Existe um paradoxo no mercado de crédito brasileiro que poucas empresas de crédito estão dispostas a admitir em voz alta: nunca tivemos tanta tecnologia disponível para avaliar risco, e nunca recusamos crédito para tantas pessoas capazes de pagar.
O Brasil encerrou 2025 com a menor taxa de desemprego desde 2012 (5,6%) e crescimento real de renda de 5,7%. Mesmo assim, a inadimplência média das operações de crédito bancário atingiu 4,2% em janeiro de 2026, a máxima da série histórica do Banco Central. Mais revelador ainda: 82% dos inadimplentes estão empregados, sendo 23% autônomos e 11% empreendedores.
Empregados. Com renda. Inadimplentes.
Esse dado não é um bug no sistema. É um sintoma estrutural de modelos de crédito que ainda tentam medir a realidade de 2026 com as réguas de 1996.
Como funciona o score de crédito tradicional e por que ele falha com autônomos e MEIs?
O modelo clássico de scoring de crédito, baseado em histórico de pagamentos, tempo de relacionamento com instituições financeiras e nível de endividamento formal, foi construído para um mercado de trabalho estável, com carteira assinada, salário fixo e movimentação previsível em conta bancária.
Esse modelo funciona razoavelmente bem para um perfil específico: o assalariado CLT com histórico longo, conta bancária ativa e crédito pré-aprovado em banco de varejo. Para esse perfil, o score é uma proxy confiável de comportamento futuro.
O problema é que esse perfil representa uma fração cada vez menor dos tomadores de crédito no Brasil, especialmente no segmento que chamamos de "mercado médio": profissionais autônomos, MEIs, PJs, trabalhadores de plataformas digitais, pequenos empreendedores e recém-formalizados.
Esse segmento tem renda real. Tem capacidade de pagamento. Mas tem um histórico bancário fragmentado, irregular ou simplesmente inexistente em fontes tradicionais. E é exatamente aqui que o score falha sistematicamente.
Quais dados de renda e comportamento financeiro o score tradicional ignora?
Imagine um profissional de marketing digital autônomo que fatura R$18 mil por mês consistentemente há dois anos. Ou uma MEI no setor de estética que paga aluguel comercial, fornecedores e funcionários há 18 meses sem atrasos. Ou um motorista de aplicativo que, nos últimos três anos, não falhou em nenhum pagamento de conta de água, luz ou internet.
Para o score tradicional, esses três perfis têm algo em comum: baixa ou nenhuma pontuação. O motivo? Renda variável, ausência de contracheque, histórico bancário curto ou distribuído entre múltiplas fintechs e contas digitais.
O mercado financeiro vive uma transformação profunda: a busca por alternativas ao modelo clássico de avaliação, baseado quase exclusivamente em score, histórico bancário e comprovação formal de renda, abriu espaço para soluções mais flexíveis e tecnológicas. Mas essa transformação ainda está longe de ser a regra. A maioria das empresas de crédito ainda toma decisões com base em um conjunto limitado de dados que retrata o passado, não o presente, do tomador.
O resultado prático é duplo: instituições de crédito recusam bons pagadores ou cobram juros de risco alto por não conseguir diferenciar esse perfil de alguém genuinamente inadimplente. Em ambos os casos, deixa dinheiro na mesa.
Como o Open Finance melhora a análise de crédito?
O Brasil tem, hoje, o maior ecossistema de open finance do mundo. Em fevereiro de 2026, o sistema completou cinco anos e já reúne mais de 100 milhões de clientes ou contas conectadas e 154 milhões de consentimentos ativos, com crescimento de 143% na quantidade de consentimentos únicos entre 2024 e 2025.
Esses números não são apenas uma conquista regulatória. São uma infraestrutura de dados que, se bem utilizada, permite enxergar o tomador de crédito de forma radicalmente mais completa.
Com dados de Open Finance, um empresas de crédito consegue acessar, com consentimento do usuário, informações como:
- Fluxo de caixa real: entradas e saídas dos últimos 12 meses em todas as contas do tomador, não apenas no banco principal
- Padrão de comportamento financeiro: regularidade de pagamentos, sazonalidade de renda, capacidade de reserva
- Relacionamento multi-institucional: como o tomador se comporta em diferentes instituições, incluindo fintechs e bancos digitais
- Recorrência de compromissos fixos: pagamento de aluguel, contas de consumo, assinaturas, todos indicadores de disciplina financeira
Em operações de crédito, já são R$31 bilhões em originação com base no compartilhamento de dados via Open Finance, sendo R$12 bilhões só no primeiro semestre de 2025. O mercado já está se movendo. A pergunta para as instituições financeiras é se querem liderar essa transição ou reagir a ela quando já for tarde.
