O Open Finance Deu a Todos os Mesmos Dados. Comportamento É o Único Diferencial Que Sobrou.
Quando toda instituição licenciada consegue ver os mesmos saldos, históricos de transação e fluxos de renda, o dado em si deixa de ser vantagem. O que permanece proprietário é como cada usuário interage com o seu produto.
Publicado em 2026-07-17 · 6 min de leitura
O Open Finance Deu a Todos os Mesmos Dados. Comportamento É o Único Diferencial Que Sobrou.
O Fosso Que a Regulação Dissolveu
Durante a maior parte da história bancária, o relacionamento com o cliente era o fosso. A instituição que detinha a conta principal via os depósitos de salário, as contas recorrentes, os padrões de gasto, o comportamento de poupança. Concorrentes não viam nada. Essa assimetria era a base da vantagem incumbente, e era defendida com ferocidade.
O open finance desmontou isso de propósito. A implementação brasileira, faseada pelo Banco Central, foi além da maioria: não apenas compartilhamento de conta e transação, mas iniciação de pagamento, dados de investimento, seguros e previdência, tudo sob um marco de consentimento controlado pelo cliente. O objetivo explícito de política pública era quebrar a assimetria de dados que permitia a incumbentes reterem clientes por inércia.
Funcionou, numa escala que nenhum outro mercado igualou. O Open Finance Brasil completou cinco anos em fevereiro de 2026 com mais de 154 milhões de consentimentos ativos e mais de 100 milhões de clientes conectados, segundo a Associação Open Finance Brasil. Os consentimentos únicos cresceram 143% entre 2024 e 2025. O ecossistema hoje carrega mais de 5 bilhões de chamadas de API entre instituições por semana, e a iniciação de pagamento movimentou R$ 15,3 bilhões em 2025, contra R$ 3,2 bilhões em 2024. Para comparação, o Reino Unido — pioneiro — chegou a cerca de 15 milhões de usuários de open banking em meados de 2025, e seu escopo cobre apenas dados de conta e iniciação de pagamento, não os dados de crédito, investimento, seguros e previdência que o modelo brasileiro inclui.
E esse sucesso produziu uma consequência que boa parte da estratégia de fintech ainda não absorveu.
Se o cliente consente, uma fintech desafiante hoje enxerga essencialmente o mesmo retrato financeiro que a incumbente enxerga. Mesmos saldos, mesmo histórico de transações, mesmo timing de renda, mesmas obrigações. O dado que costumava ser proprietário virou, na prática, um serviço compartilhado.
O que levanta uma pergunta desconfortável: se todos têm os mesmos dados, qual é exatamente a vantagem?
Mesmos Inputs, Mesmas Respostas
Observe o que acontece quando múltiplas instituições constroem sobre dados compartilhados idênticos.
Modelos de crédito convergem. Dado o mesmo histórico de transações e a mesma evidência de renda, modelos de underwriting bem construídos chegam a conclusões similares. Há um limite de divergência possível quando os inputs são idênticos e a matemática é bem conhecida.
Recomendações de produto convergem. Toda plataforma lendo os mesmos dados de conta identifica as mesmas oportunidades — o cliente pagando juros altos que deveria consolidar, o saldo parado que deveria ser investido, a cobrança recorrente que poderia ser mais barata em outro lugar. Todos veem. Todos recomendam.
Alertas de risco convergem. O mesmo pagamento perdido, a mesma interrupção de renda, o mesmo índice de alavancagem dispara o mesmo alerta em toda instituição que está observando.
O resultado é um mercado onde concorrentes oferecem produtos notavelmente parecidos, identificam as mesmas oportunidades no mesmo momento e alcançam os mesmos clientes com as mesmas mensagens. A diferenciação colapsa em direção a preço e marca, que é exatamente onde a margem morre.
Dados financeiros descrevem os resultados das decisões de uma pessoa. Registram o que foi gasto, poupado, tomado emprestado e pago. São um registro excelente do passado e uma explicação medíocre dele. Dois clientes com históricos de transação idênticos byte a byte podem ser pessoas completamente diferentes — um deliberado e confiante, outro estressado e reativo — e o dado compartilhado não consegue distingui-los.
A Camada Que o Open Finance Não Compartilha
Existe uma categoria de dado que o open finance não comoditiza e estruturalmente não pode comoditizar: como um usuário específico interage com um produto específico.
Quando um cliente abre o seu app, aquela sessão gera sinal que nenhum concorrente consegue ver. Quanto tempo ele hesita antes de confirmar. Quais telas ele revisita. Se lê os termos ou pula. Como navega ao comparar opções. Se explora antes de decidir ou decide antes de explorar. Como o ritmo de sessão muda quando está sob pressão. Se responde a uma notificação em noventa segundos ou noventa horas.
Nada disso é compartilhável. Não está no schema do open finance, não é portável sob consentimento, e existe apenas na relação entre um usuário e uma superfície de produto. É gerado do zero a cada sessão e se acumula.
É também a camada que explica o dado financeiro em vez de apenas repeti-lo.
