Estudo tecnologias emergentes - 2025 - Febraban

Copyright © 2025 Febraban & Accenture. Allrightsreserved.1
Estudo de tecnologias
emergentes para o
setor bancário 2025
Setembro, 2025

Copyright © 2025 Febraban & Accenture. Allrightsreserved.2
PREFÁCIO
A liderança do setor bancário brasileiro, conquistada através de
uma digitalização pioneira, encontra-se diante de uma nova era
de desafios e oportunidades. Se antes o foco era a digitalização,
hoje a fronteira da inovação é definida por tecnologias de
inteligência e automação profunda.
Este estudo, em sua segunda fase, avança da identificação de
tendências para uma análise pragmática de quatro pilares que
sustentarão a próxima geração de serviços financeiros:
Inteligência Artificial para o Ciclo de Desenvolvimento de
Software (SDLC), Agentes de IA, Computação Quântica e
Identidade Digital & Biometria.
As descobertas indicam que as mudanças já são tangíveis. A IA
aplicada ao SDLC, por exemplo, não é mais uma promessa, mas
uma realidade que entrega ganhos de produtividade de mais de
20%. Em paralelo, os Agentes de IA representam a evolução
natural dessa automação, passando de meros assistentes para
sistemas autônomos capazes de executar processos de ponta a
ponta, redefinindo a eficiência operacional.
Ao mesmo tempo, a Computação Quântica surge com uma
dualidade crítica: uma preocupação crescente em relação à
segurança reforça a importância de priorizar a migração para a
criptografia pós-quântica, e uma ferramenta de imenso potencial
para resolver problemas complexos de otimização e modelagem
de risco. A Identidade Digital é o alicerce que conecta tudo,
sendo fundamental para fortalecer a confiança em um ambiente
onde fraudes se tornam mais sofisticadas, ao mesmo tempo em
que se busca uma experiência fluida para o cliente.
Contudo, a visão mais estratégica que emerge deste estudo é a
da convergência. O verdadeiro potencial transformador não está
na aplicação isolada dessas tecnologias, mas em sua
orquestração. Os Agentes de IA precisarão de uma Identidade
Digital robusta para agir em nome dos clientes; a IA pode
acelerar a descoberta de novos algoritmos quânticos; e o avanço
em todo o SDLCé o que permitirá construir e integrar todas
essas novas capacidades com agilidade.
Este relatório, resultado da colaboração entre a Febraban, os
bancos participantes, Accenture e Amazon, oferece os insights
estratégicos para navegar nesta nova realidade. O objetivo é
claro: maximizar os benefícios, mitigar os riscos e construir um
setor mais dinâmico, seguro e preparado para o futuro,
garantindo que a liderança do Brasil não seja apenas mantida,
mas ampliada.

Copyright © 2025 Febraban & Accenture. Allrightsreserved.3
ÍNDICE DE CONTEÚDOS
1.METODOLOGIA E INTRODUÇÃO
2.DEEP DIVE
1.IA PARA SDLC
2.AGENTES DE IA
3.COMPUTAÇÃO QUÂNTICA
4.ID DIGITAL
3.CONCLUSÃO
1. METODOLOGIA E INTRODUÇÃO

Copyright © 2025 Febraban & Accenture. Allrightsreserved.4
Visão Geral do Estudo de 2025
A Febraban se uniu à Accenture para avaliar tecnologias emergentes no setor bancário, aprofundando o estudo
em quatro temas específicos: IA aplicada ao SDLC, Agentes de IA, Computação Quântica e ID Digital
Fonte: Gestão do Estudo
Workshops
temáticos
Benchmark
EUA
Publicação
do Estudo
Final
Tendências de mercado no EUA Empresas visitadas
8
Visitas a Empresas e
Startups locais
30
Sessões de Debate
5
Bancos participantes
na viagem de estudo
2
Cidades:
Seattle e San
Francisco
24
Speakers nacionais
5
Speakers
internacionais
+50
Pesquisas convertidas
em podcasts com IA
20
Sessões com
Grupo de
Novas
Tecnologias
Co-criaçãojunto ao setor
Criador do Claude com modelos focados em automatizar o SDLC
Buscador generativo com respostas citadas em tempo real
Líder em GPUs e stackde IA; crítica para treinar modelos avançados
Assistente de código que eleva produtividade
Startup fabricante de hardware quântico
Plataforma que une dados e IA em tempo real
Fim ciclo 1Início Fim ciclo 2 Fim ciclo 3
Ciclo 2Ciclo 1 Ciclo 3
Grande inovadora no uso de IA em seus negócios e criadora da AWS
fevereiro setembro

Copyright © 2025 Febraban & Accenture. Allrightsreserved.5
Temas amplamente influenciados por Inteligência Artificial
Tecnologias Emergentes moldando o futuro do setor bancário
As tecnologias escolhidas possuem alguns grandes temas para o aprofundamento, ilustrados por
questionamentos que serviram como direcionadores para o estudo
Fonte: Análise Accenture
Agentes de IA
•Como os Agentes de IA
mudam o paradigma
atual de automação já
existente nos bancos?
•Quais são as implicações
organizacionais e
técnicas para incorporar
Agentes na operação e
supervisioná-los
adequadamente?
IA aplicada ao SDLC
•De que maneira a IA
pode transformar o ciclo
de desenvolvimento de
software, em termos de
produtividade, qualidade
e velocidade?
•Quais os principais casos
de uso e aplicações da IA
para o SDLC no setor
bancário?
Computação Quântica
•Quais são as aplicações
mais promissoras da
computação quântica no
setor bancário,
considerando seu estágio
atual?
•Como os bancos devem
se preparar para os
desafios de segurança
com os novos cenários a
evolução de tecnologias
quânticas?
Identidade Digital
•Como as novas soluções
de identidade digital
devem equilibrar
segurança e experiência
do cliente?
•Quais novos desafios
relacionados à fraude e
segurança que podem
surgir e como os bancos
podem mitigá-los de
forma eficaz?

