Analisar como modelos algorítmicos de avaliação de crédito ampliam ou restringem a mobilização de recursos por empreendedores pertencentes a grupos minorizados, mapeando tecnologias, dados, mecanismos de inclusão e exclusão e propondo um modelo conceitual integrador.
O estudo conecta finança empreendedora, assimetria informacional, justiça algorítmica e governança, deslocando o foco da acurácia média para os efeitos distributivos das decisões de crédito e para as condições contratuais efetivamente oferecidas a empreendedores pouco atendidos.
Realizou-se revisão sistemática qualitativa, exploratória e descritiva, seguindo PRISMA 2020. Buscas em Scopus, Web of Science, SciELO e ScienceDirect cobriram 2016-2025. Após deduplicação, triagem e leitura integral, 35 estudos compuseram o corpus analisado tematicamente.
Aprendizado de máquina, fintechs e dados alternativos podem ampliar acesso, mas ausência de rastros digitais, proxies, sub-representação e baixa explicabilidade podem reproduzir desvantagens. A inclusão depende também de avaliação por subgrupos, contestação e condições contratuais adequadas.
Propõe-se um modelo conceitual que integra mobilização de recursos, visibilidade informacional, avaliação algorítmica, governança e condições do crédito, oferecendo uma estrutura para explicar como ganhos de eficiência podem coexistir com mecanismos de exclusão ou inclusão adversa.
O modelo orienta instituições financeiras e formuladores de políticas a combinar qualidade de dados, métricas de justiça, explicações acionáveis, supervisão humana e contestação, favorecendo decisões de crédito mais inclusivas sem reduzir a análise à precisão preditiva.
Analyze how algorithmic credit assessment models expand or restrict resource mobilization for entrepreneurs from minoritized groups, mapping technologies, data, inclusion and exclusion mechanisms, and proposing an integrative conceptual model.
The study connects entrepreneurial finance, information asymmetry, algorithmic fairness, and governance, shifting attention from average accuracy toward the distributive effects of credit decisions and the contractual conditions actually offered to underserved entrepreneurs.
A qualitative, exploratory, and descriptive systematic review followed PRISMA 2020. Searches in Scopus, Web of Science, SciELO, and ScienceDirect covered 2016-2025. After deduplication, screening, and full-text assessment, 35 studies formed the thematically analyzed corpus.
Machine learning, fintech, and alternative data may expand access, while missing digital footprints, proxies, underrepresentation, and limited explainability can reproduce disadvantages. Inclusion also depends on subgroup assessment, contestability, and adequate contractual conditions.
The study proposes a conceptual model integrating resource mobilization, informational visibility, algorithmic assessment, governance, and credit conditions, explaining how efficiency gains may coexist with mechanisms of exclusion or adverse inclusion.
The model supports financial institutions and policymakers in combining data quality, fairness metrics, actionable explanations, human oversight, and contestability, promoting more inclusive credit decisions without reducing evaluation to predictive accuracy.