Um registro de transação compartilhado mostra que um cliente moveu R$ 8.000 de um fundo de crescimento para um produto de renda fixa. Dados comportamentais da sua própria superfície mostram que, antes disso, ele checou a tela de portfólio onze vezes em dois dias, abriu o fluxo de resgate duas vezes e abandonou, passou quatro minutos na página de garantia de capital, e fez tudo isso entre 23h e 1h. A transação é o resultado. O comportamento é o motivo — e o motivo é o que diz se a próxima conversa deve ser sobre realocação ou sobre tranquilizar.
Onde a Diferenciação de Fato Aparece
Underwriting na margem. Dados compartilhados determinam o retrato amplo de crédito. Sinal comportamental move os solicitantes que ficam perto do limiar. Comportamento de aplicação — como alguém preenche um formulário, se revisa valores de renda, se abandona e retorna, como responde à fricção de verificação — carrega sinal incremental genuíno, e é sinal que só você tem. Numa carteira onde concorrentes convergem para decisões idênticas, mover corretamente os casos marginais é todo o spread.
Timing. Dados compartilhados revelam que um cliente tem uma oportunidade. Estado comportamental revela se ele está receptivo a ouvir sobre ela agora. Toda instituição observando o mesmo feed de open finance identifica a oportunidade de consolidação na mesma semana. Aquela que alcança o cliente durante um momento de calma financeira em vez de estresse agudo recebe uma resposta diferente para a mesma oferta.
Retenção. Dados de conta mostram churn depois que ele acontece — saldos drenam, depósitos são redirecionados, atividade para. A essa altura a decisão foi tomada semanas antes. Deterioração comportamental é visível muito mais cedo: profundidade de engajamento caindo, sessões encurtando, exploração de funcionalidades parando, latência de resposta esticando. Essa é a janela em que a intervenção ainda funciona.
Consistência entre modelos. À medida que instituições implantam IA em chat, notificações, orientação in-app e agentes, um perfil comportamental atrelado à pessoa em vez de a um único modelo mantém a experiência coerente. O cliente que quer respostas curtas e diretas as recebe de toda superfície, não só daquela onde por acaso estabeleceu isso.
Linhas de Base Pessoais, Não Limiares Populacionais
O requisito técnico aqui é mais rigoroso do que parece, e é onde a maioria das tentativas falha.
Sinal comportamental só é útil quando interpretado contra a linha de base do próprio indivíduo. Um cliente que leva dois minutos para revisar um contrato de empréstimo não é cauteloso — a menos que normalmente leve vinte segundos. Um cliente checando o saldo diariamente não está estressado — a menos que antes checasse semanalmente. Limiares populacionais geram falsos positivos numa taxa que destrói a confiança do operador em um trimestre.
Isso significa manter um modelo persistente por usuário com três horizontes temporais distintos. Traços, que são disposições estáveis medidas em meses. Preferências, que derivam em semanas. Estado, que muda dentro de uma única sessão e é inútil se desatualizado. Colapsar isso em um score único é o modo de falha mais comum, porque deixa traços lentos diluírem o sinal rápido de estado que de fato move a ação.
Fazer isso bem é trabalho de infraestrutura — ingestão de eventos, modelagem por usuário em três horizontes e serviço de baixa latência dentro de um caminho de decisão ao vivo. Não é uma feature que um time de produto entrega junto com o roadmap.
O Que Isso Produziu na Prática
No deployment da parceira, a Fluence processou 3,4 milhões de perfis comportamentais apenas a partir de padrões de interação — timing, navegação, hesitação, resposta por canal, ritmo de sessão. Sem dados de pesquisa, sem inferência demográfica, sem conteúdo de mensagem.
O churn caiu 40%, porque a deterioração comportamental apareceu enquanto o relacionamento ainda era recuperável. A conversão subiu 2,3x, porque ofertas chegavam alinhadas à prontidão individual em vez de a uma agenda fixa. A precisão dos modelos de ML melhorou 3,5x, porque os modelos finalmente recebiam features comportamentais por usuário em vez de atributos agregados de coorte.
Notavelmente, nada disso exigiu dados que qualquer concorrente pudesse obter. Veio de interações que a plataforma já gerava e descartava.
A Leitura Estratégica
O open finance não eliminou vantagem competitiva em serviços financeiros. Ele a realocou.
A vantagem saiu de ter dados para entender pessoas. De acesso proprietário para interpretação proprietária. Toda instituição competindo por um cliente brasileiro hoje consegue ver o mesmo retrato financeiro. Aquela que também entende como esse cliente pensa, decide, hesita e responde está operando com informação que as outras estruturalmente não podem adquirir.
A Fluence entrega essa camada como infraestrutura. Uma chamada \GET /context/{user_id}\ retorna contexto comportamental pronto para modelo — traços, preferências e estado atual — comprimido para uso direto por um LLM ou sistema de decisão. Ela lê o fluxo de interação que a plataforma já produz, e é por isso que a integração normalmente leva menos de 10 horas. Ela analisa padrões comportamentais e nunca conteúdo de mensagem, o que a torna compatível com LGPD e GDPR por arquitetura, não por fluxo de consentimento.
Segment e Amplitude rastreiam o que usuários fazem. O open finance agora mostra a todos o que os usuários fizeram financeiramente. A Fluence entende como e por quê — e essa parte ainda é só sua.
👉 Veja como a inteligência comportamental se torna um fosso que dados compartilhados não conseguem erodir →