O formulário foi enviado com sucesso.
Encontrará mais informações na sua caixa de correio.
Contrate-nosSelecionar a língua
Sobre nósServiçosTecnologiasIndústrias
Um chatbot bancário pode ajudar nas tarefas habituais, como redefinir uma palavra-passe, encontrar um extrato ou verificar quais os documentos necessários para um pedido de empréstimo. Útil? Sim. O tipo de coisa que faz com que um processo avance por si só? Normalmente, não.
IA genética no setor bancário É aqui que as coisas ficam mais interessantes. Basta atribuir uma tarefa ao agente para que este possa analisar o caso, extrair dados de sistemas autorizados, seguir as regras do banco, dar início à etapa seguinte e deixar um registo para revisão. O banco define os limites e o agente trabalha dentro desses limites.
É por isso que Aplicações de IA «agentic» no setor bancário estão a receber tanta atenção. O inquérito da PwC ao setor dos serviços financeiros revelou que 55% de executivos do setor bancário consideram a IA generativa ou agênica como a sua principal prioridade de investimento para 2026, e 58% esperam que esta tenha o maior impacto no setor nos próximos três anos. O inquérito «European Financial Services AI Pulse Survey» da EY revelou ainda que 35% de empresas do setor dos serviços financeiros já estão a utilizar IA agênica, enquanto a 25% tenciona começar dentro de seis meses.
A seguir, vou responder O que é a IA agênica no setor bancário, mostrar onde se enquadra nos fluxos de trabalho reais dos bancos e explicar em que aspetos os bancos precisam de um controlo rigoroso. Analisaremos casos de utilização reais, a arquitetura, as camadas de segurança e a diferença entre um chatbot e um agente. Também vou mostrar Como implementar a IA agênica no setor bancário sem aumentar o risco operacional.
IA agênica na banca e nos serviços financeiros refere-se a sistemas capazes de planear, raciocinar e executar fluxos de trabalho com várias etapas, com vista a atingir um objetivo definido, no âmbito das regras bancárias aprovadas.
Durante muito tempo, os bancos utilizaram a IA principalmente para tarefas específicas, como a identificação de riscos, a verificação de documentos, a atribuição de pontuações ou a síntese de casos. Atualmente, a IA agênica no setor bancário faz parte de todo o fluxo de trabalho. Ela analisa casos, segue as regras do banco e dá o próximo passo aprovado em áreas como análise de fraudes, processamento de empréstimos, verificações de conformidade, pedidos de assistência e tarefas administrativas. Em suma, a IA agênica executa fluxos de trabalho, enquanto os chatbots se limitam a responder a perguntas.
Imagina que estás na equipa de fraude às 14h13 e que uma transação suspeita com cartão chega à fila. Um chatbot pode explicar a política de fraude do banco quando lhe pedires. Um sistema com capacidade de agência pode verificar as transações recentes, comparar o pagamento com os gastos habituais do cliente, analisar os dados de localização e classificar o nível de risco. Se as regras do banco o permitirem, o agente pode bloquear o cartão, abrir um processo, enviar uma mensagem de verificação e encaminhar o caso para a sua equipa quando ainda for necessária uma avaliação humana.
Com o mesmo alerta, o chatbot mostra à equipa o que aconteceu. Um sistema autónomo, por outro lado, ajuda a fazer avançar o fluxo de trabalho.
A forma mais fácil de compreender a IA agênica na arquitetura bancária é acompanhar o percurso de um caso ao longo desse processo. Suponha que o seu banco receba uma atualização de KYC de um cliente. Este carrega um novo comprovativo de morada, mas um campo não corresponde aos dados já armazenados no sistema do banco. Um agente de IA pode ajudar a fazer avançar o caso, mas tem de seguir um percurso específico.
O exemplo do KYC ilustra o ponto principal: IA agênica no setor bancário requer verificações, pontos de paragem e revisão humana sempre que o risco ou as regras do banco assim o exigirem. Sem essas capacidades, o que se tem é apenas um chatbot com um nome mais sofisticado.
