Inadimplência e IA: o que já é possível prever e o que ainda é promessa

Resposta rápida — Em inadimplência escolar, a IA já entrega com confiabilidade a pontuação de risco de pagamento baseada em histórico — uma extensão de técnicas de escore de crédito consolidadas há décadas. O que ainda carece de evidência é a negociação automatizada de dívida e a previsão a partir de sinais indiretos, como tom de mensagens. Prever também não é evitar: sem contato antes do vencimento, o escore é informação não usada.

Poucos problemas tiram tanto o sono de um mantenedor quanto a inadimplência. Mensalidades atrasadas comprometem o caixa, afetam o planejamento do ano seguinte e, em casos extremos, colocam em risco a operação da instituição. Não surpreende que a IA venha sendo oferecida por fornecedores do setor como solução para prever — e até evitar — esse problema.

O que vale separar com cuidado é o que essas ferramentas já entregam de fato e o que ainda é promessa de material de vendas. A distinção não é acadêmica: as duas camadas costumam aparecer na mesma proposta comercial, com o mesmo grau de confiança.

O que já funciona: pontuação de risco com base em histórico

A aplicação mais madura nesse território é a pontuação de risco de pagamento — lógica parecida com a do escore de crédito usado por bancos e varejo há décadas, adaptada ao contexto escolar.

Um modelo treinado com o histórico de pagamentos da própria instituição identifica padrões associados a atraso futuro: famílias que já atrasaram antes, mudança no comportamento de pagamento ao longo do ano, correlação entre atraso e outros sinais como queda de frequência do estudante. Esse tipo de previsão não é experimental — é extensão de técnicas estatísticas testadas em outros setores, aplicada a um novo conjunto de dados.

Há inclusive um respaldo jurídico consolidado para a técnica em si: a Súmula 550 do Superior Tribunal de Justiça reconhece a licitude do escore de crédito como método estatístico de avaliação de risco, assegurando ao consumidor o direito de solicitar esclarecimentos sobre as informações pessoais valoradas e as fontes dos dados considerados no cálculo. O direito a esclarecimento é a parte que a instituição precisa estar preparada para atender.

Onde a promessa ainda supera a entrega

O problema começa quando fornecedores oferecem, no mesmo pacote, aplicações de maturidade muito diferente.

As duas últimas linhas merecem atenção específica. Previsão a partir de sinais indiretos ainda carece de evidência pública consistente, sobretudo no contexto brasileiro — coerente com uma limitação estrutural do setor: não há base pública consolidada sobre eficácia de ferramentas de IA na educação brasileira.

Já a negociação automatizada é um caso diferente: o problema não é apenas de evidência, é de natureza da tarefa. Prever é uma coisa; conduzir uma negociação financeira delicada, que envolve a relação de confiança entre família e instituição — e que frequentemente é a conversa que define se aquele aluno continua matriculado — é outra. Exige julgamento que nenhum modelo demonstrou substituir com segurança.

Por que prever não é o mesmo que evitar

Mesmo na aplicação madura, vale o alerta: prever quem vai atrasar não evita o atraso.

A previsão só tem valor se estiver conectada a uma ação anterior ao vencimento — contato antecipado, oferta de renegociação, ajuste de forma ou data de pagamento antes de a dívida acumular. Uma instituição que recebe todo mês a lista de famílias com alto risco e não tem processo definido para agir sobre ela antes do vencimento está pagando por informação que não usa.

O protocolo mínimo tem quatro definições:

1. Quem faz o contato preventivo, e com que roteiro. Financeiro ou secretaria, mas com uma pessoa identificável.
2. Em que momento, contado em dias antes do vencimento. Contato depois do atraso já é cobrança, não prevenção — e a conversa muda completamente de tom.
3. O que se oferece. Mudança de data de vencimento, parcelamento, revisão de plano de pagamento. Contato sem alternativa concreta é constrangimento sem resultado.
4. Como se registra o desfecho, para que a instituição descubra quais ofertas funcionam com quais perfis.

O valor está na ação que segue a previsão, não na previsão isolada.

Os limites legais que material de vendas raramente menciona

Este é o bloco mais importante do artigo, porque restringe o que pode ser feito com o escore — independentemente do que a ferramenta permite tecnicamente.

A legislação escolar limita a consequência. A Lei 9.870/1999, que trata das anuidades escolares, veda penalidades pedagógicas por inadimplência — como suspensão de provas ou retenção de documentos escolares — ao mesmo tempo em que admite a não renovação da matrícula do aluno inadimplente. Um sistema que sugira ou automatize qualquer tratamento diferenciado do estudante em razão do escore da família entra em terreno vedado.

O Código de Defesa do Consumidor limita a forma da cobrança. O artigo 42 estabelece que o consumidor inadimplente não será exposto a ridículo nem submetido a constrangimento ou ameaça. Régua de cobrança automatizada com frequência alta de mensagens, ou linguagem gerada sem revisão, é um risco concreto nesse ponto — e a automação torna o volume fácil de escalar sem que ninguém revise o tom.

A LGPD limita a decisão automatizada. O artigo 20 assegura ao titular o direito de solicitar revisão de decisões tomadas exclusivamente com base em tratamento automatizado que afetem seus interesses. O artigo 6º traz o princípio da não discriminação. E como se trata de dados financeiros de famílias com filhos menores, aplica-se também o cuidado do artigo 14.

O risco de reforçar desigualdade — Classificar famílias por risco financeiro com base em histórico pode reforçar desigualdades existentes se usado de forma rígida. Uma família que atrasou durante um período de desemprego carrega esse registro por anos. Vale definir prazo de decaimento do histórico no modelo e revisar periodicamente se a distribuição dos escores corresponde à distribuição real do atraso.

