Modelo de risco com explicabilidade reduz inadimplência em 22% e atende exigência BACEN.

A Capital Mais é SCD (sociedade de crédito direto) com R$ 180M em carteira PF e PJ. Operava com modelo de risco terceirizado (caixa-preta) que negava crédito sem explicação clara — vinha gerando reclamações PROCON e cresce o desconforto regulatório.

A exigência BACEN sobre explicabilidade de modelos de crédito (Resolução nº 4.557 e CMN) aumentava o risco de continuar com black-box. Era preciso migrar antes da próxima auditoria.

Construímos modelo de risco interno baseado em gradient boosting com explicabilidade via SHAP — cada negativa de crédito vem acompanhada das 3-5 features que mais pesaram na decisão. Para o aplicante: explicação em linguagem clara ('seu score baixou principalmente pela combinação de A, B e C'). Para auditoria: relatório técnico completo.

Lado positivo inesperado: a explicabilidade nos permitiu detectar 2 features com viés que estavam aumentando inadimplência (proxies para variáveis discriminatórias) — removidas, a precisão melhorou.

XGBoost como modelo principal (não LLM — escolha consciente para o problema certo). SHAP para explicabilidade local. Pipeline MLOps com Airflow para re-treino mensal e monitoramento de drift via Evidently. Documentação completa de cada feature, fonte e transformação para defesa regulatória.

LLM entra apenas na última camada: transformar a explicação técnica do SHAP em linguagem natural para o cliente final.

Compliance e jurídico da casa aprovaram cada feature antes da subida do modelo. Auditoria interna semestral sobre amostra de 500 decisões. Em 6 meses, zero questionamento PROCON com base em recusa não-explicada.

Nem todo problema é um LLM. O LLM aqui é coadjuvante — XGBoost é o protagonista. Vender 'IA' para o cliente final é fácil; entregar o modelo certo para o problema certo é maturidade técnica. Em crédito regulado, simplicidade explicável vale mais que sofisticação opaca.