O trabalho bancário raramente decorre numa única troca de informações bem organizada. Veja-se, por exemplo, um pedido de crédito hipotecário. Um cliente carrega documentos relativos ao salário, interrompe o processo e, alguns dias depois, volta com um extrato bancário e o formulário que faltava. Um agente de IA retoma o processo a partir da última etapa concluída. Sabe quais os documentos que já foram aprovados e o que ainda falta. A sua equipa vê o histórico do caso num único local, em vez de ter de o recolher de e-mails, notas do CRM e documentos carregados.
Um agente bancário tem de utilizar os sistemas na ordem correta. No caso de um pagamento transfronteiriço, o agente poderá ter de verificar os dados do destinatário, o saldo da conta, o limite de pagamento, a taxa de câmbio e as comissões antes de efetuar o pagamento. A verificação de sanções é sempre realizada separadamente, como uma etapa obrigatória de conformidade.
Se faltar alguma informação de pagamento, o processo é interrompido. Se o pagamento exceder o limite, é enviado para revisão. Se a verificação de sanções detetar uma possível correspondência, o agente não decide se o pagamento pode prosseguir. Em vez disso, o processo é interrompido e o caso é encaminhado para um especialista em conformidade. Um chatbot poderá informar o cliente:, “O seu pagamento está a ser processado.” O agente verifica os sistemas necessários e dá seguimento ao processo assim que este for aprovado.
Algumas decisões bancárias exigem várias verificações menores ao longo do processo. A aprovação de um empréstimo é um bom exemplo. O agente analisa aspetos como rendimentos, histórico de crédito, dívidas existentes, documentos enviados, regras do produto e quaisquer informações em falta. Se tudo estiver em ordem, o processo avança rapidamente. Se houver lacunas, o agente tem de ser mais cuidadoso. Quando faltam informações ou o perfil de dívida parece invulgar, o agente resume a questão e encaminha o caso para um avaliador de risco. O avaliador de risco continua a tomar a decisão final, mas dispõe agora de um processo mais claro para analisar.
IA agênica para o atendimento ao cliente no setor bancário não pode agir apenas com base na sugestão do modelo. O agente prepara o passo seguinte, mas todas as ações continuam a passar por controlos externos antes de chegarem ao sistema bancário. O gateway verifica as autorizações, os limites, os indicadores de combate ao branqueamento de capitais e as regras de aprovação humana.
Os dados dos clientes funcionam da mesma forma. No caso de um pagamento com cartão recusado, o agente poderá precisar do ID do caso, do estado da transação e dos últimos quatro dígitos do cartão. Não é necessário o número completo do cartão, a digitalização do passaporte, o registo de rendimentos nem todo o histórico. Se o caso for de risco, a camada de controlo interrompe o fluxo e encaminha-o para a equipa adequada, com um registo do que o agente verificou e do motivo pelo qual o processo foi interrompido.
A esta altura, a diferença entre um chatbot e um agente já deve ser mais fácil de perceber. Um chatbot funciona bem quando o cliente precisa de uma resposta: comissões de cartão, horário de funcionamento das agências, condições dos produtos, detalhes do saldo ou estado do pedido. Pode explicar o próximo passo, apresentar um link ou encaminhar o pedido para o apoio ao cliente. É um trabalho útil, especialmente para pedidos simples.
Um agente entra em ação quando a resposta já não é suficiente. Um cartão perdido é um bom exemplo. Um chatbot pode explicar ao cliente como bloqueá-lo. Um IA agênica no setor bancário pode ajudar na resolução do caso em si: verifica a identidade do cliente, analisa as transações recentes, bloqueia o cartão, inicia um processo de contestação relativamente a pagamentos suspeitos, solicita a emissão de um cartão de substituição e envia uma atualização. Se o montante for elevado ou o padrão parecer estranho, o agente encaminha o caso para um analista de fraude, juntamente com os detalhes do caso e um registo do que aconteceu.