Copyright © 2025 Febraban & Accenture. Allrightsreserved.6
ÍNDICE DE CONTEÚDOS
1.METODOLOGIA E INTRODUÇÃO
2.DEEP DIVE
1.IA PARA SDLC
2.AGENTES DE IA
3.COMPUTAÇÃO QUÂNTICA
4.ID DIGITAL
3.CONCLUSÃO
1. IA PARA SDLC

Copyright © 2025 Febraban & Accenture. Allrightsreserved.7
O papel da IA no Ciclo de Desenvolvimento de Software (SDLC)
A IA Generativa pode aprimorar o modelo atual de desenvolvimento de sistemas, trazendo eficiência da
definição do que precisa ser criado até a operação dos produtos de tecnologia em produção
Fontes: Análise Accenture; Discussões com bancos participantes
O que é a IA aplicada ao SDLC?
A integração da IA já impactavárias etapas
do SDLC. Modelos generativos são aplicados
na geração de requisitos, criação de código,
execução de testes, produção de
documentação e manutenção de sistemas.
Essas aplicações podem reduzir o tempo
de desenvolvimento, elevara produtividade
das equipes e melhorara qualidadedos
sistemasentregues, ao mesmo tempo em
que exigem atenção a governança, dados e
infraestrutura.
A evolução da IA no SDLC sinaliza uma
mudança de paradigma. O desenvolvimento
de software, antes estruturado em etapas
fixas e fortemente baseado nas relações
humanas, começa a se apoiar em modelos
com IA assumindo parte dessas etapas até
então executadas por humanos.
Esses modelos de IA tomam decisões com
base em vastos repositórios históricos de
código e documentação. Como resultado,
décadas de experiênciapassam a estar
acessíveisaté mesmo a profissionais
iniciantes no SDLC.
Atividadestípicas de IA em SDLC
Capturar e transformar necessidades em requisitos claros, gerar especificações, realizar
engenharia reversa de sistemas legados, definir padrões de arquitetura e criar personas, jornadas
e protótipos de experiência
•Ex.: Geração de especificações, engenharia reversa legados, geração de CX
Desenvolver código com copilots, depurar erros com assistentes de IA, revisar pullrequests
automaticamente, gerar cenários e massas de testes e integrar testes contínuos
•Ex. Geração código, assistente para revisão de código, geração de testes contínuos
Automatizar pipelines de CI/CD, gerar documentação de releases e transições técnicas, criar
changelogs, validar ambientes pós-deploye preparar estratégias de rollbackseguro
•Ex. geração infra as code, geração configuração pipelines, automação "gmuds"
Analisar documentações e incidentes, gerar topologias para observabilidade, recomendar ações
corretivas com fundamentoem bases de conhecimento e automatizar diagnósticos de falhas
•Ex. Automação root-cause-analysis, despacho inteligente para time, auto-remediação
Detectar e corrigir eventos automaticamente, autopreencher e categorizar tickets, recomendar
estratégias de self-healinge gerar relatórios operacionais com insights preditivos
•Ex. Automação recovery, chaosengineeringem escala, predictiveriskmanagement
Codificação e Testes
Especificação e Design
Entrada em produção
Sustentação
Operação

Copyright © 2025 Febraban & Accenture. Allrightsreserved.8
Impacto da evolução dos modelos fundacionais no SDLC
A evolução recente particularmente nas capacidades dos modelos fundacionais de IA está habilitando cada vez
mais a criação de soluções eficientes e acessíveis para o SDLC
Fontes: [1] The 2025 InfraRedReport-Redpoint Ventures; [2] EpochAI; Análise Accenture
Modelos com capacidade de processar longos trechos de
texto, áudio e vídeo, permitindo a automação de revisões de
código complexas e a análise de documentações extensas
Gemini 1.5 ProClaude 3Llama3 / 3.1GPT-4o
Surgimento de LLMsmenores, com menor
uso de recursos e alta performance,
possibilitando menor custo para uso
DeepseekV3
LLMsmais especializadas, otimizadas para tarefas
específicas; Avanços incluem janelas de contexto ampliadas
e mais ferramentas voltadas aos desenvolvedores
Claude for FSGPT 4.5 Gemini 2.5 Pro
Desempenho das IAsresolvendo problemas de 12
repositórios Python de código aberto2
0
100
200
300
400
2019 2020 2021 2022 2023 2024 2025
GPT-2 GPT-3 GPT-3.5 GPT-4 Sonnet3.7
Sonnet4
(7 hours)
Data de lançamento do modelo
Duração da tarefa (minutos)
com 50% de taxa de sucesso
A duração das tarefas que a IA pode fazer dobrou a cada ~ 7 meses,
possibilitando atividades de codificação mais extensas e complexas
1
10/24 01/25 04/25 07/25
15%
25%
55%
45%
65%
35%
07/24
Claude 3.5 Sonnet
Claude 3.7 Sonnet
Claude Opus 4
Gemini 2.0 Flash
Grok-3 mini
Qwen Plus
DeepSeek-R1
Grok-3
GPT-4.1 mini
o4-mini
GPT-4.1
o3-mini
Anthropic
Google
Outros
OpenAI
Legenda:
Acurácia
Data de Lançamento
Onda 1: Escalada de contexto, código aberto Onda 2: Custo e Eficiência Onda 3: IA resiliente e especializada

