Vasyl Soloshchuk, CEO e Fundador da INSART – Série de Entrevistas

Vasyl Soloshchuk, CEO e Fundador da INSART, é um empreendedor fintech com mais de 25 anos de experiência em desenvolvimento de software, liderança de engenharia e investimento de risco. Ele começou sua carreira como desenvolvedor e avançou gradualmente para cargos de liderança, eventualmente escalando a INSART para um player internacional focado em tecnologia financeira. Ao longo de sua carreira, trabalhou de perto com fundadores e equipes executivas para moldar a estratégia e a execução de produtos, além de contribuir para o ecossistema tecnológico mais amplo por meio de iniciativas como o Kharkiv IT Cluster e participação em sindicatos de venture que apoiam startups emergentes.

INSART se posiciona como um acelerador fintech, combinando expertise em engenharia com suporte estratégico para ajudar empresas a construir e escalar produtos financeiros em todas as fases de crescimento. A empresa apoia startups e corporações desde a ideação inicial e desenvolvimento de MVP até o ajuste produto‑mercado, go‑to‑market e implantação em larga escala. Com foco em áreas como banco digital, pagamentos, empréstimos e infraestrutura financeira, a INSART atua tanto como parceiro técnico quanto como plataforma de crescimento, ajudando empresas fintech a acelerar cronogramas de desenvolvimento e navegar nas complexidades de escalar em mercados regulados.

Você começou sua carreira como desenvolvedor de software; quais sinais iniciais o convenceram de que os serviços financeiros se tornariam uma das indústrias mais impulsionadas pela tecnologia?

Comecei como desenvolvedor de software freelancer quando ainda estava na universidade. Rapidamente formei uma equipe e começamos a assumir projetos através de sites de freelancers. Desenvolvimento de software e finanças me interessavam muito na época. Eu estava fazendo desenvolvimento de software. Aprendendo sobre finanças ao mesmo tempo. Era uma forma de combinar minhas habilidades e interesses.

O que me moldou no início foi a combinação — construir software, estudar finanças e pensar sobre liberdade financeira e empreendedorismo. Tornei-me bastante obcecado pela interseção entre tecnologia e finanças porque acredito firmemente que as pessoas só podem ser livres quando são financeiramente livres.

Foi também um momento muito crucial na minha vida.

Em 2008, eu era estagiário de PhD no IBM Watson Research Center em Nova Iorque. Isso coincidiu exatamente com a crise financeira. Eu trabalhava em projetos de análise de dados enquanto acompanhava de perto os desenvolvimentos nos mercados financeiros. Estava em Nova Iorque, visitando a Bolsa de Valores e conversando com pessoas da IBM que trabalhavam com fundos de hedge e empresas de investimento. Havia uma sensação real de confusão e frustração — as pessoas não entendiam como avançar. Foi então que percebi que a indústria financeira, como existia, não era estável. Precisava ser redefinida. E para mim ficou claro que a tecnologia seria o motor dessa mudança.

Tive a oportunidade de ficar na IBM. Mas escolhi fazer outra coisa, decidi criar a INSART. Meu objetivo era ajudar a criar tecnologia. Eu queria tornar o sistema financeiro mais forte e aberto. Agora que penso nisso, havia alguns sinais que me levaram a fazer essa escolha.

Primeiro, os serviços financeiros são fundamentalmente sistemas de informação. Dinheiro é dado, transações são mudanças de estado. Quando você entende isso, fica óbvio que o software não é uma função de suporte — é o núcleo do negócio. Empresas como a Stripe são um bom exemplo disso, onde as APIs essencialmente se tornaram o produto.

Segundo, a regulação estava se tornando cada vez mais complexa. Cada nova exigência adiciona camadas de lógica e relatórios. Isso não pode escalar apenas com pessoas. Requer sistemas. Você pode ver isso claramente em empresas como a Plaid, que construiu infraestrutura para lidar com essa complexidade.