Para facilitar a leitura, coloquei a comparação na tabela abaixo.
Um pagamento falhado, uma atualização do KYC, um alerta de fraude ou um processo de empréstimo podem parecer simples do ponto de vista do cliente. No seio do banco, cada caso passa por sistemas, regras, responsáveis e aprovações. Vamos analisar os principais Casos de utilização da IA agênica no setor bancário um por um e ver o que um agente consegue assumir e em que aspetos a equipa ainda precisa de intervir.
Os clientes costumam dirigir-se a um banco com um problema que precisam de resolver: perderam um cartão, um pagamento não foi efetuado, uma cobrança parece errada ou é necessário alterar um limite. Ninguém abre uma aplicação bancária só pelo prazer de o fazer.
Um chatbot pode explicar os passos, enviar um link ou encaminhar o pedido para o apoio ao cliente. Isso ajuda, mas apenas até certo ponto. O cliente pode ainda ter de esperar, clicar em vários sítios ou repetir a situação a outra pessoa. AIA genética no setor bancário pode tratar mais casos de atendimento no âmbito de um fluxo aprovado. No caso de um pagamento falhado, o agente pode verificar o estado do pagamento, o saldo da conta, os limites do cartão ou da transferência, alertas de risco recentes e o motivo pelo qual a transação foi recusada. Se a solução for simples, o sistema pode indicar o passo seguinte ou enviar o pedido adequado. Se o caso parecer invulgar, os detalhes são enviados para a equipa de apoio ou de gestão de risco.
As equipas de combate à fraude lidam simultaneamente com ruído e urgência. Um alerta pode corresponder a um cliente que compra ténis enquanto viaja. Outro pode ser o primeiro indício de uma apropriação de conta. Um agente bancário pode verificar os sinais da transação, comparar o pagamento com o comportamento habitual do cliente, aplicar regras de risco e escolher o próximo passo a aprovar. Os casos de baixo risco podem ser encaminhados para confirmação pelo cliente. Os casos de maior risco podem desencadear o bloqueio do cartão, o bloqueio de transferências, a abertura de um processo de fraude ou a análise por um especialista.
Mas eu teria cuidado nesta questão. Este fluxo não pode permanecer inalterado durante meses. Os padrões de fraude mudam, e é necessário ter margem para ajustar os limiares, testar novos sinais em casos anteriores e verificar os falsos positivos antes que as alterações afetem os clientes reais.
O trabalho relacionado com o KYC e o AML é frequentemente atrasado antes mesmo de se iniciar a tomada de decisão. Alguém verifica a identificação, os documentos em falta, a resposta sobre a origem dos fundos e os alertas AML. Um agente pode encarregar-se desta primeira fase. Identifica os ficheiros em falta, solicita ao cliente o documento correto, verifica as fontes aprovadas, atualiza o estado do processo e prepara uma breve nota para o departamento de conformidade. Se houver uma correspondência de sanções pouco clara ou se a resposta sobre a origem dos fundos parecer fraca, o processo é encaminhado para um especialista.
O processamento de um empréstimo fica frequentemente parado antes da decisão final de aprovação ou recusa. Os documentos relativos aos rendimentos, os dados das agências de crédito e o histórico das contas encontram-se em sistemas separados. Um agente bancário pode reunir todas estas informações antes de o responsável pela análise de crédito abrir o processo. Identifica os dados em falta, verifica se o pedido cumpre as regras de concessão de crédito e assinala o que necessita de revisão.
No caso dos bancos da UE, este fluxo de trabalho está sujeito a regulamentações mais rigorosas. O A Lei da IA da UE classifica os sistemas de IA que avaliem a solvabilidade de uma pessoa ou classifiquem a sua pontuação de crédito como de alto risco, a menos que sejam utilizados para detetar fraudes financeiras. Antes de tais sistemas entrarem em funcionamento, os bancos têm de cumprir os passos de conformidade exigidos, assegurar a supervisão humana e seguir as regras de registo aplicáveis.
