O risco moderno exige uma base em tempo real: o mandato do CRO

Em um ambiente macroeconômico volátil, a gestão de riscos corporativos hoje é menos limitada pela sofisticação da modelagem e mais pela latência dos dados. Embora a modelagem financeira tenha evoluído significativamente nas últimas duas décadas, a arquitetura de dados subjacente que dá suporte a esses modelos geralmente permanece ancorada em arquiteturas legadas orientadas a lote.

Para muitas instituições financeiras Tier-1, a agregação de riscos continua a depender de ambientes de dados fragmentados, processamento em lote noturno, reconciliação manual de dados entre unidades de negócios e estruturas de relatórios retrospectivos. No entanto, eventos de mercado recentes demonstram que, quando o risco se materializa em mercados modernos e interconectados, a arquitetura legada cria graves lacunas de visibilidade que impedem uma intervenção oportuna.

Essa lacuna é importante porque o papel do CRO está mudando. A pesquisa sobre gestão de riscos da Deloitte revelou que mais de 90% dos entrevistados acreditam que a gestão de riscos está se tornando mais importante para alcançar objetivos estratégicos, e que organizações com programas de risco mais integrados tendem a superar aquelas com abordagens menos integradas. A implicação é clara: os conselhos de administração esperam cada vez mais que a função de risco contribua para o crescimento, a resiliência e a qualidade das decisões, e não apenas atue como um ponto de controle retrospectivo.

Essa mudança estratégica exige uma base operacional diferente.

Pontos cegos arquitetônicos agora são passivos estratégicos

Choques de mercado recentes tornaram um padrão inconfundível: as instituições geralmente têm informações amplas, mas carecem de uma visão oportuna, integrada e pronta para a tomada de decisões.

Episódios como o Silicon Valley Bank (SVB), a Archegos e a interrupção do LDI no Reino Unido expuseram fraquezas recorrentes na arquitetura de risco moderna.

1. Silicon Valley Bank (2023): O impacto da velocidade da corrida de liquidez digitalizada

O Silicon Valley Bank (SVB) mantinha um balanço patrimonial fortemente exposto a títulos do Tesouro dos EUA de longo prazo e taxa fixa, financiados por depósitos concentrados de capital de risco. Quando as taxas de juros subiram rapidamente, o banco acumulou perdas não realizadas substanciais. Para atender aos pedidos de retirada de depósitos, o SVB liquidou uma parte de seus títulos disponíveis para venda, realizando uma perda de US$ 1,8 bilhão.

• A lacuna na arquitetura de dados: Os modelos tradicionais de Asset Liability Management (ALM) e as estruturas de relatórios regulatórios (como o FR 2052a) foram historicamente projetados em torno de ciclos de lote semanais ou mensais, assumindo que as saídas de depósitos ocorreriam em horizontes estendidos. Impulsionados por canais bancários digitais e pela rápida disseminação de informações por canais sociais e digitais, os clientes do SVB iniciaram solicitações de retirada totalizando US$ 42 bilhões em um único dia. A infraestrutura de risco do banco carecia de pipelines de dados de streaming em tempo real necessários para rastrear dinamicamente as mudanças na posição de liquidez intradiária durante uma corrida de hipervelocidade.

2. Archegos Capital Management (2021): O alto custo dos dados fragmentados de contraparte

A Archegos Capital Management, um family office, utilizou alavancagem extrema para construir posições concentradas em um pequeno número de ações por meio de Total Return Swaps (TRS). Como essas posições sintéticas estavam distribuídas por vários prime brokers, incluindo Credit Suisse, Nomura, Morgan Stanley e Goldman Sachs, a verdadeira escala da exposição total do fundo permaneceu oculta para os participantes individuais do mercado. Quando as ações subjacentes caíram de valor, a Archegos deixou de pagar as chamadas de margem, gerando mais de US$ 10 bilhões em perdas coletivas para suas instituições credoras.

