[INTRODUÇÃO] Grandes inovações científicas se deram pela implementação de Machine Learning de forma efetiva e incisiva. Temos casos marcantes, como quando o computador da empresa norte americana IBM, o “Deep Blue”, ganhou do então atual campeão mundial de xadrez, Garry Kasparov, em uma partida de seis jogos. Sendo que, anos após a partida, Kasparov admitiu que desde aquela época seria “impossível, para humanos, competir” (Kasparov, 2017). Existem, no entanto, outras aplicações, que estão por traz do nosso dia-a-dia, como o reconhecimento de células possivelmente cancerígenas, que ajudam oncologistas do mundo todo no diagnóstico de tumores malignos (Fakoor, 2013). Sendo assim, a aplicação de algoritmos de Machine Learning, mais especificamente redes neurais, poderiam contribuir de forma positiva na precisão dos modelos de Credit Scoring, nos quais são geralmente atualizadas regressões logísticas para realizar a inferência do que seria um “bom” ou “mau” pagador (Sicsú, 2010). Acreditando que, o poder computacional proporcionado por este tipo de modelo matemático poderia gerar uma capacidade preditiva relevantemente maior do que os métodos mais convencionais de previsão de risco de crédito. [METODOLOGIA] Com isso, foram desenvolvidos dois modelos de Credit Scoring utilizando o mesmo banco de dados para conseguir distinguir qual dos dois geraria um resultado melhor. Utilizando, portanto, um modelo com redes neurais, e outro com regressão logística. Ambos foram aplicados utilizando a linguagem de programação R. [CONCLUSÃO] Chegando na conclusão que, mesmo que o poder preditivo atrelado a algoritmos de Machine Learning, e consequentemente, redes neurais, possa ser maior do que métodos estatísticos como a regressão logística, muitas vezes, essa potencialização dos resultados pode virar apenas um gasto computacional não justificado, principalmente para aplicações que não são tão demandantes, como é o caso de Credit Scoring.