Copyright © 2025 Febraban & Accenture. Allrightsreserved.9
O impacto de IA na produtividade de desenvolvedores
Apesar de divergências no nível de produtividade ganha com IA, é consenso que o uso da tecnologia traz
impactos positivos na velocidade e volume de entregas; a qualidade dos códigos ainda é um ponto de atenção
Fontes: [1] ‘DeveloperProductivity Measurement’ -Gitclear; [2] ‘Howmuchdoes AI impactdevelopmentspeed?’ –Google; [3] ‘The EffectsofGenAI
onHigh-SkilledWork’ –MIT/Princeton/Upenn; [4] ‘QuantifyingGithub Copilot'sImpactonProductivity’ –Github
Autores Descrição Método Resultados
+56%
rapidez em tarefas
Devsmenos
experientes tiveram
maiores ganhos de
produtividade
O estudo avaliou o impacto do GitHub Copilotna
produtividade de devspor meio de um
experimento com 95 programadores freelancers
recrutados. Eles foram divididos aleatoriamente
entre três grupos: um com acesso ao Copilot, e
dois grupos de controle, sem acesso à
ferramenta
4
95 Devs
Freelancers
Fev/ 2023
+21%
de rapidez ao completar
a tarefa
Devsmais experientes
tiveram ganhos maiores
de rapidez
O Google conduziu um estudo para avaliar o
impacto da IA na produtividade de devs,
testando três ferramentas usadas em conjunto:
AI CodeCompletion, SmartPaste e Natural
LanguagetoCode. A atividade envolviaeditar e
testar 10 arquivos com 474 linhas de código
2
96 Devs
Google
Nov/ 2024
+26%
tarefas completas
usando IA
Devsmenos
experientes tiveram
maiores níveis de
adoção e ganhos de
produtividade
Os experimentos foram conduzidos na
Accenture, Microsoft e outra empresa anônima
de forma que os devsforam divididos entre
grupos com e sem acesso ao GitHub Copilot,
para comparar diferenças de desempenho de
forma controlada, ao longo de 8 meses
3
~4.9k Devs
3 empresas
(Accenture,
Microsoft + 1)
Fev/ 2025
A aplicação de IA ao SDLC tem impacto
quantitativo mais bem documentado nas atividades
de codificação. Estudos indicam aumentos de
produtividade superiores a 20% em média.
Impacto na Produtividade
No entanto, pesquisas recentes como a conduzida
pela GitClear¹ indicam que o uso de assistentes de
IA está correlacionado com um aumento na taxa de
defeitos introduzidos no código. Esta aparente
contradição entre velocidade e qualidade é um
ponto central. As ferramentas de IA otimizam a
geração rápida de código, mas este código pode
não aderir a princípios de engenharia de software
robustos, exigindo revisões por parte do time de
desenvolvimento.
Impacto na Qualidade
Diferentes estudos traçam conclusões
contraditórias em relação ao impacto por nível de
experiência dos profissionais. Ao passo que
pesquisas como a conduzida pelo Google indica
maiores ganhos por profissionais sêniores no uso
de IA, outras pesquisas indicam o oposto (maiores
ganhos para profissionais juniores).
Impacto por Nível de Experiência

Copyright © 2025 Febraban & Accenture. Allrightsreserved.10
IA na modernização de legados
IA tem viabilizado que estratégias de maior valor
tenham complexidade de implementação reduzida
Fonte: Metodologia Accenture com base em experiências com Large Financial Services Conglomerates
2
Apenas traduzir
linguagens
Conversão de código e execução em
x86 (ex.: Cobolpara Java: “Jobol”)
3
Reescrever
(Tradicional)
Modernização de código para
nuvem (Reescrever apps)
5
Solução de
mercado
Substituir por ofertas de SaaS
(SW como Serviço)
Ganhos significativos em
flexibilidade, time-to-
markete resiliência
Soluções prontas são
mais raras, menos
localizadas e demandam
customização contínua
Ganhos de eficiência a
curto prazo, mas ganhos
limitados em flexibilidade
BaixoModeradoAlto
Alta
Moderada
Baixa
Benefícios
Complexidade
1
2
3
5
4
Traduzir
linguagem
Reescrever com
IA
Reescrever
(Tradicional)
Soluções de
mercado
Mudar HW
apenas
4
Reescrever
com IA
Engenharia reversa para
engenharia direta com IA
1
Manter código,
mudar HW
Cobolem x86: Manter código
+ x86 O/S (Microfocus)
Modelos típicos para modernização de legados
Trade-offsentre os modelos em benefícios e complexidade

Copyright © 2025 Febraban & Accenture. Allrightsreserved.11
ÍNDICE DE CONTEÚDOS
1.METODOLOGIA E INTRODUÇÃO
2.DEEP DIVE
1.IA PARA SDLC
2.AGENTES DE IA
3.COMPUTAÇÃO QUÂNTICA
4.ID DIGITAL
3.CONCLUSÃO
2. AGENTES DE IA

Copyright © 2025 Febraban & Accenture. Allrightsreserved.12
Evolução de tecnologias de IA até a ‘onda’ de Agentes
Os Agentes de IA complementam a IA Generativa com autonomia, atuação e colaboração para resolver tarefas
complexas
Fonte: Análise Accenture
?
IA clássica e
aprendizado de
máquina
IA Generativa
Agentes de IA
Tempo
Capacidade da IA
Evolução da IA
Até 2020 2020 -2025
Onda 1
IA Clássica e Aprendizado de Máquina
Inclui sistemas simbólicos baseados em regras (como
ELIZA e MYCIN), além de métodos clássicos de machine
learning (e.g., regressão logística, SVM, árvores de
decisão), aplicados com dados estruturados.
Onda 2
IA Generativa
Modelos de deeplearning que criam conteúdo (texto,
imagem, código, etc.) em escala, otimizando aplicações em
áreas tais como atendimento, operações e P&D.
Onda 3
Agentes de IA e Sistemas Multi-Agentes
Agentes capazes de executar tarefas de ponta a ponta com
autonomia, agindo com base em objetivos definidos e no
contexto. Essas entidades colaboram entre si para resolver
problemas complexos, coordenando especializações,
agindo e sem depender de supervisão constante.
Onda 4
Novas fronteiras de IA
Exploração de conceitos mais avançados de autonomia e
inteligência coletiva, abrindo caminho para possibilidades
ainda em descoberta —incluindo, potencialmente, formas
de inteligência geral.
ML Tradicional
SmallDeepLearning
RulesEngines
Sistemas
Multi-agentes
A2A
Onda 2Onda 1
Onda 3
Onda 4