O que um gestor financeiro pode fazer com isso hoje

A recomendação prática é separar as duas camadas.

Adotar com relativa confiança: pontuação de risco baseada em histórico de pagamento da própria instituição, integrada ao financeiro, com alerta antes do vencimento e um protocolo humano de contato preventivo.

Tratar com ceticismo: automação completa de negociação, previsão por sinais indiretos pouco testados e qualquer funcionalidade que aplique consequência ao estudante em função do escore.

Antes de contratar, cinco perguntas ao fornecedor, por escrito:

1. Que dados alimentam o modelo, campo por campo?
2. O modelo foi treinado com dados da nossa instituição ou com base de terceiros? Se de terceiros, de que perfil de escola?
3. Que evidência existe de que ele funciona fora do material de marketing, e em quantas instituições?
4. O sistema permite revisão humana de qualquer classificação, com registro?
5. Existe prazo de decaimento do histórico de atraso no cálculo?

A IA já ajuda a enxergar o risco de inadimplência com mais antecedência, e isso tem valor real de caixa. Decidir o que fazer com essa informação — e conversar com a família — continua sendo trabalho humano, e a legislação brasileira reforça que deve continuar sendo.

Em resumo

• A aplicação madura é a pontuação de risco baseada em histórico de pagamento: extensão de técnicas de escore de crédito testadas há décadas.
• A Súmula 550 do STJ reconhece a licitude do escore de crédito e assegura ao consumidor o direito de esclarecimento sobre os dados valorados.
• Sem evidência consistente: previsão por sinais indiretos como tom de mensagens, e negociação de dívida conduzida integralmente por IA.
• Prever não é evitar: sem protocolo de contato antes do vencimento, o escore é informação que a instituição paga e não usa.
• A Lei 9.870/1999 veda penalidades pedagógicas por inadimplência, como suspensão de provas ou retenção de documentos, mas admite a não renovação da matrícula.
• O artigo 42 do CDC proíbe expor o consumidor inadimplente a constrangimento — risco concreto em régua de cobrança automatizada de alto volume.
• Definir prazo de decaimento do histórico no modelo evita que uma família carregue por anos o registro de um período de desemprego.

Perguntas frequentes

A IA consegue prever inadimplência escolar?

Sim, na modalidade madura: pontuação de risco baseada no histórico de pagamento da própria instituição, que identifica padrões associados a atraso futuro. É extensão de técnicas de escore de crédito consolidadas. O que não tem evidência consistente é a previsão a partir de sinais indiretos, como o tom de mensagens trocadas com a secretaria.

É legal usar score de risco de pagamento em escolas?

A técnica em si tem respaldo: a Súmula 550 do STJ reconhece a licitude do escore de crédito como método estatístico de avaliação de risco, assegurando ao consumidor o direito de solicitar esclarecimentos sobre as informações valoradas e as fontes dos dados. O limite está no uso: o artigo 20 da LGPD garante revisão de decisão automatizada, e nenhuma consequência para o estudante deve decorrer do escore da família.

A escola pode suspender provas ou reter documentos de aluno inadimplente?

Não. A Lei 9.870/1999, que trata das anuidades escolares, veda penalidades pedagógicas por inadimplência, incluindo suspensão de avaliações e retenção de documentos escolares. A lei admite, por outro lado, a não renovação da matrícula do aluno inadimplente. Qualquer sistema que sugira tratamento diferenciado do estudante em razão do escore entra em terreno vedado.

Cobrança automatizada por mensagem tem risco jurídico?

Tem. O artigo 42 do Código de Defesa do Consumidor estabelece que o consumidor inadimplente não será exposto a ridículo nem submetido a constrangimento ou ameaça. Régua automatizada com alta frequência de mensagens, ou com texto gerado sem revisão humana, cria exposição concreta — e a automação facilita escalar o volume sem que ninguém revise o tom.

Vale contratar negociação de dívida conduzida por IA?

A recomendação é ceticismo. Além da ausência de evidência pública consistente, o problema é de natureza da tarefa: negociação financeira envolve a relação de confiança entre família e instituição, e frequentemente é a conversa que define se o aluno continua matriculado. Exige julgamento que nenhum modelo demonstrou substituir com segurança.

O que perguntar a um fornecedor de score de inadimplência?

Cinco perguntas por escrito: que dados alimentam o modelo campo por campo; se foi treinado com dados da própria instituição ou de terceiros e de que perfil; que evidência existe fora do material de marketing e em quantas instituições; se permite revisão humana registrada de qualquer classificação; e se existe prazo de decaimento do histórico de atraso no cálculo.

Fontes e referências

• Lei 9.870/1999 — dispõe sobre o valor total das anuidades escolares; vedação de penalidades pedagógicas por inadimplência.
• Lei 8.078/1990 (Código de Defesa do Consumidor), artigo 42 — vedação de constrangimento na cobrança de dívidas.
• Súmula 550 do Superior Tribunal de Justiça — licitude do escore de crédito e direito a esclarecimento.
• Lei 13.709/2018 (LGPD), artigos 6º, 14 e 20 — não discriminação, dados de crianças e revisão de decisões automatizadas.
• Lei 12.414/2011 — cadastro positivo e histórico de crédito.
• Senado Federal — Projeto de Lei 2338/2023 (Marco Legal da Inteligência Artificial).

Leituras relacionadas

• a falta de dados públicos sobre eficácia de IA na educação
• como prever evasão escolar com IA
• IA na captação de alunos e o custo por matrícula