Recebíveis tokenizados: o risco de crédito que a blockchain não elimina

Recebíveis tokenizados

Um mercado de crédito em expansão

O mercado brasileiro de ativos tokenizados passou de pouco mais de R$ 1 bilhão para mais de R$ 10 bilhões em 12 meses, segundo o Brazil Tokenization Report 2026, da Nexa (BPMoney). E 88% desse volume é crédito privado e recebíveis.

Em outras palavras: a tokenização no Brasil é, antes de tudo, um mercado de crédito. Cada token carrega a promessa de que alguém, em algum lugar, vai pagar uma conta no vencimento.

As plataformas mostram a taxa, o prazo e o valor mínimo. A pergunta essencial, porém, é outra: quem está medindo, com método, a probabilidade de esse pagamento não acontecer?

Plataformas e securitizadoras mais estruturadas já analisam cedentes e sacados. O desafio está em padronizar essa avaliação, dar transparência a ela e ajustá-la a um ativo com pouco histórico. Este artigo mostra por que a blockchain não resolve o risco de crédito sozinha e como práticas já consolidadas em bancos e fintechs podem ser adaptadas para esse novo mercado.

O que são recebíveis tokenizados, sem jargão

Um recebível é um dinheiro que uma empresa tem a receber no futuro: uma duplicata de venda a prazo, uma parcela de cartão, um contrato de aluguel. Tokenizar é representar esse direito em um registro digital (o token), que pode ser dividido em pequenas frações e vendido a vários investidores.

Um exemplo do dia a dia:

  1. A Metalúrgica Alfa vende R$ 500 mil em peças para três varejistas, com pagamento em 90 dias.
  2. Ela precisa do dinheiro hoje para pagar fornecedores e não quer as taxas do banco.
  3. Uma plataforma de tokenização compra essas duplicatas e as divide em 20 mil tokens de R$ 25.
  4. Investidores compram os tokens pelo celular, com uma taxa anunciada de, por exemplo, 19% ao ano.
  5. Quando os varejistas pagam, o dinheiro volta aos investidores, proporcionalmente.

A Metalúrgica Alfa é a cedente (quem vende o recebível). Os varejistas são os sacados (quem deve pagar). O investidor fica no meio dessa relação, muitas vezes sem saber quem são os sacados nem como eles costumam pagar.

Esse é o ponto central do artigo: a tecnologia mudou o canal, mas o risco continua sendo o mesmo de sempre, o risco de o sacado não pagar.

Por que esse mercado está crescendo agora

Três forças explicam a aceleração.

  • Custo do crédito. Para pequenas e médias empresas, antecipar recebíveis no banco é caro. A tokenização abre uma fonte alternativa de funding, direto do investidor.
  • Regulação mais clara. A CVM publicou orientações específicas sobre tokens de recebíveis (Ofícios Circulares CVM/SSE 4/2023 e 6/2023, com base no Parecer de Orientação 40) e permitiu o uso da Resolução CVM 88, de crowdfunding, para essas ofertas (CVM). Em 2026, a revisão da CVM 88, o piloto de tokenização da ANBIMA e um grupo de trabalho da CVM sobre o tema seguem ampliando esse espaço (BPMoney).
  • Operações maiores. Só no primeiro semestre de 2026, emissões tokenizadas feitas pela Resolução CVM 160 somaram R$ 3,1 bilhões, sinal de que o mercado está saindo do varejo e chegando a operações institucionais (BPMoney).

Ainda assim, o espaço para crescer é enorme. A tokenização representa cerca de 0,3% dos R$ 2,75 trilhões do mercado de crédito corporativo brasileiro. Quem estruturar boas práticas de risco agora vai definir o padrão desse mercado.

O ponto cego: a blockchain registra, mas não avalia

Existe uma confusão comum entre transparência e qualidade. A blockchain garante que o registro do token é íntegro e rastreável. Ela não diz nada sobre a capacidade de pagamento de quem deve.

Os números reforçam isso. Dos 593 ativos tokenizados analisados no relatório da Nexa, 77,6% usam a estrutura de wrapper: o token representa um ativo que continua registrado e custodiado fora da blockchain. Só 2,7% são totalmente nativos on-chain (BPMoney). Ou seja, o risco de crédito mora no mundo real, não no código.

Há ainda um detalhe regulatório pouco lido pelos investidores. Em algumas estruturas, a própria CVM descreve que, em caso de inadimplência, cabe ao investidor adotar as medidas de cobrança, judiciais ou extrajudiciais (CVM).

No plano global, o FMI fez um alerta parecido. A nota Tokenized Finance (abril de 2026) afirma que, sem âncoras institucionais adequadas, a tokenização pode amplificar instabilidades por velocidade, concentração e fragmentação (FMI).