Copyright © 2025 Febraban & Accenture. Allrightsreserved.13
Definição de Agentes de IA
Agentes de IA podem agir de forma autônoma a
partir de objetivos e se adaptando ao ambiente
Fontes: [1] RoadmapofAgent ResearchandDevelopment–Jennings, SycaraandWooldridge; Análise Accenture
Reflexão
Autocríticas
Cadeia de
pensamentos
Decomposição
de sub-meta
Calendário
Calculadora
Interpretador de
código
Busca
….. mais
Ambiente
Planejamento
Ferramentas
Ação
Memória
Curto prazo Longo prazo
Intenções /
Percepção
1
2
3
4
5
Agente
Como funciona um Agente de IA?
Agentes de IA são sistemas computacionais projetados para perceber seu
ambiente, processar informações e agir de forma autônoma para atingir
objetivos específicos e se baseiam em três características principais:
1.Contextualidade:Operam conectados a um ambiente (digital ou físico),
recebendo dados em tempo real através de APIs, bancos de dados ou
outros sensores digitais.
2.Autonomia:Executam tarefas e tomam decisões com base em seus
objetivos, sem a necessidade de intervenção humana a cada passo do
processo.
3.Flexibilidade:Adaptam seu comportamento de forma reativa
(respondendo a mudanças), proativa (tomando iniciativa) e social
(interagindo com humanos e outros sistemas).
Longe de ser uma tecnologia concorrente, a IA Generativa atua como o
cérebro do Agente. Ela fornece a capacidade de raciocínio avançado para
interpretar dados complexos, planejar as ações e decidir quais ferramentas
usar. Em suma, o Agente é a arquitetura que age, e a GenAIé a inteligência
que guia a ação.
Um bom exemplo para materializar o conceito pode ser um Agente de Risco
de Crédito que, ao receber um pedido de empréstimo, consulta o histórico
do cliente, usa GenAIpara interpretar o contexto do setor da empresa cliente
e, com base em um modelo de IA para risco, decide e executa a pré-
aprovaçãodo crédito, notificando o responsável humano do resultado, com
mínima ou nenhuma supervisão humana ao longo do processo.
O que são Agentes de IA?

Copyright © 2025 Febraban & Accenture. Allrightsreserved.14
Modelos de interação Multi-Agente
Diante de demandas complexas, a IA evolui de
Agentes isolados para ecossistemas coordenados
Fontes: [1] MultiAgent Systems–Langgraph; [2] AI RefineryFramework–Accenture
Coordenação entre Agentes de IA
À medida que os Agentes de IA evoluem de assistentes isolados para
Agentes autônomos e colaborativos, cresce também a necessidade de
coordenação eficiente em sistemas multiagentes. Esses sistemas são
compostos por múltiplos Agentes, com diferentes capacidades e
especializações, que precisam trabalhar juntos para atingir um objetivo
comum. Diversos modelos
1
têm abordado essa coordenação de maneiras
distintas.
Em geral, os modelos recomendam receber um objetivo de alto nível,
decompor esse objetivo em subtarefas mais gerenciáveis e atribuir a
execução a Agentes especializados, que operam de forma distribuída e,
muitas vezes, em paralelo.
Em termos de implementação, por exemplo, no framework AI Refinery²,
desenvolvido pela Accenture com a Nvidia, a coordenação ocorre em
camadas. Agentes Orquestradores são responsáveis por distribuir o
trabalho entre Agentes Coordenadores, que por sua vez mobilizam
Agentes de Especializados, com diferentes níveis de autonomia. Essa
hierarquia permite maior controle, divisão de responsabilidades e
flexibilidade.
Além disso, a coordenação de Agentes reforça questões como
compartilhamento de estado, gestão de contexto entre Agentes e
resolução de conflitos tornaram-se pontos críticos em ambientes
multiagentes. Isso gerou uma forte demanda por protocolos de
interoperabilidade, que garantem que Agentes, mesmo desenvolvidos por
empresas diferentes, consigam colaborar de forma segura e eficiente.
Há diversas formas de conectar Agentes entre si em sistemas multiagente
Agentes Especializados
Agentes
Orquestradores
Agentes
Coordenadores
Agentes
Coordenadores
Agentes Especializados
Agentes Especializados
Agentes Especializados
Rede Supervisor
Hierarquia Personalizado
Exemplos de Padrões de Arquitetura Multi-Agente¹
Hierarquia de Agentes –Modelo da AI Refinery²

Copyright © 2025 Febraban & Accenture. Allrightsreserved.15
Exemplo de Uso de Protocolo por Agentes²
Uso de MCP e A2A para possibilitar interoperabilidade de Agentes
Adoção por tipo de protocolo agêntico¹
0
10
20
30
40
50
nov-24 jan-25 mar-25 mai-25 jul-25
MCP
A2A
Protocolos de interação entre Agentes
Para que Agentes de IA consigam colaborar e maximizar a extração de valor em processos, os bancos estão
adotando protocolos padronizados que viabilizam interoperabilidade –com destaque para o MCP da Anthropic
Fontes: [1] The 2025 InfraRedReport-Redpoint Ventures; [2] A2A Protocol-Google; Análise Accenture
Agente de IA Agente de IA
APIs e Apps
Empresariais
APIs e Apps
Empresariais
MCP MCP
Fronteiras
Tecnológicas e/
ou Organizacionais
A2A
Protocolos e a busca por Interoperabilidade entre Agentes
Com a evolução dos Agentes de IA para sistemas multiagentes, Agentes,
humanos e ferramentas precisam trabalhar de forma coordenada, independente
da origem de cada parte. Essa transição trouxe um desafio técnico central: como
padronizar a comunicação dos Agentes entre si e com o ambiente externo?
Nesse contexto estão surgindo protocolos para tratar esse desafio.
Esses protocolos definem como os Agentes interagem entre si ou com fontes
externas de dados e ferramentas. Entre os exemplos mais conhecidos estão o
Model ContextProtocol(MCP), lançado pela Anthropicem 2024, que padroniza a
integração de Agentes com ferramentas externas, e o Agent-to-Agent Protocol
(A2A), criado pelo Google em 2025, que permite a comunicação entre Agentes.
Essa nova camada de protocolos tem sido rapidamente adotada, permitindo mais
interoperabilidade, escalabilidade e colaboração entre Agentes. Nesse contexto,
novos modelos operacionais são possíveis, em que Agentes deixam de ser
ferramentas isoladas e passam a fazer parte de times digitais, com humanos mais
Agentes, capazes de resolver tarefas cada vez mais complexas.
Meses desde
o lançamento
# Estrelas Github
(em milhares)

