2.1 Variáveis substitutas comportamentais e discriminação indireta de grupos vulneráveis
A expansão do open finance impulsiona a utilização de dados comportamentais e fluxos transacionais para a concessão automatizada de crédito no sistema financeiro contemporâneo. No entanto, a exclusão formal de atributos sensíveis e protegidos não impede a manifestação de vieses indiretos, visto que variáveis substitutas comportamentais codificam assimetrias socioeconômicas pretéritas (ALGORITHMIC DISCRIMINATION IN THE CREDIT DOMAIN, 2023). Conforme evidenciado na literatura sobre dados alternativos, métricas de gestão de recebíveis e histórico de transações funcionam frequentemente como representações indiretas de disparidades geográficas e de gênero, tornando a auditoria algorítmica prévia uma salvaguarda obrigatória para identificar potenciais distorções antes da implantação operacional dos escores de crédito (PROXY BIAS IN ALTERNATIVE CREDIT SCORING, 2026). Sob a ótica da gestão de risco prudencial, a discriminação algorítmica tende a reproduzir decisões históricas desfavoráveis consolidadas nos registros bancários institucionais (ALGORITHMIC DISCRIMINATION IN THE CREDIT DOMAIN, 2023). A aplicação de técnicas formais de mitigação estatística, tais como a reponderação amostral e o aprendizado adversarial, demonstra que é viável atenuar expressivamente as disparidades de impacto sem comprometer a acurácia global dos classificadores (ALGORITHMIC FAIRNESS AS A RISK-MANAGEMENT PROBLEM, 2026). Dessa forma, a governança algorítmica no open finance requer a superação de análises correlacionais superficiais, exigindo a incorporação de testes contínuos de paridade e controles estruturados em múltiplas linhas de defesa para garantir decisões creditícias justas e transparentes (ALGORITHMIC FAIRNESS AS A RISK-MANAGEMENT PROBLEM, 2026).