Problema
O capital de giro das PMEs brasileiras custa 30-40% a.a., com parte relevante capturada por intermediários. O Brasil tem R$ 2,5 tri em estoque de crédito PJ (BACEN, 2025) e mais de 20 milhões de PMEs ativas. O problema é estrutural: (1) modelos de crédito analisam operações isoladamente, ignorando a dinâmica sistêmica e os vínculos entre empresas da mesma cadeia produtiva; (2) o score de crédito tradicional é uma caixa-preta, ou seja, o mutuário não entende sua taxa nem como melhorar seu perfil de risco; (3) os dados de Open Finance já existem, mas não estão integrados a modelos de crédito sistêmicos e explicáveis. O resultado é crédito caro, opaco e alocado de forma subótima em toda a cadeia.
A ChainCredit Intelligence resolve tudo isso com conhecimento, inovação e ineditismo.
Solução
Três pilares integrados: (1) IA Explicável com Gradient Boosting (XGBoost) com SHAP values, onde cada taxa de desconto é explicada variável a variável, com transparência regulatória nativa (LGPD/BACEN). (2) Grafos Financeiros em cadeias produtivas modeladas como redes direcionadas, com propagação de risco, centralidade e contágio (Eisenberg-Noe) entre fornecedores e compradores. (3) Pesquisa Operacional para problema de fluxo em redes (min-cost flow) que aloca liquidez de forma ótima, minimizando o custo total de capital da cadeia como sistema integrado, não como operações isoladas. Um pipeline de 6 camadas (dados → crédito/ML → XAI → grafos → otimização → output) transforma dados brutos do Open Finance em alocação ótima de liquidez com explicabilidade auditável de ponta a ponta.
Modelo de negócio
B2B SaaS + licenciamento, com receita recorrente atrelada ao volume financiado: (1) SaaS por volume com fee de ~0,12% a.m. sobre o volume financiado, para fintechs, FIDCs e bancos digitais; (2) Licença do motor de XAI+grafos com licença anual + customização, para bancos médios e cooperativas; (3) Analytics & Dados com assinatura de relatórios de risco sistêmico para gestoras, seguradoras e reguladores. Ticket médio projetado: ~R$ 50 milhões de volume/ano por cliente, gerando cerca de R$ 720 mil de ARR. Margem bruta estimada de 70-75%.
Mercado
Nesta fase estamos focados no mercado brasileiro. TAM: R$ 800 bi como mercado total de crédito PJ, SCF e antecipação de recebíveis no Brasil. SAM: R$ 180 bi com PMEs em cadeias produtivas com mais de 5 fornecedores e acesso a Open Finance. SOM: R$ 2,5 bi, foco nos primeiros 2 anos em fintechs, FIDCs e plataformas de SCF como clientes B2B. Referência: estoque de crédito PJ no Brasil de R$ 2,5 tri (BACEN, 2025) e mais de 20 milhões de PMEs ativas no país.
Concorrentes
Três categorias, nenhuma com inteligência sistêmica: (1) Bancos tradicionais, sem XAI, sem visão de rede/grafo, sem contágio financeiro. (2) Fintechs de crédito (ex.: QI Tech, hoje unicórnio brasileiro avaliado em mais de US$ 1 bi, com rodada liderada pela General Atlantic), usam ML para PD, mas explicabilidade é parcial e não há modelagem de cadeia. (3) Plataformas de Supply Chain Finance globais, como a C2FO (mais de US$ 580 mi captados, investidores como SoftBank, Temasek e Mubadala), fortes em antecipação de recebíveis, mas sem otimização sistêmica via min-cost flow nem explicabilidade estrutural (SHAP). O ChainCredit compete na interseção dessas três frentes, com um diferencial que nenhuma delas cobre isoladamente.
Diferencial competitivo
Comparado a bancos, fintechs de crédito e plataformas de SCF, o ChainCredit é o único que combina, simultaneamente: ML para PD (XGBoost) + explicabilidade estrutural (SHAP, não uma camada interpretativa posterior) + visão de rede/grafo (Eisenberg-Noe) + contágio financeiro (PD ajustado à rede) + otimização sistêmica (min-cost flow) + compliance nativo desde o design (LGPD/BACEN, alinhado à exigência de explicabilidade do AI Act europeu). Bancos e fintechs cobrem no máximo 1-2 dessas dimensões; nenhum concorrente mapeado cobre as seis.
Barreira de entrada
Duas barreiras que se reforçam com o tempo: (1) Grafo cumulativo - o mapa da cadeia produtiva cresce a cada operação, criando um ativo de dados proprietário difícil de replicar sem o mesmo histórico transacional. (2) Curva de aprendizado onde os modelos de PD melhoram continuamente com dados reais, ampliando a vantagem competitiva a cada ciclo. Complementarmente: segredo industrial e registro INPI planejado para o software, motor tecnológico planejado para patente e o projeto científico com a formulação algorítmica já depositado na Biblioteca Nacional como comprovação de anterioridade.
Tração
Pré-receita, com tração de validação institucional e comercial: habilitação no processo FAPESP PIPE-JT Fase 1 (2026/15550-6), com diligência técnica concluída; aporte-piloto de R$ 240 mil em estruturação com o dono de um FIDC, para validar o MVP com base de dados real de um FIDC e de um banco comercial; e conversas avançadas com um grande grupo de securitização/FIDC/Factoring para complementaridade e possível patrocínio. MVP comercial em desenvolvimento (FastAPI, 5 módulos de pipeline), com módulo de otimização min-cost flow já validado em 3 cenários.