Os códigos de motivo precisam de ter o seu próprio espaço no fluxo. Nos EUA, ECOA e Regulamento B exigem motivos específicos para a tomada de medidas desfavoráveis. No Reino Unido e UE, as regras relativas ao crédito hipotecário exigem que as entidades credoras informem os consumidores sempre que um pedido de crédito hipotecário seja recusado, devendo fornecer informações adicionais caso a consulta a uma base de dados tenha influenciado a decisão. O agente pode preparar o processo e assinalar o que necessita de revisão, mas cabe ao banco a responsabilidade pela explicação, pelo registo e pela decisão final sobre o crédito.
As operações bancárias ficam paralisadas quando uma tarefa passa por demasiadas pessoas. Por exemplo, numa investigação de pagamento, uma pessoa verifica a transação, outra analisa a conta, o processo fica então à espera de aprovação e, por fim, alguém informa o cliente. Um agente bancário pode fazer avançar o caso de forma eficiente por todas as etapas: abrir a investigação, obter os detalhes do pagamento, atualizar o caso, solicitar aprovação, notificar a equipa responsável e enviar uma atualização ao cliente.
Os bancos podem recorrer a agentes para casos de utilização que geram receitas, mas os fluxos mais seguros começam com um pedido do cliente. Se um cliente perguntar o que fazer com um saldo ocioso, o agente pode verificar o consentimento, a elegibilidade, as regras do produto e o contexto da conta antes de apresentar uma opção de poupança adequada.
Os casos relacionados com crédito exigem um tratamento mais rigoroso. Se o proprietário de uma pequena empresa solicitar financiamento a curto prazo antes do pagamento dos salários, o agente não deve decidir se o cliente é elegível nem apresentar uma oferta pré-selecionada. Deve recolher os dados necessários, verificar as regras básicas e encaminhar o caso para o processo de concessão de crédito aprovado pelo banco. Nesta configuração, o agente apoia a venda cruzada sem a transformar numa pressão de vendas.
Os chatbots facilitam as conversas no setor bancário. A IA agênica muda o que acontece depois de o cliente pedir ajuda. Na prática, o ponto forte Aplicações de IA «agentic» no setor bancário tratar os casos com menos transferências, reduzir as pequenas tarefas da equipa e ajudar os clientes a aproximarem-se mais do que vieram buscar.
Muitos custos bancários escondem-se em pequenas tarefas, como verificar documentos, copiar dados, abrir processos, enviar atualizações e acompanhar aprovações. Cada etapa parece insignificante, mas o custo aumenta quando o mesmo trabalho se repete em milhares de atualizações de KYC, verificações de pagamentos, alertas de fraude ou processos de empréstimo. Um agente pode assumir parte desta rotina e deixar à equipa os processos que exigem a intervenção humana. O banco gasta menos com o mesmo trabalho repetitivo, uma vez que os funcionários dedicam menos horas a essa tarefa.
Muitos processos bancários ficam parados entre sistemas e equipas. Um agente pode fazer avançar o processo ao longo do fluxo de trabalho aprovado, atualizar registos, solicitar aprovação, enviar notificações e interromper o processo quando uma regra ou um limiar de risco exigir uma revisão. Desta forma, os colaboradores gastam menos tempo a verificar o estado dos processos ou a aguardar a próxima etapa.
Os agentes podem promover vendas cruzadas quando o cliente já solicitou ajuda ou opções de produtos. Verificam o consentimento, a elegibilidade, as regras do produto e o contexto da conta e, em seguida, encaminham os casos de crédito sujeitos a regulamentação para o processo de análise aprovado pelo banco. O banco tem mais oportunidades de apresentar uma oferta relevante enquanto o cliente já está à procura de orientação.
