Antecipação de recebíveis com IA: como precificar risco em tempo real no Brasil

Duplicata Escritural, Open Finance e modelos de ML estão mudando como bancos e fintechs precificam recebíveis no Brasil. Entenda o impacto para o CFO.

Kadu Kobs

Kadu Kobs

— 6 min read

O Banco Central estima que o Brasil emite R$ 10 a 11 trilhões em duplicatas por ano, geradas por cerca de 2 a 3 milhões de empresas. Só uma fração mínima vira crédito: a maior parte do capital fica parada no balanço, aguardando 30, 60, 90 dias. Com a Duplicata Escritural entrando em operação assistida no segundo trimestre de 2026 e o Open Finance Recebíveis em discussão no BC, o gargalo histórico — análise de risco lenta, manual e cara — está caindo. E o motor dessa mudança é a inteligência artificial.

A indústria de FIDCs (Fundos de Investimento em Direitos Creditórios) já reflete essa transformação: o patrimônio líquido saltou 22,5% em 2025, chegando a R$ 741,1 bilhões, com a base de cotistas crescendo 114,6% no mesmo ano. Para o CFO brasileiro, entender como IA está sendo usada para precificar recebíveis deixou de ser pauta de tesouraria sofisticada — é decisão de capital de giro do trimestre que vem.

Por que agora: a infraestrutura mudou

Três movimentos simultâneos criaram um terreno fértil para IA em antecipação de recebíveis:

1. Duplicata Escritural. A partir de abril de 2027, instituições financeiras só poderão negociar recebíveis comerciais via duplicata escritural. O BC classifica o instrumento como "open asset" — emitido em formato digital padronizado dentro de um sistema regulado, com dados estruturados disponíveis para análise automatizada. O ganho não é incremental: é a diferença entre treinar modelos sobre PDFs e XMLs heterogêneos e treinar sobre um campo estruturado, versionado e auditável.

2. Open Finance Recebíveis. O BC sinalizou em 2026 que pretende estender o compartilhamento de dados para informações de recebíveis. Hoje, uma fintech que avalia o sacado precisa consultar registradoras (CERC, TAG, NUCLEA), bureaus de crédito e o histórico interno em silos. Com o Open Finance Recebíveis, dados de fluxo bancário, endividamento e concentração de sacados passam a alimentar modelos de risco em tempo quase real.

3. NF-e e CT-e em produção há mais de uma década. O Brasil tem um lago de dados fiscais que poucos países desenvolvidos possuem. Cada nota fiscal é uma evidência de operação real, com chaves de acesso que casam emitente, sacado, valor e prazo. Para um modelo de ML, isso é matéria-prima de alta qualidade.

Como a IA precifica risco em tempo real

Em uma operação tradicional de antecipação, o ciclo era: empresa solicita, analista revisa documentos, comitê define taxa, recursos liberados em 1 a 5 dias. Com IA, o ciclo cai para minutos — e a precificação deixa de ser binária ("aprovado/recusado") para virar uma curva contínua de risco.

Os modelos atuais combinam pelo menos quatro camadas de sinais:

Camada Variáveis típicas Por que importa
Cedente Histórico de inadimplência, churn de clientes, sazonalidade Quem está cedendo o título
Sacado Concentração, score externo, histórico de pagamento na praça Quem efetivamente paga
Operacional Tipo de produto, prazo, lastro, ticket médio Estrutura do título
Macro/setor Indicadores setoriais, correlação com indicadores macro Risco sistêmico do segmento

A precificação dinâmica usa esses sinais para ajustar a taxa em tempo real. Em vez de uma tabela fixa "PMEs do varejo: CDI + 2,5%", o modelo entrega uma taxa específica para aquele recebível, levando em conta o histórico de pagamento daquele sacado, o porte da empresa cedente e o cenário setorial atualizado. Empresas como a Antecipa publicam que ajustam a taxa para criar um desconto "compatível com a capacidade de pagamento do tomador" — uma promessa que só faz sentido com modelos rodando sobre dados frescos.

Cases brasileiros: o que já está em produção

A explosão recente de soluções no Brasil mostra que isso saiu do laboratório.

Flip. Fundada em 2018, entrou em 2025 no mercado de antecipação de recebíveis de cartão de crédito com uma esteira sem interação humana no fluxo de concessão. A fintech usa IA generativa para detectar fraudes e acelerar decisões de crédito. O modelo permite operar tickets baixos que seriam inviáveis com analistas humanos.

Cora. Saiu da conta digital em 2020, passou por cartão e crédito de capital de giro e agora opera antecipação de recebíveis de boletos. A empresa relata que a IA reduziu o tempo de relacionamento necessário para que um novo cliente construa histórico suficiente para acessar a antecipação — um problema clássico das PMEs, que ficavam meses sem acesso a crédito.

