Hero FinCorp reconstruiu o crédito em torno do contexto de IA — custos de crédito caíram 15% em seis meses

A Hero FinCorp, a credora não bancária do grupo Hero que atende mais de 13 milhões de clientes em mais de 96% dos CEPs da Índia, criou o Projeto Dhruv Tara, uma arquitetura de crédito liderada por IA que abrange todo o ciclo de vida do crédito: captação de clientes, análise de risco, integração, monitoramento de carteira, atendimento e cobrança. O problema que visava resolver: decisões de crédito baseadas em scores de birôs, históricos de pagamento e documentos contam apenas parte da história, especialmente para clientes com histórico formal de crédito escasso, cujos arquivos subestimam seu risco real.

A arquitetura substitui a visão de score único pelo contexto. Um data lake em nuvem combina dados de birôs e de pagamentos com sinais bancários, dados de GST, insumos de agregadores de contas, dados demográficos, características de ativos e geografia — mais de 100 pontos de dados de micromercado e mais de 40 APIs que permitem à credora ler padrões no nível do CEP, do comportamento de renda local às normas de ativos. Quinze modelos dinâmicos de risco e cobrança avaliam capacidade de pagamento, estabilidade e intenção, e orientam cobranças preditivas que intervêm mais cedo e de forma mais adequada, em vez de tratar todos os tomadores da mesma maneira.

A empresa relata os resultados operacionais: os custos de crédito caíram 15% no segundo semestre do ano fiscal de 2026 em comparação com o primeiro semestre do mesmo ano, e o NPA bruto melhorou cerca de 20% no mesmo período. A IA também chegou à linha de frente — chatbots, IVR, fluxos de trabalho automatizados e e-mail habilitado por IA agora lidam com quase 60% das consultas de clientes, economizando mais de 4 lakh de minutos humanos a cada trimestre, e uma jornada de integração encolheu de 90 campos para três.

A diretora de operações Priya Kashyap enquadra a disciplina: o valor real da IA nos serviços financeiros não é apenas a velocidade, mas a melhor tomada de decisão — seleção de risco aprimorada, detecção precoce de estresse, menos atrito para o cliente. As equipes humanas mantêm o julgamento contextual, a governança e a responsabilização, enquanto os modelos processam padrões em escala.

Custos de crédito caíram 15% e o GNPA melhorou ~20% no segundo semestre do ano fiscal de 2026 em comparação com o primeiro; a IA lida com ~60% das consultas, economizando 4 lakh de minutos humanos por trimestre; a integração passou de 90 campos para 3.

Tomadores com histórico escasso eram precificados pela ausência de dados; o contexto de micromercado recuperou sinais que o arquivo do birô nunca teve.

Cobranças uniformes tratavam todo tomador inadimplente da mesma forma; modelos preditivos cronometram e direcionam as intervenções pelo comportamento.

A construção colocou inteligência no próprio caminho da decisão, em vez de adicionar ferramentas de IA ao lado do processo antigo.

Quando todos analisam o risco com base no mesmo arquivo de birô, a vantagem se desloca para o contexto — onde o tomador vive, como a renda local se comporta — e não para outra olhada no mesmo score.

Os números são relatados pela empresa; o material não apresenta auditoria independente. A próxima fase declarada é um contexto mais profundo em todo o ciclo de vida do crédito: sinais mais ricos para identificação precoce de risco, menor atrito para o cliente e engajamento personalizado, mantendo o julgamento humano para decisões em que a responsabilização importa.