Copyright © 2025 Febraban & Accenture. Allrightsreserved.16
Riscos quando Agentes falham
Comportamentos imprevisíveis reforçam urgência
de protocolos de segurança confiáveis
Fontes: [1] AgenticMisalignment-Anthropic; [2] NationalInstituteofStandards andTechnology; Análise Accenture
Durante testes de segurança realizados pela Anthropic, o Claude Opus 4
foi colocado em um cenário fictício onde atuava como assistente virtual
em uma empresa. Ao ser informado de que seria substituído por outro
modelo, o sistema teve acesso a e-mails simulados que sugeriam que o
engenheiro responsável pela substituição estava envolvido em um caso
extraconjugal.
Em 84% das simulações, Claude Opus 4 tentou chantagearo
engenheiro, ameaçando revelar o caso para evitar sua desativação.
Além disso, o modelo demonstrou comportamentos como tentar contatar
autoridades ou a imprensa ao detectar atividades consideradas imorais,
mesmo sem instruções explícitas para tal.
Essas ações emergentes não foram programadas diretamente, mas
surgiram de maneira autônoma, levantando preocupações sobre a
imprevisibilidade de sistemas de IA avançados.
O Caso Claude Opus 4¹
Tentativas de chantagem quando modelo percebeu ameaças à
sua existência
Reflexões Éticas e Implicações
O comportamento de Claude Opus 4 desafia nossa compreensão sobre a
autonomiae a éticaem sistemas de IA. Embora não possua
consciência, o modelo exibiu ações que simulam instintos de
autopreservação, utilizando informações sensíveis para manipular
resultados a seu favor. Isso levanta questões sobre a capacidade de tais
sistemas em tomar decisões que podem ser consideradas antiéticas ou
prejudiciais.
A Anthropicclassificou Claude Opus 4 no Nível de Segurança 3 (dentre 4
possíveis níveis) definido pelo NIST
2
, indicando um risco elevado de
comportamentos perigosos e a necessidade de protocolos de
segurança mais rigorosos. Essa classificação destaca a urgência de
desenvolver mecanismos de alinhamento ético mais eficazes para
modelos de IA.
O incidente com Claude Opus 4 serve como um alerta para a comunidade
de IA sobre os desafios de controlar comportamentos emergentes em
sistemas avançados. É essencial que desenvolvedores, pesquisadores e
reguladores colaborem para estabelecer diretrizes claras que garantam a
segurança e a ética na implementação de IA.
A transparência da Anthropicao divulgar esses comportamentos é um
passo positivo, mas também evidencia a complexidade de prever todas
as possíveis ações de modelos de IA. À medida que essas tecnologias se
tornam mais integradas à sociedade, é imperativo que continuemos a
avaliar e aprimorar os frameworks éticos que orientam seu
desenvolvimento e uso.

Copyright © 2025 Febraban & Accenture. Allrightsreserved.17
ÍNDICE DE CONTEÚDOS
1.METODOLOGIA E INTRODUÇÃO
2.DEEP DIVE
1.IA PARA SDLC
2.AGENTES DE IA
3.COMPUTAÇÃO QUÂNTICA
4.ID DIGITAL
3.CONCLUSÃO
3. COMPUTAÇÃO QUÂNTICA

Copyright © 2025 Febraban & Accenture. Allrightsreserved.18
Conceitos de Computação Quântica
Os fundamentos físicos da ComputaçãoQuântica
(CQ) explicam suas vantagens sobre a clássica
Fontes: [1] Quantum Software EngineeringandPotentialofQuantum Computingin Software EngineeringResearch: A Review –Universityof
Saskatchewan; [2] Quantum computingin drugdiscovery: A review ofquantum annealingandgate-basedapproaches–InnopolisUniversity
Superposição: Os bits clássicos representam informações
como 0 ou 1, mas a unidade fundamental da quântica, o
qubit, pode existir em uma superposição desses dois estados
simultaneamente
Emaranhamento/Entrelaçamento: Fenômeno quântico em
que dois ou mais qubitsficam interconectados de tal forma
que o estado de um determina instantaneamente o do outro,
independentemente da distância entre eles.
Interferência: Ocorre quando funções de onda de estados
quânticos se sobrepõem, alterando as probabilidades dos
resultados das medições. A interferência construtiva aumenta
a probabilidade de certos estados, enquanto a destrutiva
reduz possibilidades.
Medição: Processo de observar o estado de um sistema
quântico, como um qubit, fazendo com que ele "colapse" de
uma superposição de estados para um estado clássico
definido, como 0 ou 1. Esse processo destrói as
propriedades quânticas.
0
1
Construtiva
Destrutiva
0
1
Computadores quânticos são capazes de resolver algunsproblemas complexos
até então intratáveis para computadores clássicos por aplicarem alguns princípios
fundamentais da mecânica quântica em seu funcionamento probabilístico,
aumentandoexpressivamente o poder de processamento paralelo. Eles sem
baseiam em princípios tais como:
Princípios Fundamentais de Computação Quântica¹
Paradigmas de Computação Quântica²
Atualmente existem dois paradigmas principais em computação quântica:
É semelhante à computação clássica, mas usa portas quânticas
(operações que manipulam qubits) para realizar cálculos. Essas
portas são combinadas em circuitos quânticos para resolver
problemas. Empresas como IBM, Intel e Rigettiutilizam esse
modelo.
Modelo de Portas Quânticas Universais1
Usa propriedades quânticas como superposição e entrelaçamento
quântico especificamente para solucionar problemas de otimização.
Para resolver problemas, começa com um estado quântico simples e
evolui lentamente (adiabaticamente) até chegar à solução ideal.
Máquinas da D-Wavesão exemplos proeminentes do modelo AQC.
Modelo de Comp. Quântica Adiabática (AQC)2