Um agente bancário pode verificar as autorizações, aplicar as regras do banco, sinalizar atividades invulgares e registar cada ação. A sua equipa fica a saber o que aconteceu, quando aconteceu e por que razão o caso avançou ou foi suspenso. Isto facilita o controlo de casos de risco antes que se transformem em problemas com os clientes ou em problemas de auditoria.
Os clientes preocupam-se com os resultados. Querem que o cartão seja bloqueado, que a contestação seja iniciada, que o pedido de empréstimo avance ou que o problema de pagamento seja resolvido. Um chatbot pode responder à pergunta. Um agente pode ajudar a concluir a tarefa. Consequentemente, os clientes passam menos tempo a contactar o banco para obter atualizações, e o banco recebe menos chamadas e tickets repetidos sobre o mesmo problema.
Um agente bancário não deve ter acesso direto aos sistemas bancários centrais, de pagamentos, KYC, CRM ou de deteção de fraudes apenas porque pode sugerir o próximo passo. O banco precisa de um ponto de controlo intermédio. Este verifica se o agente está autorizado a agir, quais os dados que pode utilizar, se é necessária a aprovação de uma pessoa para essa etapa e como a ação será registada. Essa é a função do gateway, das verificações de segurança e das ligações de dados.
Suponhamos que um cliente comunique o extravio de um cartão. O agente pode decidir que o cartão deve ser bloqueado, mas o banco ainda precisa de verificar se esse agente tem autorização para bloquear esse cartão.
Essa é a função do gateway do Model Context Protocol (MCP), que se situa entre o agente e os sistemas do banco. Antes de um pedido chegar às ferramentas de gestão de cartões, ao sistema bancário central, aos pagamentos, ao KYC, ao CRM ou às ferramentas de deteção de fraudes, o gateway verifica se a ação é permitida, se o pedido está no formato correto, se é necessária aprovação e se a ação será registada.
Na prática, o gateway controla seis aspetos:
Um chatbot funciona normalmente com conteúdos de baixo risco, tais como páginas de produtos, respostas a perguntas frequentes, guiões aprovados e conteúdos da central de ajuda. Se der uma resposta pouco convincente, o banco pode corrigi-la.
Um agente está mais próximo da ação propriamente dita. Pode solicitar um documento, atualizar um processo, iniciar um bloqueio de cartão, desencadear uma verificação de pagamento ou enviar um alerta AML para revisão. Antes de isso acontecer, o banco necessita de uma camada de segurança que verifique o pedido, os dados e o passo seguinte.
Um agente bancário, tal como qualquer especialista em operações qualificado, precisa de aceder ao registo certo, proveniente do sistema certo, precisamente no momento em que a equipa está a trabalhar num caso.
Se um cliente quiser saber por que razão um pagamento internacional ainda não chegou, a resposta pode estar em vários locais. O sistema de pagamentos mostra o estado da transferência. O sistema bancário central contém os dados da conta e a monitorização de fraudes revela se o pagamento ativou alguma regra. O CRM contém a nota do cliente e o registo do caso mostra o que a equipa já verificou. Se o agente apenas consultar a nota do CRM, esta pode parecer útil, mas continua a não revelar a verdadeira razão.
As ligações via API proporcionam ao agente um acesso restrito a esses sistemas. Este pode verificar o estado dos pagamentos, os dados dos clientes, os detalhes de KYC, os sinais de fraude, os documentos e o histórico dos processos sem ter acesso a tudo. O banco decide o que o agente pode consultar, o que pode atualizar e o que permanece restrito. Mas os dados também têm de estar atualizados. O estado de um pagamento, um sinal de fraude ou uma pontuação de risco de ontem podem levar o agente por um caminho errado.
IA agênica para o atendimento ao cliente no setor bancário torna-se arriscado assim que começa a agir. Uma resposta fraca de um chatbot pode irritar um cliente. Uma ação fraca de um agente pode causar danos operacionais reais: bloquear o cartão errado, atrasar um empréstimo, expor dados pessoais ou encaminhar um caso suspeito pela via errada. Quanto mais cedo se identificar onde o agente pode falhar, mais fácil será controlar essa parte do fluxo de trabalho antes que casos reais sejam afetados.