E terceiro, a pressão nas margens força a automação. Instituições financeiras competem em velocidade, custo e risco. A tecnologia é a única alavanca que melhora os três. Ao longo do tempo, trabalhando com empresas fintech, vimos que os vencedores não eram aqueles com melhores ideias, mas aqueles com melhor arquitetura e execução. E essa ainda é a missão que seguimos na INSART hoje — avançar negócios fintech que redefinem as finanças e ampliam a liberdade digital.

Onde a IA já está entregando valor mensurável hoje?

A lacuna entre IA como narrativa e IA como sistema de produção ainda é muito grande.

Onde vemos valor real são áreas com dados robustos e ciclos de feedback rápidos.

Detecção de fraude é o exemplo mais claro. Empresas como a Feedzai e o Stripe Radar usam aprendizado de máquina para detectar anomalias em tempo real, e o impacto é diretamente mensurável na redução das perdas por fraude.

Automação operacional é outra área. Por exemplo, empresas como a UiPath ajudam instituições financeiras a automatizar processos intensivos em documentos, reduzindo custos e acelerando a execução.

Personalização também funciona bem. Wealthfront e plataformas semelhantes usam IA para adaptar estratégias de investimento e melhorar o engajamento dos usuários.

Uma área que está surgindo muito rápido é a inteligência de negócios generativa. Muitas empresas já possuem dados, mas a liderança não consegue acessar insights rapidamente o suficiente. Estamos construindo sistemas onde executivos podem fazer perguntas como “Por que a receita caiu esta semana?” e obter respostas imediatas em todos os sistemas.

É aí que a IA se torna muito prática — ela melhora a velocidade de decisão, não apenas os processos.

Em underwriting, detecção de fraude e conformidade — o que realmente está funcionando?

A detecção de fraude já está funcionando em escala. Possui sinais claros e feedback contínuo. Empresas como a Featurespace são fortes exemplos disso.

Underwriting funciona parcialmente. Desempenha bem em certos segmentos, especialmente ao usar dados alternativos. Por exemplo, a Upstart usa IA para decisões de empréstimo, mas ainda opera dentro das restrições regulatórias.

Conformidade regulatória é a área mais complexa. Grande parte do que se promove como IA ainda é automação baseada em regras. A verdadeira conformidade impulsionada por IA é mais complexa, exigindo compreensão contextual em vez de meros padrões. Empresas como a ComplyAdvantage estão avançando nessa direção, mas ainda está evoluindo.

Há também uma mudança mais silenciosa, porém importante, acontecendo na geração de relatórios internos e na tomada de decisões. Muitas instituições ainda dependem de painéis estáticos. A IA está começando a transformar isso em sistemas dinâmicos que permitem à liderança entender o que está acontecendo em tempo real e agir mais rápido.

Quanto do entusiasmo atual com IA é hype versus capacidade real?

A IA é tanto real quanto supervendida ao mesmo tempo.

Parte dela entrega valor real de produção. O resto ainda é impulsionado por narrativas, especialmente em captação de recursos e posicionamento.

A diferença é simples. Se a IA melhora um KPI mensurável, é real. Se principalmente melhora um pitch deck, é hype.

Por exemplo, adicionar rótulos de IA a um painel não é transformador. Mas se a IA ajuda um CFO a entender instantaneamente os impulsionadores de receita e agir, isso é uma oportunidade real.

Empresas como a OpenAI e a Anthropic estão construindo modelos centrais poderosos, mas o verdadeiro desafio é como aplicá‑los aos sistemas de negócios.

É por isso que nos concentramos em inteligência de decisão e análise de negócios generativa. Esta é uma das poucas áreas onde o valor é imediato e a adoção é natural.

Por que tantos pilotos de IA falham em chegar à produção?

A maioria das falhas está ligada a sistemas, não a modelos. Os problemas fundamentais são dados fragmentados, falta de infraestrutura de produção e responsabilidade pouco clara pelos resultados.

Além disso, a IA é desenvolvida isoladamente, de modo que as equipes criam modelos que não são integrados aos fluxos de trabalho ou sistemas de relatórios. Um bom exemplo são bancos que experimentam modelos semelhantes aos oferecidos por empresas como a DataRobot, mas não conseguem implementá‑los.

