InícioHome EixosImpact Cases ClientesClients FormaçãoEducation ArtigosArticles ContatoContact
in/biancaschuler

IA de crédito num grande banco, 2023 a 2025AI credit at a large bank, 2023 to 2025

A Kunumi já trabalhava no crédito de um banco brasileiro de grande porte quando o banco concluiu a compra dela, em 2024. Em dupla com outro líder de produto, liderei o produto do time que atendia o crédito e organizei, pesando risco e retorno, quais áreas usariam um modelo.

Kunumi was already working in the lending area of a large Brazilian bank when the bank completed its purchase of Kunumi in 2024. With another product lead, I co-led product for the team serving lending and organized, weighing risk and return, which departments would use a model.

PapelDesign Manager do time de design e, de nov de 2024 a jul de 2025, co-líder de produto do time da Kunumi no banco, no crédito e num sistema que criava modelos de IA sozinho, com reporte ao co-CEO
Períodoout de 2023 a jul de 2025, dentro do banco, que concluiu a compra da Kunumi em 2024
Tamanho do timedois projetos de crédito, cada um com engenheiros de ML, e o design atendendo os dois
Escopo4 iniciativas de modelos de crédito em 2 projetos
MétodosProduct Discovery, Explainable AI (XAI), facilitação de workshop
Setorfinanças e crédito, um banco brasileiro de grande porte
RoleDesign Manager of the design team and, from Nov 2024 to Jul 2025, product co-lead for Kunumi's team at the bank, across lending and a system that built AI models on its own, reporting to the co-CEO
PeriodOct 2023 to Jul 2025, inside the bank, which completed its purchase of Kunumi in 2024
Teamtwo lending projects, each with ML engineers, and design serving both
Scope4 credit model initiatives across 2 projects
MethodsProduct Discovery, Explainable AI (XAI), workshop facilitation
Sectorfinance and credit, a large Brazilian bank
ResultadoResults

O workshop que conduzi em outubro de 2024 com líderes do crédito do banco, para mapear onde a IA podia ajudar, teve uma segunda edição em novembro com outro time. De novembro de 2024 a julho de 2025, em dupla na liderança de produto, organizei o uso de um modelo de crédito pelas áreas do banco: cada área dizia para que queria o modelo, e a prioridade seguia risco e retorno.

The workshop I ran in October 2024 with the bank's credit leaders, to map where AI could help, had a second edition in November with another team. From November 2024 to July 2025, as product co-lead, I organized how the bank's departments used a credit model: each department stated what it wanted the model for, and priority followed risk and return.

O problema realThe real problem

A Kunumi trabalhava dentro do banco desde outubro de 2023, em projetos de crédito com engenheiros de ML. Pelo plano de integração das duas empresas, um modelo de crédito só entrava em uso depois de aprovado em três critérios, negócio, pessoas e o próprio modelo. Não bastava o modelo funcionar. O critério de pessoas pedia, para cada iniciativa, quem usaria o modelo e como, o processo de crédito em que ele entraria, quem tinha interesse na decisão, as oportunidades por ordem de prioridade e o que contaria como sucesso. Esse critério cabia ao design.

Kunumi had worked inside the bank since October 2023, on lending projects with ML engineers. Under the two companies' integration plan, a credit model only went into use once it was approved on three criteria, business, people and the model itself. A working model was not enough. For each initiative, the people criterion asked who would use the model and how, which credit process it would enter, who had a stake in the decision, which opportunities came first and what would count as success. That criterion fell to design.

Minha abordagemMy approach

Liderei o trabalho de design das quatro iniciativas. Revisei o plano de design de cada uma, de quem usaria o modelo à definição de sucesso, e deixei perguntas ao time em cada um. Montei com mais quatro colegas um fórum de gestão do conhecimento, para indexar o que o time coletava do banco e acelerar a entrada de quem chegava. Para as áreas que usavam um modelo de crédito, o time de design preparou um roteiro de entrevista sobre como explicar as decisões do modelo, a confiança nele e a forma de mostrar a incerteza.

Em outubro de 2024, levei a líderes da área de crédito um workshop presencial para mapear onde a IA podia ajudar, em cinco grupos. Preparei as perguntas de cada grupo e o material de votação, abri a manhã, dei as instruções, coordenei a votação e facilitei um dos grupos.

I led the design work for the four initiatives. I reviewed each one's design plan, from who would use the model to the definition of success, and left questions for the team on each. With four colleagues, I set up a knowledge management forum to index what the team gathered from the bank and speed up onboarding for newcomers. For the teams that used a credit model, the design team prepared an interview guide on how to explain the model's decisions, trust in it and how to show its uncertainty.

In October 2024, I ran an in-person workshop for credit leaders to map where AI could help, split into five groups. I prepared each group's questions and the voting material, opened the session, gave the instructions, coordinated the vote and facilitated one of the groups.

Como a decisão andouHow the decision moved

Concentrei o design nos planos de cada iniciativa, no mapa de relações do crédito e na gestão do conhecimento. Em novembro de 2024, passei à liderança de produto do time no banco, em dupla com outro líder de produto, e montei o ritual de apresentar pesquisa ao time e a quem decide.