• A lacuna na arquitetura de dados: O Credit Suisse sozinho sofreu uma perda de US$ 5,5 bilhões, o que contribuiu para uma perda mais ampla de confiança no mercado. Investigações internas revelaram que os sistemas de risco do banco não sofriam com a falta de dados, mas sim com uma grave fragmentação sistêmica. As métricas de exposição estavam isoladas em unidades de negócios e sistemas geográficos independentes. Como a arquitetura carecia de uma plataforma de dados unificada capaz de agregar o risco de crédito de contraparte em mesas de negociação distintas em tempo real, os gestores de risco não conseguiam ver a exposição total agregada da instituição a um único cliente.

3. A crise de Liability-Driven Investment (LDI) no Reino Unido (2022): Teste de estresse estático vs. dinâmico

Em setembro de 2022, anúncios repentinos de política fiscal no Reino Unido fizeram com que os rendimentos dos títulos do governo britânico (Gilts) disparassem a uma taxa sem precedentes. Essa volatilidade impactou severamente os fundos de pensão do Reino Unido que utilizavam estratégias de Liability-Driven Investment (LDI), que dependem de derivativos para proteger passivos de longo prazo. Com a queda abrupta dos preços dos títulos, esses fundos enfrentaram chamadas de margem de garantia imediatas e massivas de suas contrapartes. Para levantar caixa, os fundos de pensão foram forçados a liquidar seus gilts subjacentes, empurrando os preços dos títulos ainda mais para baixo e criando um ciclo de feedback adverso que exigiu intervenção de emergência do Banco da Inglaterra.

• A lacuna na arquitetura de dados: Modelos de risco históricos estáticos e padrão indicavam que essas carteiras estavam adequadamente protegidas contra movimentos convencionais do mercado. A arquitetura de tecnologia subjacente falhou em considerar ciclos de feedback correlacionados e multivariáveis, especificamente, como uma queda rápida no valor dos ativos forçava liquidações sistêmicas desses mesmos ativos. Gerenciar esse risco exige simulações de cenários simultâneas e de alto desempenho, capazes de processar mudanças macro complexas em classes de ativos interdependentes de forma simultânea.

O custo do atrito: restrições operacionais e estratégicas

A análise de falhas operacionais modernas revela que as vulnerabilidades estruturais decorrem em grande parte de uma arquitetura de dados fragmentada e da dispersão de fornecedores ("vendor sprawl"), e não de uma modelagem falha. Isso cria um atrito estrutural que afeta três área principais:

1. O fardo da reconciliação (Impacto na métrica: Alpha operacional e eficiência de FTE): Modelos de dados isolados e controles inconsistentes forçam as equipes de risco, finanças e operações a realizar exercícios repetidos de validação em planilhas, sistemas de fornecedores e extrações personalizadas. Crucialmente, isso degrada uma métrica fundamental do CRO: o Time-to-Insight. Em vez de focar no gerenciamento proativo de exposição, as equipes de risco consomem sua largura de banda operacional validando valores de itens de linha em planilhas e bancos de dados desconectados.
2. Latência de relatórios (Impacto na métrica: precisão de Value-at-Risk (VaR) e meia-vida do Liquidity Coverage Ratio (LCR)): Dados desatualizados prejudicam as decisões. Depender do processamento em lote noturno para cálculos complexos (como Expected Shortfall ou testes de estresse macro) faz com que os comitês de risco operem com dados desatualizados. Em ambientes de alta velocidade e mercados voláteis, essa latência cria um ponto cego no rastreamento de liquidez intradiária e degrada a precisão dos limites de VaR, forçando as instituições a assumir riscos não protegidos ou a manter reservas de caixa abaixo do ideal e sem rendimento.