Se os dados resultantes desse processo não chegam aos tomadores de decisão de nível C que podem utilizá‑los, todo o projeto para. Modelos de IA só funcionam quando fazem parte de como tomamos decisões, não quando são algo que testamos à parte.

Como as instituições superam os desafios de infraestrutura de dados?

Não se trata de IA, mas de arquitetura de dados. Instituições de alto desempenho unificam seus dados, criam pipelines de processamento de dados em tempo real e estabelecem métricas consistentes. Empresas como a Snowflake e a Databricks são realmente importantes nessa área porque ajudam a garantir que a infraestrutura de dados possa lidar com grandes volumes de dados. E isso é a base para construir sistemas de tomada de decisão e relatórios robustos.

Muitas empresas usam dados incompletos, o que leva a respostas incorretas, e as pessoas não confiam nos resultados. A maneira correta de fazer isso é: primeiro, você obtém os dados; depois, constrói a infraestrutura para os dados; então, cria os modelos; e, finalmente, obtém valor para o negócio a partir dos dados, dos modelos e da infraestrutura que a Snowflake e a Databricks fornecem para os dados.

Como a IA generativa está mudando a fraude e a detecção de fraude?

A IA generativa está mudando tanto abordagens ofensivas quanto defensivas. O problema da fraude está piorando. Ataques de fraude estão se tornando muito complicados. As pessoas estão usando coisas como deepfakes, identidades falsas e e‑mails de phishing criados por computadores. Essas coisas estão se tornando muito populares rapidamente. Empresas, como a Sensity AI, estão monitorando os riscos associados aos deepfakes. Elas querem saber que tipo de problemas os deepfakes podem causar.

No campo da segurança, as organizações estão migrando para sistemas adaptativos. Em vez de regras estáticas, confiam em análise comportamental e detecção em tempo real. A Darktrace é um exemplo dessa abordagem. Estamos entrando em uma fase em que essencialmente há uma batalha entre IA e IA. Sistemas estáticos baseados em regras já não são suficientes.

Como as instituições equilibram decisões de crédito impulsionadas por IA com a regulação?

Existe uma tensão entre ser eficiente e as regulamentações. A inteligência artificial ajuda nas previsões, e as regulamentações exigem transparência.

As instituições implementam uma combinação de estratégias e abordagens. A inteligência artificial gera previsões. Depois, adicionam mais camadas para explicar as coisas. Por exemplo, a Upstart trabalha de perto com reguladores para garantir a explicabilidade de seus modelos.

O controle humano sempre estará em primeiro plano, especialmente para decisões de alto risco. O futuro é de sistemas aprimorados por IA que sejam eficientes e auditáveis.

O que separa as instituições que adotam IA com sucesso daquelas que têm dificuldades?

Em resumo, as instituições que integraram e adaptaram IA com sucesso se diferenciam das demais em sua arquitetura.

Instituições bem‑sucedidas são nativas da nuvem, modulares e orientadas a dados. Nubank e empresas semelhantes são bons exemplos; foram construídas com arquitetura moderna desde o início. Não se pode implementar inteligência em um sistema que não foi projetado para suportá‑la.

Olhando para o futuro, a IA vai automatizar processos ou remodelar produtos financeiros?

A curto prazo, a IA reduzirá custos e avançará a gestão de risco e, claro, automatizará o processo. A longo prazo, transformará os produtos financeiros.

Veremos serviços financeiros mais dinâmicos e personalizados.

Uma das mudanças mais notáveis ocorrerá na forma como as decisões são tomadas dentro das organizações. Passaremos de relatórios estáticos para sistemas inteligentes interativos em tempo real. Nas finanças, a velocidade de tomada de decisão é uma vantagem competitiva, e a IA mudará isso fundamentalmente.

Obrigado pela ótima entrevista, leitores que desejam saber mais sobre este acelerador fintech devem visitar INSART.