Monkey. Plataforma global de capital de giro com sede no Brasil, opera leilões de recebíveis em tempo real conectando cedentes, sacados e financiadores. A camada de IA cuida do onboarding "touchless" de fornecedores e da visibilidade em tempo real para todos os participantes. Em 2025, lançou a SpikeCash, plataforma aberta de antecipação de recebíveis de cartões para lojistas.

Stark Bank. Tem foco em recebíveis e Pix Automático, com investimento explícito em IA para escalar processos e abrir novos mercados. A diferenciação está em scale e integração via API.

Liber Capital, Antecipa Fácil, Mercado de Recebíveis. Operam em segmentos PME e médio, com FIDCs próprios e camadas de IA para análise de cedente, sacado e estrutura. O Mercado de Recebíveis captou em 2025 um FIDC próprio de R$ 150 milhões, sinal de que o mercado começa a precificar a tese.

O ponto comum: nenhuma dessas empresas teria sustentação econômica com o modelo de analista por operação. A precificação em tempo real só faz sentido se o custo marginal de cada análise tender a zero — e esse é o efeito que IA produz.

O que muda para o CFO do lado tomador

A leitura óbvia é que ficou mais fácil antecipar. A leitura completa é mais interessante: ficou mais fácil antecipar com inteligência.

Antes, a decisão de antecipar era reativa — caixa apertado, empresa antecipa o que tem. Com a precificação em tempo real, o CFO consegue:

  • Comparar várias contrapartes em segundos. O custo de cotar com cinco financiadores caiu para próximo de zero. Plataformas abertas como Monkey e SpikeCash já entregam isso por padrão.
  • Antecipar apenas o que vale a pena. Se o modelo do financiador entrega uma taxa de CDI + 0,8% para um sacado de alta qualidade, faz sentido antecipar mesmo sem aperto de caixa, capturando um spread vantajoso. Se a taxa é CDI + 6% para um sacado pulverizado, talvez seja melhor segurar.
  • Negociar prazos com sacados. Com dados de risco do próprio sacado, o CFO pode propor descontos para pagamento antecipado direto — sem passar pelo intermediário financeiro. É o que a literatura chama de dynamic discounting, e que IA viabiliza no operacional.
  • Otimizar a estrutura de capital de giro. Em vez de ter linhas pré-aprovadas estáticas, é possível desenhar gatilhos: "se a taxa de antecipação cair abaixo de X, antecipo Y% dos recebíveis acima de Z dias".

Há um custo de aprendizado: a fluência em IA na mesa do CFO ainda é baixa. Mas o ROI de entender essa transformação é desproporcional. Cada ponto percentual a menos na taxa de antecipação em uma empresa que antecipa R$ 50 milhões/ano são R$ 500 mil indo direto para a margem.

Os riscos que ninguém está discutindo o suficiente

Três pontos merecem atenção quando se avalia uma contraparte de antecipação que se vende como "100% IA":

  1. Vieses no modelo de risco. Modelos treinados sobre dados históricos podem sub-precificar ou super-precificar setores em transição. PMEs em segmentos que estão se digitalizando rápido podem ser penalizadas por falta de histórico no formato esperado pelo modelo.
  2. Concentração no funding. Muitos FIDCs estão captando agressivamente em 2025-2026. A pergunta para o CFO é: quem financia o financiador? Em um ciclo de aperto, plataformas dependentes de um único FIDC ou de um único cotista institucional podem suspender operações.
  3. Explicabilidade regulatória. A precificação automatizada precisa ser auditável. Em uma fiscalização ou disputa, "o algoritmo decidiu" não é resposta. Vale exigir transparência sobre como a contraparte explica decisões de taxa e recusa — em linha com a discussão de IA explicável que ferramentas como a Deloitte e a KPMG vêm levantando.

Próximos Passos

  1. Mapeie sua exposição em recebíveis. Levante o volume mensal antecipado, taxa média ponderada e principais contrapartes. Sem essa base, comparar IA-driven com tradicional vira opinião.
  2. Faça uma cotação paralela em pelo menos três contrapartes. Pelo menos uma deve ser uma fintech com precificação em tempo real (Flip, Cora, Monkey, Stark Bank, Antecipa). A diferença de taxa em uma cotação real ensina mais do que qualquer relatório.
  3. Prepare-se para a Duplicata Escritural. Confirme com seu ERP e seu banco a roadmap de adequação até abril de 2027. Empresas que atrasarem perderão acesso a crédito de recebíveis comerciais.
  4. Avalie o uso do Open Finance para enriquecer sua análise de clientes. O mesmo dado que melhora a precificação para o financiador melhora a sua análise de crédito B2B — invertendo o jogo a favor do tomador informado.
  5. Estabeleça uma métrica de eficiência de capital de giro. Acompanhe taxa média de antecipação como % do CDI, prazo médio de aprovação e dispersão de taxas entre contrapartes. Sem KPI, nenhuma transformação se mantém.

Fontes:

Leia mais