3. Pontos cegos na linhagem de dados (Impacto na métrica: custo de conformidade e gestão de risco de modelo - SR 11-7):

   A linhagem fraca aumenta o fardo operacional e regulatório. Isso expõe a empresa a penalidades de auditoria (como CCAR ou FR 2052a) sob o BCBS 239 e SR 11-7 (estruturas de gestão de risco de modelo). Sem uma linhagem automatizada, rastrear saídas de modelo inesperadas de volta à origem, distinguindo entre mudanças estruturais de mercado e dados corrompidos de origem, torna-se um gargalo demorado e caro.

A mudança de arquitetura: operacionalizando o CRO estratégico

Se o CRO moderno deve operar como um líder estratégico, a pilha de risco precisa evoluir de uma infraestrutura de relatórios fragmentada para uma camada de inteligência unificada.

É aí que entra a Databricks Data and AI Platform. O valor da plataforma para organizações de risco não é apenas a velocidade isoladamente. É a combinação de unificação, governança e IA em uma única base:

• Agregação de posições em tempo real e otimização de capital: Ao trazer posições, limites, resultados de estresse e dados de mercado para uma base unificada e governada no Unity Catalog, a Databricks elimina o fardo da reconciliação. As equipes de risco operam com um modelo de permissões único e consistente e linhagem de dados verificada. Essa visibilidade centralizada reduz o Time-to-Aggregation de dias para minutos, permitindo que o CRO otimize os Risk-Weighted Assets (RWA) e realoque o capital dinamicamente de setores de alta exposição para ativos de maior rendimento.
• Simulações "What-If" de Subsegundo e Defesa de Margem: A transição de sistemas legados de processamento em lote noturno para o processamento simultâneo de alto desempenho permite que as equipes passem da cegueira do modo em lote para a vigilância em tempo real. Os gestores de risco podem executar análises de transações "What-If" complexas e multivariáveis e visualizar deltas de VaR ou Expected Shortfall em segundos, antes que uma posição seja registrada. Essa capacidade em tempo real protege as margens líquidas de juros (NIM) e garante que mudanças repentinas nas variáveis macroeconômicas não desencadeiem chamadas de margem sem cobertura (unhedged).

• Fluxos de Trabalho de IA Auditáveis e Governança Simplificada: À medida que a IA se integra à tomada de decisões de crédito na linha de frente e aos sinais de risco de mercado, o Unity AI Gateway adiciona uma camada de governança de nível empresarial para o tráfego de LLM e ML. Ele oferece gerenciamento de acesso automatizado, limitação de taxa (rate limiting), rastreamento de uso, registro de payload (payload logging) e proteções (guardrails). Combinada com o Databricks Genie, que permite aos analistas de risco acessar e consultar dados governados usando linguagem natural, mantendo trilhas de auditoria SQL completas e rastreamento do MLflow, a plataforma reduz drasticamente o Custo de Conformidade e acelera os prazos de validação de modelos (SR 11-7). O resultado é um painel de controle de risco unificado que apoia uma mudança verificável de visões de risco atrasadas e consolidadas manualmente para uma agregação mais em tempo real, investigação mais rápida e reprodutibilidade absoluta do modelo em todos os domínios de risco.

O Databricks está capacitando o CRO moderno em todos os serviços financeiros

No Setor Bancário

O banco moderno não pode mais gerenciar o risco como um conjunto de funções de controle desconectadas. O CRO precisa de um plano de controle de capital e risco único e governado — com sinais de liquidez, capital, taxa de juros, operacionais e de conformidade agregados a partir de uma base única e governada no Unity Catalog, em vez de consolidados a partir de uma infinidade de soluções pontuais após a liquidação do lote noturno. Sobre essa base, quatro recursos levam o banco do relatório retrospectivo para a defesa proativa do capital:

• Liquidez e ALM (LCR, NSFR, HQLA). A tesouraria passa da cegueira do modo em lote para a visibilidade intradiária — monitoramento minuto a minuto das posições de liquidez, em vez de um número que está sempre um dia atrás do balanço patrimonial. Como mostra o painel de controle de risco, as equipes podem acompanhar LCR, NSFR e HQLA em tempo real, reduzir as reservas de caixa que não geram rendimentos e rastrear qualquer índice publicado de volta à sua origem sem sair da tela — precisamente a visibilidade que faltava quando uma corrida de depósitos em hipervelocidade superava uma estrutura de ALM de lote semanal.