I focused design on each initiative's plan, the lending relationship map and knowledge management. In November 2024, I moved to co-leading product for the team at the bank with another product lead and set up the ritual of presenting research to the team and to decision makers.

O que foi meuMy part
Liderei o trabalho de pessoas e de design dos projetos de crédito.
Revisei o plano de design de cada uma das quatro iniciativas de modelagem.
Conduzi o plano de validação e o mapeamento de uso de um modelo de crédito, com foco em explicar as decisões do modelo.
Preparei e conduzi o workshop de oportunidades de IA com líderes do crédito.
Coordenei quais áreas do banco usariam um modelo de crédito e em que ordem.
Montei o ritual de apresentar pesquisa ao time e a quem decide.
I led the people and design work of the lending projects.
I reviewed the design plan of each of the four modeling initiatives.
I led the validation plan and usage mapping for a credit model, focused on explaining the model's decisions.
I prepared and ran the AI opportunities workshop with credit leaders.
I coordinated which bank departments would use a credit model and in what order.
I set up the ritual of presenting research to the team and to decision makers.

Com o time, os engenheiros de ML e os estrategistas de IA tocavam os modelos, o time de design preparou o roteiro de entrevista, quatro colegas montaram comigo o fórum de gestão do conhecimento, e outro líder de produto dividiu comigo a liderança de produto a partir de novembro de 2024.

As for the team, the ML engineers and AI strategists handled the models, the design team prepared the interview guide, four colleagues set up the knowledge forum with me, and another product lead shared product leadership with me from November 2024.

ArtefatoArtifact

IA de crédito num banco, 2023

Plano de acoplamento em três trilhas

A descoberta do problema corre em três trilhas, e um modelo só vai à implementação com os critérios de negócio, de pessoas e de modelo aprovados. A trilha de pessoas é a do design.

Três trilhas para descobrir o problema

Trilha de negócios
  • Entendimento dos objetivos de negócio, dos desafios e dos problemas relacionados
  • Mapeamento dos processos e das métricas de negócio
Trilha de tecnologia
  • Análise da infraestrutura (arquitetura, segurança e estratégia de dados)
  • Análise das fontes, da descrição e da qualidade dos dados
  • Análise de completude, consistência, validade, relevância e acurácia dos dados
  • Análise exploratória dos dados diante do problema
  • Análise das técnicas e abordagens possíveis
  • Entendimento da solução atual (modelo, métricas e dados principais)
Trilha de pessoas
  • Análise dos stakeholders envolvidos
  • Mapeamento das jornadas dos usuários
  • Mapeamento das relações, das dores, das oportunidades e do processo de decisão

Critérios de cada etapa

  1. 01Preparação inicial
    • Tema da value stream definido
    • Time definido
    • Acesso à infraestrutura e aos dados garantido
    • Kick-off feito
  2. 02Portfólio priorizado
    • Problemas entendidos e aprofundados
    • Causas-raiz mapeadas
    • Impacto de negócio
    • pessoasImpacto de pessoas
    • Qualificação pela perspectiva de dados
    • Pré-qualificação pela perspectiva de ML
  3. 03Avaliação
    • Premissas técnicas definidas
    • Premissas de negócio definidas
    • pessoasPremissas de pessoas definidas, como a mudança de processo
    • Abordagem de solução definida
    • Modelo ou técnica definidos
    • Parâmetros de negócio (KPIs)
  4. 04Implementação
    • Resultados positivos nos experimentos
    • pessoasCritérios de negócio, de pessoas e de modelo aprovados

Fonte: plano de acoplamento de outubro de 2023, páginas 2 a 4.

AI for credit at a bank, 2023

Integration plan in three tracks

Problem discovery runs on three tracks, and a model only goes to implementation with business, people and model criteria approved. The people track belongs to design.

Three tracks to discover the problem

Business track
  • Understanding the business goals, challenges and related problems
  • Mapping business processes and metrics
Technology track
  • Infrastructure analysis (architecture, security and data strategy)
  • Analysis of data sources, description and quality
  • Analysis of data completeness, consistency, validity, relevance and accuracy
  • Exploratory data analysis against the problem
  • Analysis of possible techniques and approaches
  • Understanding the current solution (model, metrics and main data)
People track
  • Analysis of the stakeholders involved
  • Mapping user journeys
  • Mapping relationships, pain points, opportunities and the decision process

Criteria for each stage

  1. 01Initial setup
    • Value stream theme defined
    • Team defined
    • Access to infrastructure and data secured
    • Kickoff held
  2. 02Prioritized portfolio
    • Problems understood in depth
    • Root causes mapped
    • Business impact
    • peoplePeople impact
    • Qualified from a data perspective
    • Pre-qualified from an ML perspective
  3. 03Evaluation
    • Technical premises defined
    • Business premises defined
    • peoplePeople premises defined, such as a process change
    • Solution approach defined
    • Model or technique defined
    • Business parameters (KPIs)
  4. 04Implementation
    • Positive experiment results
    • peopleBusiness, people and model criteria approved

Source: integration plan from October 2023, pages 2 to 4.