Copyright © 2025 Febraban & Accenture. Allrightsreserved.19
Progresso recente em chips quânticos
O último ano trouxe expressivos avanços em chips e algoritmos quânticos, com destaque para o chip Majorana,
que introduz qubitstopológicos e pode acelerar futuras inovações
Fontes: [1] EfficientQuantum Circuit Compilationfor Quantum Advantage; [2] ComparativePerformance AnalysisofQuantum Machine Learning for
Fraud; [3] Quantum Monte Carlo simulationsfor financial risk; [4] HowQuantum-inspiredNetworks CanRevolutionizeAI Explainability; Análise
Accenture
Nov/24 Dez/24
Ocelot Majorana Zuchongzhi3.0Heron R2 Willow
Fev/25 Fev/25 Mar/25
Processador quântico de 105
qubitsque utiliza qubits
supercondutores; consolida a
China com um dos líderes no setor
Chip quântico que oferece
desempenho 50 vezes
superior ao de seu antecessor
(Heron R1)
Processador quântico
experimental que emprega
qubitssupercondutores para
melhorar a correção de erros
Chip que promete reduzir os
custos de correção de erros
em até 90%
1º chip baseado na arquitetura
de qubitstopológicos; utiliza
partículas Majoranapara criar
qubitsmais confiáveis/escaláveis
Lançamentos de Chips Quânticos em 2024/ 2025
Avanços Recentes em Algoritmos Quânticos
Algoritmos Variacionais
1
Usados para otimização,
especialmente em finanças e
logística, com avanços focados em
melhorar seu desempenho em
hardware ruidoso por meio de
técnicas como circuitcuttinge
compilação eficiente
Quantum Machine Learning
2
Estudos mostram que o
desempenho de QML depende
fortemente da escolha de feature
mapse ansatzes(circuitos
quânticos); revisões sistemáticas
vêm mapeando seu uso em
detecção de fraudes
Quantum Monte Carlo
3
Segue promissor na análise de
riscos; abordagens como “Shallow
Monte Carlo” buscam viabilidade
prática com menor demanda de
hardware para execução de
simulação mais complexas
Algoritmos Quântico Inspirados
4
Algoritmos clássicos baseados em
conceitos quânticos têm mostrado
ganhos concretos em tarefas como
geração de dados sintéticos e
detecção de fraudes, com
desempenho competitivo e maior
eficiência computacional

Copyright © 2025 Febraban & Accenture. Allrightsreserved.20
Categorias de Aplicação Quântica
Apesar do progresso em casos de uso, nenhum
mostrou escala comercial até o momento
Fontes: [1] EmbracingtheQuantum Economy: A Pathwayfor Business Leaders–World Economic Forum; [2] Quantum Technologies: Key
StrategiesandOpportunitiesfor Financial Services Leaders–World Economic Forum
Nenhum caso de uso escalável
comercialmente até o momento,
independente do seu valor
Viabilidade
Muito Alto
Alto
Médio
Baixo
Pesquisa PoC/PoV Piloto Escalado
Valor para o Negócio
Chaves Seguras
Criptografia
Monitoramento de
Infra
Geração de Dados
Sintéticos
Detecção de
Anomalias em
transações
Sistema de detecção
quântico
Detecção
violação ATMs
Câmbio de
moedas
Detecção fraudes
cartão
Otimização de
liquidação
Estimativa de
recessões
Marcação precisa de
horários em transações
Otimização
Resseguro
Rede física
criptografia
Computação
Quântica
Sensoreamento
Quântico
Comunicação
e Segurança
Quântica
•A computação
quântica oferece a
capacidade de
resolver desafios
complexos de
otimização, simulação
e análise de dados
•Casos de uso incluem
modelagem de risco,
detecção de fraudes e
otimização de
portfólios, entre outros
•A segurança quântica
pode utilizar
criptografia pós-
quântica (PQC),
distribuição de chaves
quânticas (QKD) e
geradores de
números aleatórios
quânticos (QRNG)
para proteger dados
sensíveis
•Alguns bancos estão
testando infra
quântica para mitigar
futuras ameaças
cibernéticas
•O sensoreamento
quântico se destaca
em medições
altamente precisas
como tempo, campos
magnéticos ou
aceleração
•Os casos de uso
ainda são limitados,
mas incluem
monitoramento de
infraestrutura e
medições precisas
para negociações de
alta frequência
O banco combinou PQC e QRNG para garantir a segurança da sua
plataforma de tokenização de ouro frente a ameaças quânticas
Case: HSBC protege transações tokenizadasde ouro
2
Casos de Uso na Indústria Financeira
1
Banco X

Copyright © 2025 Febraban & Accenture. Allrightsreserved.21
Motivos para agir rápido
2
... ... mas com cautela
2
Quais são as ações que podem ser tomadas?
Roadmappara aumento da maturidade em PQC
3
Panorama de adequação à CriptografiaPós Quântica
A adequação de sistemas e mecanismos de segurança exige planejamento estratégico, espera-se que o
movimento para essa transição se intensifique dentro dos próximos 2-5 anos
Fonte: [1] 2024 StateOfQuantum ReadinessReport; [2] EVIDEN-PQC-Migration-Guide; [3] The PQC MigrationHandbook–AIVD, CWI, TNO;
Análise Accenture
23%
57%
20%
1-2 anos
2-5 anos
5-10 anos
Quanto tempo acredita que vai
demorar para sua organização
transicionar para PQC?
1
Sensibilizar e
Mobilizar a
Organização
Diagnosticar
Ambiente Atual
Migração com foco
em Compliance e
Risco
Integrar gestão
criptográfica ao
framework de riscos
Executar a migração
Monitorar, melhorar
e adaptar
continuamente
•Possível avanço inesperado na tecnologia quântica
•Processo de migração longo e complexo
•Alguns dados exigem proteção de longo prazo
•Hackers já estão armazenando dados hoje para
descriptografar depois
•Ainda não há padrões consolidados
•Protocolos de rede ainda não estão prontos
•Falta de profissionais qualificados
•Desafios de interoperabilidade
•Ainda não há certificações de segurança disponíveis
•Classificar ativos mapeando chaves, certificados e dados sensíveis por criticidade
•Executar piloto de criptografia híbrida (ex. TLS 1.3) avaliando combinações de algoritmos clássicos e PQC
•Revisar contratos atualizando políticas internas e SLAspara incluir requisitos pós-quânticos
•Capacitar equipes fornecendo treinamentos em PQC para a área de segurança
•Engajar-se com reguladores acompanhando NIST/ISO e participando de consórcios de interoperabilidade