• Risco de Taxa de Juros no Livro Bancário (IRRBB). Todos os cenários de choque de taxa de supervisão residem em tabelas governadas que o tesoureiro pode ler, substituir e reexecutar em minutos, em vez de registrar uma solicitação de alteração ao fornecedor. O ΔEVE de cada cenário como uma parcela do CET1 — e qualquer violação do teste de outlier de Basileia — pode ser consultado em relação à estrutura de capital, de modo que o tesoureiro, o CFO e o CRO vejam o mesmo número no mesmo momento.
• Planejamento e Adequação de Capital (CCAR). A projeção de capital muda de um projeto de notebooks e planilhas para um fluxo de trabalho governado e reprodutível. As reexecuções do CCAR rastreadas pelo MLflow capturam cada premissa, entrada e saída, transformando uma conversa de validação de modelo SR 11-7 que levava uma semana em uma que leva apenas uma consulta — e movendo o planejamento de capital de um exercício anual para uma postura contínua.
• Relatórios regulatórios adequados ao propósito. A mesma base governada que alimenta a visão de liquidez gera os relatórios destinados aos reguladores. A geração simplificada do FR 2052a substitui a cadeia complexa de Excel para fornecedor por um envio governado pela mesma linhagem e controles de acesso do painel — eliminando pilhas duplicadas de relatórios regulatórios e a dívida de auditoria que vem com elas.

O resultado é uma organização de risco que otimiza o RWA e realoca capital de forma proativa, em vez de gastar sua largura de banda validando itens de linha em sistemas desconectados.

Nos Mercados de Capitais

Nos mercados de capitais, a restrição é mais severa, pois o custo da latência é medido em minutos. As equipes de risco ainda trabalham em vários sistemas, múltiplas versões da verdade e diferentes idades dos dados — plataformas OMS, mecanismos de risco, ferramentas de análise, planilhas e e-mails sendo executados em paralelo. O Databricks rearquiteta o fluxo de trabalho em torno de uma única base governada de risco de mercado — posições proprietárias, dados de contraparte, dados de mercado, limites e feeds de parceiros em uma única plataforma sob o Unity Catalog, apresentados por meio do painel de controle de risco e de um Risk Genie em linguagem natural. Quatro recursos definem o novo modelo operacional:

• Agregação de exposição em tempo real. VaR, Expected Shortfall, DV01, CS01, violações de limites ativos e exposições entre fundos em uma única tela, com acesso governado e linhagem completa por trás de cada métrica — substituindo a grade de lote noturna onde o VaR chega como o número de ontem.
• Visibilidade de contraparte e entre fundos. A exposição total agregada a uma única contraparte, entre mesas de operação e prime brokers, torna-se uma resposta de autoatendimento em vez de um projeto de reconciliação trimestral, fechando a lacuna de fragmentação que ocultava a verdadeira alavancagem de um family office até que as perdas já tivessem ocorrido.
• Testes de estresse e "what-if" de subsegundo. Os gestores de risco executam testes de estresse simultâneos e ao vivo de cenários correlacionados e multivariáveis — a dinâmica de ciclo de feedback que os modelos históricos estáticos perdem — e visualizam um delta de VaR ou Expected Shortfall em segundos, antes que uma transação seja registrada, protegendo as margens contra mudanças macroeconômicas repentinas em vez de descobrir violações na manhã seguinte.
• Investigação aumentada por IA com proveniência auditável. Um Risk Genie em linguagem natural permite que a mesa de operações interrogue dados governados em linguagem simples, mantendo uma trilha de auditoria SQL completa, e a proveniência do modelo baseada em MLflow oferece aos validadores e reguladores uma cadeia reprodutível desde as entradas do cenário até as métricas de saída — respondendo a novas perguntas de risco na velocidade do mercado, em vez de direcionar cada uma para uma fila de analistas quantitativos.