Os riscos que continuam existindo em um recebível tokenizado:

  • Risco do sacado: o comprador final não paga ou atrasa.
  • Risco do cedente: a empresa que vendeu o recebível quebra, renegocia ou deixa de repassar valores.
  • Fraude e lastro: a duplicata não corresponde a uma venda real (a chamada duplicata fria) ou é cedida duas vezes.
  • Diluição: devoluções, descontos e abatimentos reduzem o valor que de fato será pago.
  • Concentração: muitos tokens dependem de poucos sacados, do mesmo setor ou da mesma região.
  • Liquidez: vender o token antes do vencimento pode ser difícil, porque o mercado secundário ainda é raso.

Como medir: adaptando a modelagem de crédito ao mundo tokenizado

A boa notícia é que não é preciso inventar nada do zero. Bancos e fintechs já medem risco de crédito há décadas com ciência de dados. O trabalho é adaptar essas práticas a um ativo novo, com dados novos e pouco histórico.

1. Definir o que é “mau pagador” (o target)

Todo modelo começa por uma pergunta simples: o que conta como inadimplência? Em recebíveis, essa definição precisa ser feita com cuidado.

  • Atraso: por exemplo, pagamento com mais de 30 dias de atraso após o vencimento (over 30).
  • Janela de observação: quanto tempo se espera para dizer que um recebível foi bom ou ruim, alinhado ao prazo típico dos títulos (30, 60, 90 dias).
  • Eventos além do atraso: recompra pelo cedente, renegociação e diluição relevante também podem entrar no conceito de perda.

Um target mal definido gera um modelo que acerta a pergunta errada. Essa etapa costuma ser a que mais exige conversa entre a área de dados e a área de negócio.

2. Separar dois scores: sacado e cedente

Em recebíveis, há duas fontes de risco, e elas merecem modelos diferentes.

ScorePergunta que respondeExemplos de variáveis
Score do sacadoQuem deve vai pagar no vencimento?Histórico de pagamento de duplicatas, dados de bureau, endividamento no SCR, setor, porte, pontualidade recente
Score do cedenteA empresa que vendeu o recebível é confiável?Saúde financeira, taxa histórica de recompra, diluição e devoluções, concentração da carteira, tempo de relacionamento

Combinados em uma matriz de score, os dois permitem medir a taxa de inadimplência esperada para cada combinação de faixas e decidir o que entra ou não em uma oferta.

3. Validar se o modelo separa bons de maus

Antes de usar um modelo, é preciso provar que ele funciona em dados que não viu durante o treino.

  • KS (Kolmogorov-Smirnov): mede o quanto o modelo separa bons e maus pagadores. Quanto maior, melhor a separação.
  • AUC: mede a capacidade de ordenar o risco, ou seja, se os piores aparecem de fato nas piores faixas.
  • Backtest por safra: testa o modelo em períodos diferentes para ver se ele se mantém ao longo do tempo.

4. Monitorar com PSI: o modelo ainda vale?

O mercado tokenizado muda rápido: novos cedentes, novos setores, juros diferentes. Um modelo que funcionava há seis meses pode estar olhando para uma população que já não existe.

O PSI (Population Stability Index) compara a distribuição do score hoje com a distribuição usada no desenvolvimento do modelo:

PSI (Population Stability Index)

Na fórmula, A é o percentual atual de recebíveis em cada faixa e E é o percentual esperado. Uma régua usual de mercado: abaixo de 0,10, população estável; entre 0,10 e 0,25, atenção; acima de 0,25, é hora de analisar, recalibrar ou redesenvolver o modelo.

5. Lidar com o pouco histórico

O maior desafio técnico é que o mercado tokenizado é jovem e tem poucos ciclos completos de inadimplência. Algumas saídas:

  • Usar o histórico do crédito tradicional dos mesmos sacados e cedentes como ponto de partida;
  • Começar com modelos mais simples e interpretáveis, ganhando complexidade conforme os dados se acumulam;
  • Documentar tudo, para que reguladores, investidores e auditores entendam como o risco foi medido.

Exemplo prático: a mesma taxa, riscos muito diferentes

Voltemos à Metalúrgica Alfa e seus R$ 500 mil em duplicatas de 90 dias. A plataforma anuncia 19% ao ano, o que equivale a cerca de 4,44% no período de 90 dias. Os números a seguir são ilustrativos.

De onde vêm os 4,44%? A taxa anual precisa ser convertida para o prazo do título. Como 90 dias equivalem a cerca de um quarto do ano (63 dias úteis em uma base de 252), a conta é (1,19)^0,25 − 1 = 4,44%. Esse é o ganho bruto do investidor se todos os sacados pagarem em dia. Para chegar ao retorno líquido, basta descontar a perda esperada desse ganho e anualizar o resultado: por exemplo, 4,44% − 2,85% = 1,59% no período, que equivale a (1,0159)^4 − 1 ≈ 6,5% ao ano.

Uma análise de risco calcula a perda esperada de cada sacado:

perda esperada

PD é a probabilidade de inadimplência (vinda do score), LGD é o percentual perdido se houver calote e EAD é o valor exposto.