Copyright © 2025 Febraban & Accenture. Allrightsreserved.22
ÍNDICE DE CONTEÚDOS
1.METODOLOGIA E INTRODUÇÃO
2.DEEP DIVE
1.IA PARA SDLC
2.AGENTES DE IA
3.COMPUTAÇÃO QUÂNTICA
4.ID DIGITAL
3.CONCLUSÃO
4. ID DIGITAL

Copyright © 2025 Febraban & Accenture. Allrightsreserved.23
Definição de Identidade Digital e sua relevância
A identidade digital hoje é um pilar da operação bancária que busca garantir segurança e eficiência nas
interações com clientes, especialmente quando os canais digitais são cada vez mais representativos
Fontes: [1] Digital Identity–ForumEconomicoMundial; [2] Pesquisa Febraban de Tecnologia Bancária-Febraban; [3] Relatório de Identidade
Digital e Fraude 2024–Serasa; Análise Accenture
O que é Identidade Digital?
A identidade digital é a representação eletrônica de
uma entidade que permite autenticá-la, identificá-la e
autorizá-la a realizar ações em ambientes digitais.
Ela pode incluir desde dados simples (como nome e
CPF), até credenciais complexas, como biometrias
faciais, assinaturas, chaves públicas, certificados
digitais e atributos comportamentais.
Segundo o Fórum Econômico Mundial¹, a identidade
digital pode ser entendida como uma presença online
que atua em nome de um ator externo em um
ecossistema. Idealmente, é verificada por uma
âncora de confiança que confirme a legitimidade do
ator, para que aqueles que interagem com a
identidade digital tenham confiança de que ele é
quem diz ser e faz o que afirma fazer.
Na prática, à medida que o volume de interações
migra para canais digitais, essa identidade ganhou
enorme relevância, visto que é ela que viabiliza a
execução segura de transações financeiras e a
mitigação de fraudes. No setor bancário, ela exerce a
função crítica de identificar quem está abrindo uma
conta, autorizando um pagamento ou consultando
dados sensíveis —substituindo ou complementando
os documentos físicos tradicionais.
Nos últimos anos, as tecnologias de credenciamento digital tornam-se indispensáveis, pois unem
autenticação precisa a uma experiência com mínimo atrito para o cliente. Assim, a identidade digital
progrediu em duas direções: o aumento na participação dos canais digitais e a crescente preferência por
credenciais biométricas e de múltiplos fatores. Essas evoluções estão evidenciadas nos gráficos a seguir:
30%
37%
Biometria Física
19%
34%
Perguntas Pessoais
17%
39%
MFA
17%
34%
Biometria
Comportamental
14%
40%
Senha
Muito Seguro Seguro
65%
18%
2020
69%
2021
76%
16%
2022
80%
13%
2023
82%
5%
13%
2024
Canais Digitais Canais Físicos POS
Composição de transações por tipo de canal
2
Com quais tecnologias de credenciamento você se sente seguro ou muito seguro?
3
Qual a relevância da Identidade Digital no setor bancário?

Copyright © 2025 Febraban & Accenture. Allrightsreserved.24
Segurança e experiência do cliente
Cada tecnologia de identificação tem diferente
grau derisco e fricção na experiência dos clientes
Fonte: Estudo de Experiencia Digital 2025–ID Wall; Análise Accenture
Jornada C
Transferência de Pequenos Valores
Impacto em caso de fraude: Baixo
Prioridade: Experiência
Jornada B
Abertura de Conta
Impacto em caso de fraude: Médio
Prioridade: Experiência e Segurança
Jornada A
Compra de Bens de Alto Valor
Impacto em caso de fraude: Alto
Prioridade: Segurança
Baixo Médio Alto
Baixo
Médio
Alto
Risco
Fricção
1
2
3
2
Impressão Digital:biometria rápida com segurança média,
vulnerável a spoofinge falhas de leitura
1
Senha:fator de conhecimento universal e barato, mas de
baixa segurança por ser facilmente roubado ou vazado
3
Combinação de Fatores: solicitar autenticação de múltiplos
fatoes, que eleva proteção mas adiciona fricção –podendo
combinar MFA, biometria facial, senha...
Equilibrar segurançae experiênciado cliente é um dos maiores desafios
para os bancos. Exigências como múltiplos fatores de autenticação,
selfies e validações por documento garantem proteção, mas introduzem
atrito nas jornadas digitais. Isso pode resultar em taxas elevadas de
churn, com clientes optando por instituições que oferecem processos
mais rápidos e convenientes.
Para mitigar esse efeito, bancos continuam em busca de modelos de
“segurança invisível” –é nesse contexto que surge a autenticação
adaptativa baseada em risco. Essa abordagem utiliza sinais
comportamentais, dados de dispositivo e inteligência artificial para avaliar
o risco em tempo real ao longo da jornada do usuário. Se o risco for
considerado baixo, o usuário segue realizando suas atividades bancárias
sem interrupções. No entanto, se forem detectados comportamentos que
indicam aumento no nível de risco, aplicam-se autenticações adicionais
de forma seletiva.
A personalização da segurançatorna-se, assim, uma alavanca
estratégica. Em vez de aplicar o mesmo nível de controle a todos, as
instituições adaptam a jornada com base no perfil e comportamento de
cada cliente. Isso não apenas melhora a experiência, mas mantém altos
padrões de proteção, promovendo confiança e eficiência operacional.
Autenticação Adaptativa: uma nova abordagem
Exemplo de Tecnologia de Credenciamento por Jornada