Vale deixar claro: o Open Finance não chega até o tomador de crédito por conta própria. São as empresas de crédito que constroem essa experiência. A Belvo atua como infraestrutura nessa cadeia, conectando instituições financeiras e fintechs às APIs de Open Finance para que possam acessar, processar e enriquecer dados financeiros dos seus clientes. O usuário final nunca interage com a Belvo diretamente. Quem usa a Belvo são os times de produto, dados e crédito dos lenders que querem tomar decisões melhores.
Quais os impactos de recusar crédito a bons pagadores por falta de dados?
A falha do score tradicional não é apenas uma questão de inclusão financeira: é uma questão de competitividade.
Quando uma empresa de crédito recusa um perfil do mercado médio por falta de dados suficientes, três coisas acontecem:
- Perda de receita imediata: esse tomador vai buscar crédito em outro lugar, provavelmente em uma fintech que usa dados alternativos para aprovação.
- Seleção adversa: ao filtrar apenas os perfis "limpos" no modelo tradicional, a instituição de crédito pode estar aprovando tomadores com histórico formal impecável, mas com sinais de estresse financeiro invisíveis nas fontes tradicionais.
- Concentração de carteira: sem capacidade de avaliar perfis diversos, o portfólio fica concentrado em um segmento estreito, aumentando o risco sistêmico.
A inclusão de ferramentas de score de crédito alternativos, que consideram dados além do histórico tradicional, abre portas para um público que antes era excluído do acesso ao financiamento. Para fintechs de crédito e bancos digitais que competem por esse segmento, essa não é uma opção estratégica: é uma necessidade operacional.
Como empresas de crédito usam dados alternativos e de Open Finance na concessão de crédito?
O mercado já tem exemplos concretos de como dados alternativos de renda e de Open Finance estão sendo aplicados na prática:
Análise de renda variável por fluxo de caixa. Em vez de exigir comprovante de renda formal, modelos mais sofisticados analisam a consistência do fluxo de recebimentos ao longo do tempo. Um autônomo que recebe valores diferentes todo mês, mas de forma contínua e previsível, apresenta risco diferente de alguém com renda variável e instável.
Comportamento de pagamento de contas de consumo. Com o Open Finance, o cliente pode autorizar o compartilhamento de dados com outras instituições, permitindo que a análise de crédito leve em conta o "presente", não apenas o passado registrado em fontes tradicionais. Quem paga internet, água e luz em dia há dois anos está sinalizando algo sobre seu comportamento financeiro que o score tradicional simplesmente não captura.
Dados de plataformas e marketplaces. Para MEIs e empreendedores digitais, dados de faturamento em plataformas de e-commerce, delivery ou serviços podem ser tão reveladores quanto um extrato bancário.
Análise de perfil e estabilidade financeira. Os dados de renda, provenientes de fontes oficiais, contam uma história diferente e mais completa: renda real, vínculo empregatício, histórico profissional e estabilidade financeira ao longo do tempo. São informações verificadas, que representam de forma muito mais fiel a capacidade de pagamento de uma pessoa.
Cobrança com agentes de IA. Um outro caso de uso que já existe, é a recuperação de crédito, com custo menor do que os call centers, com agentes de IA que falam em linguagem natural e conversacional. Com o uso de dados de Open Finance, a cobrança chega no momento certo, quando existe capacidade de pagamento. As propostas são adaptadas em tempo real e as negociações são finalizadas por ligação de voz ou WhatsApp, sem intervenção humana do início ao fim.
É nessa camada que plataformas como a Belvo atuam: conectando empresas a dados financeiros enriquecidos de Open Finance para que a análise de crédito seja feita com uma visão completa do tomador, não com um recorte parcial de seu histórico.
A janela de oportunidade que se abre agora
Em 2026, o mercado financeiro vive uma transformação silenciosa, porém profunda. Plataformas digitais, fintechs e até grandes instituições passaram a adotar critérios inovadores para conceder recursos, ampliando o acesso para públicos antes negligenciados.
O timing importa aqui. O Open Finance brasileiro acaba de atingir maturidade de escala: 100 milhões de contas conectadas significa que os dados estão disponíveis, os consentimentos estão sendo dados e a infraestrutura está operacional. Aqueles que construírem capacidade analítica agora terão uma vantagem competitiva real sobre os que esperam o modelo se consolidar completamente.
O mercado médio de tomadores, como autônomos, MEIs, PJs e trabalhadores digitais, representa dezenas de milhões de brasileiros com capacidade real de pagamento. São pessoas que o score tradicional sistematicamente subavalia ou exclui. E são exatamente o segmento que as fintechs de crédito e bancos digitais estão melhor posicionados para atender, se tiverem os dados certos.
A questão não é mais se os dados alternativos e o Open Finance vão transformar a análise de crédito. Isso já está acontecendo. A questão é quem vai usar esses dados para construir modelos melhores e, assim, capturar o segmento que o mercado tradicional ainda está deixando passar.Descubra como o Banco Inter usa dados de emprego e Open Finance para potencializar sua oferta de crédito: https://belvo.com/pt-br/historias-de-sucesso/banco-inter/