SacadoValor (R$)PD em 90 diasLGDPerda esperada (R$)
Varejista A, grande rede, bom histórico250.0001,5%60%2.250
Varejista B, médio porte, pontual150.0004%60%3.600
Varejista C, atrasos recentes no SCR100.00012%70%8.400
Total500.000  14.250 (2,85%)

O que esses números mostram:

  • Com os três sacados, a perda esperada de 2,85% consome boa parte dos 4,44% do período. O retorno líquido esperado cai para cerca de 6,5% ao ano, bem abaixo dos 19% anunciados.
  • Sem o Varejista C, a perda esperada cai para 1,46% e o retorno líquido sobe para cerca de 12,5% ao ano.
  • Um único sacado, com 20% do valor, responde por quase 60% da perda esperada.

As decisões que um modelo permite tomar:

  1. Selecionar: excluir da oferta recebíveis de sacados em faixas de risco alto.
  2. Precificar: cobrar uma taxa compatível com o risco de cada carteira, em vez de uma taxa única.
  3. Estruturar: criar classes de tokens (sênior e subordinada) ou exigir garantias e coobrigação do cedente.
  4. Comunicar: mostrar ao investidor um rating ou faixa de risco, e não apenas a taxa.

Sem modelo, a oferta parece igual para todos. Com modelo, fica claro onde está o risco e quanto ele custa.

A oportunidade: a blockchain como nova fonte de dados

Se a blockchain não mede o risco, ela pode ajudar a medi-lo melhor. Cada token emitido, transferido e liquidado deixa um registro imutável e com data e hora. Isso abre caminho para variáveis que o crédito tradicional não tem com a mesma qualidade:

  • Pontualidade em tempo real: quando cada pagamento chegou, sem depender de relatórios mensais.
  • Comportamento do cedente: frequência de emissões, recompras e substituições de lastro ao longo do tempo.
  • Concentração e conexões: quais sacados aparecem em várias ofertas e plataformas, revelando exposições cruzadas.
  • Liquidez secundária: com que frequência e a que preço os tokens trocam de mão antes do vencimento.

O caminho mais sólido não é trocar o bureau pela blockchain, mas somar fontes e medir com rigor o quanto cada uma acrescenta. Um bom estudo começa com uma pergunta objetiva: os dados on-chain melhoram o KS de um modelo que já usa bureau e SCR, ou só repetem a mesma informação?

O cuidado necessário é com privacidade e LGPD. A governança dos dados deve acompanhar o ganho analítico desde o início.

Quem faz isso acontecer: o cientista de dados de crédito e a consultoria de data & analytics

Tokenizar é um desafio de tecnologia e de regulação. Medir o risco do que foi tokenizado é um desafio de dados e de modelagem, e ele pede um perfil específico.

O profissional que esse mercado precisa

O cientista de dados que gera valor aqui reúne três competências que raramente andam juntas:

  • Conhecimento de crédito: sabe construir target, separar risco de sacado e cedente, montar matrizes de score e traduzir isso em política de crédito.
  • Engenharia de dados: consegue processar grandes volumes, unir bureau, SCR, bases internas e dados on-chain em pipelines confiáveis e reprodutíveis.
  • Visão de mercado e de negócio: entende securitização, regulação da CVM e o que um investidor ou um comitê de crédito precisa ver para decidir.

É esse profissional que transforma uma promessa de taxa em uma decisão de investimento bem fundamentada.

Como uma consultoria de data & analytics acelera o caminho

Para tokenizadoras, securitizadoras, fintechs e cooperativas, montar esse conhecimento do zero leva tempo. Uma consultoria especializada em dados e risco encurta esse caminho porque traz:

  • Know-how replicável: metodologias já testadas em bancos, varejo financeiro e cooperativas, adaptadas ao novo ativo.
  • Velocidade: times que já dominam modelos Application e Behavior, validação (KS, AUC, PSI) e implantação em produção.
  • Visão de vários mercados: quem atende diferentes setores reconhece padrões de risco que uma única empresa leva anos para ver.
  • Governança: documentação, monitoramento e reprodutibilidade que dão segurança a reguladores, auditores e investidores.
  • Integração de dados: pipelines em nuvem que unem fontes tradicionais e on-chain em uma base analítica única.

O resultado é uma plataforma que não apenas vende tokens, mas vende confiança, e isso tende a ser um diferencial competitivo relevante no setor.

Conclusão: disciplina analítica como diferencial

A tokenização de recebíveis deve continuar crescendo, porque resolve um problema real: crédito caro e pouco acessível para empresas que vendem a prazo. Para que esse crescimento seja sustentável, a medição de risco precisa evoluir no mesmo ritmo.

Os principais pontos deste artigo:

  • A blockchain garante a integridade do registro, não a capacidade de pagamento do devedor.
  • A maioria dos tokens representa ativos que continuam fora da blockchain, onde o risco de crédito realmente está.
  • Práticas consolidadas (target bem definido, scores de sacado e cedente, validação por KS e AUC, monitoramento por PSI) se aplicam diretamente a esse mercado.
  • Os dados on-chain são uma oportunidade de enriquecer modelos, desde que se meça o ganho real e se respeite a privacidade.

O mercado ainda está definindo seus padrões. As empresas que trouxerem disciplina analítica agora vão ganhar a confiança de investidores e reguladores, e com ela, escala.