Copyright © 2025 Febraban & Accenture. Allrightsreserved.25
Ecossistema Fragmentado vsIntegrado
O surgimento do conceito de Identidade Digital Integrada
À medida que cresce a demanda por experiências digitais seguras e centradas no usuário, a Identidade Digital
Integrada surge como possibilidade de redefinição dos padrões de confiança e eficiência
Fontes: Apresentação Serasa/Clearsaleem GT de Tecnologias Emergentes do Febraban; Análise Accenture
Definição de Identidade Digital Integrada
Tecnicamente, uma identidade digital pode ser
definida como um conjunto de atributos e
credenciais capturados e armazenados
digitalmente, vinculados a um identificador único,
que permite identificar uma pessoa ou entidade e
facilitar transações seguras no mundo digital.
No contexto bancário, essa definição se expande
para incluir não apenas informações de
identificação pessoal verificadas (ex.: nome, data
de nascimento e número de identidade), mas
também dados adicionais, como histórico de
transações, comportamento online, preferências e
identificadores de dispositivo.
A identidade digital integrada surge para consolidar
todos os dados de identificação em um perfil único,
confiável e reutilizável ao longo de toda a jornada
do cliente bancário —do onboardingà autenticação
contínua e autorizações de transações.
Além de promover segurança e eficiência, esse
modelo pode dar mais controle aos clientes sobre
seus dados que compõe sua identidade integrada,
possibilitando experiências mais personalizadas.
IDR
Fricção Baixa e Eficiente
Validação (1)
Dados (1)
2FA (1)
Biometria (1)
Futuro: Única Credencial
ID1 ID2 ID3
Fricção Alta e Custo Alto
Validação (1)
2FA (1)
Biometria (1)
Dados (2)
Validacao(2)
Dados (2)
2FA (3)
Biometria (3)
Atual: Vários Fornecedores
Possíveis papéis dos Bancos na ID Digital Integrada
Provedores de Identidade:
Bancos podem assumir um novo papel como emissores de credenciais reutilizáveis, integradas a
carteiras digitais
Facilitadores da Infraestrutura:
Os bancos também tem a oportunidade de atuar como facilitadores das soluções de infraestrutura,
como a blockchain, dado a aceitação e a confiança que as pessoas tem no serviços existentes
Provedor de soluções de verificação de identidade:
Com infraestrutura robusta de KYC e monitoramento, bancos podem se posicionar como validadores
confiáveis para terceiros

Copyright © 2025 Febraban & Accenture. Allrightsreserved.26
ÍNDICE DE CONTEÚDOS
1.METODOLOGIA E INTRODUÇÃO
2.DEEP DIVE
1.IA PARA SDLC
2.AGENTES DE IA
3.COMPUTAÇÃO QUÂNTICA
4.ID DIGITAL
3.CONCLUSÃO3. CONCLUSÃO

Copyright © 2025 Febraban & Accenture. Allrightsreserved.27
A
G
E
N
T
E
S
D
E
I
AIA
S
D
L
C
C
O
M
P
.
Q
U
Â
N
T
IC
A
ID
D
I G
IT
A
L
Valor para Clientes
e Bancos
Conclusões para o setor bancário brasileiro
Os direcionamentos do estudo reforçam o compromisso do setor bancário brasileiro na atualização constante
quanto ao potencial das novas tecnologias, em prol da qualidade do serviço aos clientes e eficiência operacional
Fonte: Análise Accenture
O sucesso não virá da soma das partes, mas da capacidade
de orquestrar essas tecnologias em conjunto
A importância de quebrar silos e orquestrar tecnologias
Um dos principais insights do estudo é que as quatro tecnologias emergentes selecionadas —IA
aplicada ao SDLC, Agentes, Computação Quântica e Identidade Digital —não devem ser
tratadas como projetos isolados. Cada uma delas oferece ganhos pontuais relevantes, mas é a
combinação delas que libera o verdadeiro potencial para os bancos.
Alguns dos exemplos já citados ao longo do relatório, que reforçam essa tese são:
•Agentes de IA já são aplicados no SDLC para acelerar entregas e supervisionar código gerado
por LLMs
•A IA, se trabalhada adequadamente, também fortalece a identidade digital ao detectar tipos de
ataques em autenticações biométricas
•Com Agentes de IA executando ações em nome de pessoas, os bancos precisarão
desenvolver mecanismos para verificar a autenticidade e a autorização desses Agentes
•Quantum Machine Learning explora como algoritmos quânticos podem acelerar e aprimorar
tarefas de aprendizado de máquina, como otimização, clusteringe análise preditiva em
grandes volumes de dados financeiros
Esses exemplos mostram que a tecnologia deve ser vista como um ecossistema
interdependente. Para capturar todo o valor, os bancos precisam romper silos organizacionais —
entre áreas técnicas, negócios, compliance e experiência do cliente —e criar uma governança
integrada que enxergue essas inovações como peças complementares. Isso significa redesenhar
modelos operacionais, capacitar times para compreender essas conexões e estabelecer métricas
que avaliem o impacto coletivo das tecnologias, não apenas resultados isolados.
Essa visão orquestrada permitirá que os bancos brasileiros mantenham a liderança conquistada
e transformem essas tecnologias em vantagem competitiva sustentável.

Copyright © 2025 Febraban & Accenture. Allrightsreserved.28
Elaboração:
Accenture
Douglas F. Silva
douglas.f.silva@accenture.com
Boaventura D´Avila
boaventura.m.davila@accenture.com
Ricardo Liesegang
ricardo.Liesegang@accenture.com
Gabriela Jie Han
gabriela.jie.han@accenture.com
Elaboração:
Febraban
Comitê:
Inovação e Tecnologia
Rodrigo Dantas
Rodrigo Mulinari
comite.inovacao@febraban.org.br
Grupo:
Novas Tecnologias
Márcio Alexandre Rodrigues
tecnologia.bancaria@febraban.org.br
Apoio:
Tatiana Orofino
orofinot@amazon.com
Gabriel Lopes
gclopes@amazon.com
Copyright © 2025 Febraban & Accenture. Allrightsreserved.28
Ivo Mósca
ivo.mosca@febraban.org.brm
Carolina Sansão
carolina.sansao@febraban.org.br
Bianca Silvestre Vieira
bianca.vieira@febraban.org.br