É assim que o risco de mercado moderno se parece no Databricks: não apenas mais um painel sobreposto a silos legados, mas uma superfície de controle ativa, governada e aumentada por IA para gerenciamento de exposição, transparência de modelos e decisões mais rápidas em todo o front, middle e back office.

Comprovado em produção

Isso não é apenas uma aspiração. Instituições de nível 1 (Tier-1) já estão executando funções essenciais de risco e capital na plataforma de dados e IA do Databricks.

No setor bancário, o exemplo do Raiffeisen Bank International mostra como uma organização bancária pode consolidar um ambiente de análise fragmentado em uma base mais padronizada e governada, ao mesmo tempo em que melhora a velocidade, a eficiência de custos e a auditabilidade. Para o banco moderno, isso significa que as discussões sobre liquidez e capital podem se aproximar do tempo real, com menos reconciliação manual e maior confiança nos números apresentados.

Nos mercados de capitais, o Morgan Stanley escalou uma de suas calculadoras regulatórias mais significativas, o risco de crédito de contraparte SACCR no Databricks, melhorando o desempenho, a precisão dos cálculos e a conformidade regulatória, ao mesmo tempo em que consolidou em uma plataforma de dados e IA totalmente gerenciada para cumprir suas obrigações regulatórias com um esforço significativamente menor. State Street está liderando um novo padrão em IA empresarial para o setor financeiro, unificando dados estruturados e não estruturados sob o Unity Catalog para equilibrar a rápida adoção de IA com requisitos regulatórios e de segurança rigorosos. Em ambos os mundos, o padrão é o mesmo: uma base governada, agregação em tempo real e IA auditável — o mandato do CRO moderno, em produção.

A próxima crise não esperará pelo lote noturno

O colapso do SVB, do Archegos e do LDI não foram falhas matemáticas. Os modelos eram sólidos. O que falhou foi a arquitetura por trás deles — dados que eram agregados muito lentamente, exposição fragmentada entre sistemas e testes de estresse que não conseguiam visualizar os ciclos de feedback se formando em tempo real. Em cada caso, o risco era conhecível. Ele simplesmente não estava visível a tempo de se agir.

Essa é a lacuna que define a gestão de risco moderna. Os mercados agora se movem na velocidade digital de uma postagem viral e de uma retirada digital no mesmo dia; a infraestrutura de risco construída em torno de ciclos de lote semanais e reconciliação manual não consegue acompanhar o ritmo, e o custo desse descompasso é medido em bilhões e, cada vez mais, na sobrevivência institucional.

Fechar essa lacuna não é mais apenas uma atualização tecnológica; é a precondição para o mandato em evolução do CRO. A agregação em tempo real, a análise de cenários em subsegundos e a AI auditável são o que transformam a função de risco de um ponto de controle retrospectivo em um motor voltado para o futuro para alocação de capital e crescimento.

A Databricks Data and AI Platform torna essa mudança possível hoje. Ao unificar os riscos de mercado, liquidez, capital, operacional e conformidade em uma única base governada, com linhagem em cada métrica e transparência em cada modelo, ela oferece ao CRO uma visão única, em tempo real e defensável de toda a empresa. As instituições que já a utilizam não estão apenas relatando riscos mais rapidamente. Elas os estão identificando antes e agindo antes que se acumulem.

A pergunta para todo líder de risco não é mais se o modelo está correto. É se a arquitetura permitirá que eles vejam com clareza e ajam com decisão quando o próximo choque chegar. O risco moderno exige uma base moderna. A arquitetura legada já nos mostrou seus limites.

(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original