IA agênica no setor bancário Não se deve basear na memória para dar respostas que afetem empréstimos, pagamentos, litígios, comissões, limites ou restrições de conta. Cada resposta nestes fluxos tem de remeter para o registo que a comprove. Se esse registo não existir, o caso deve ser submetido a revisão antes de o cliente receber uma resposta.
Certifique-se de que o agente trabalha com o registo mais recente antes de avançar com um caso. Um estado de KYC desatualizado, uma atualização de transação atrasada, um saldo desatualizado ou um perfil de cliente incompleto podem encaminhar o caso para a etapa errada. No que diz respeito a crédito, fraude, AML, pagamentos e restrições de conta, o agente deve interromper o processo se o registo de origem atual estiver em falta ou desatualizado.
Um agente de atendimento ao cliente lida com mensagens que o banco não controla. Pode acontecer que alguém lhe peça para ignorar regras, mostrar dados restritos, contornar a aprovação ou recorrer a uma ferramenta fora do seu âmbito de atuação. O agente precisa de limites rígidos quanto ao que pode ler, ao que pode fazer e às ações que devem ser encaminhadas primeiro para um revisor humano.
Um agente pode transportar padrões antigos para um novo processo. Por exemplo, no setor de crédito, as aprovações anteriores podem levar o sistema a favorecer um determinado tipo de mutuário. Na deteção de fraudes, regras mais antigas podem fazer com que o sistema sinalize certos grupos de clientes com maior frequência. A sua equipa deve verificar as taxas de aprovação, os motivos de rejeição, os falsos positivos e os casos encaminhados para escalonamento em todos os grupos de clientes.
Um agente bancário pode aceder a saldos de contas, números de identificação, dados de cartões, histórico de transações, ficheiros de rendimentos, mensagens de apoio e notas de risco. O risco surge quando o fluxo de trabalho expõe mais dados do que o necessário para o caso em questão. Uma permissão errada ou uma transferência incorreta pode fazer com que as informações do cliente acabem no local errado. Limite o acesso aos dados necessários para o caso em questão. Se não conseguir explicar claramente a que dados o agente acedeu e porquê, o processo ainda não está preparado para lidar com dados bancários.
Cada ação do agente deve ser registada. Se o agente bloquear uma transferência, atualizar o estado do KYC, avançar com um processo de empréstimo ou enviar um caso de AML para revisão, é necessário consultar a regra, os dados e a aprovação subjacentes a cada etapa.
A IA agênica não pode pertencer a uma equipa de IA indefinida. A responsabilidade deve recair sobre as equipas que já gerem o processo, quer se trate de operações com cartões para bloqueios e disputas, de crédito para pedidos de empréstimo ou de conformidade para verificações KYC e AML. Cada responsável precisa de saber o que o agente está autorizado a fazer, quando é necessária a aprovação de um especialista e o que acontece quando algo corre mal.
Cada implementação de IA agênica no setor bancário será diferente, uma vez que cada fluxo de trabalho tem os seus próprios sistemas, dados, riscos e regras de aprovação. No entanto, é útil compreender os principais passos e o que cada um deles requer antes de começar a desenvolver.
Começa por algo mais modesto do que aquilo que pretendes. Esse é o meu conselho sincero. Escolhe um processo que já tenha regras, limites e uma equipa responsável pelo mesmo. As verificações de endereços no âmbito do KYC no retalho são um bom ponto de partida. Os resumos de alertas de fraude para analistas também podem funcionar bem.
O apoio ao cliente em geral é, normalmente, demasiado abrangente para a primeira versão. Envolve demasiadas intenções, sistemas, casos extremos e percursos de aprovação. Antes de escrever código, a equipa precisa de mapear o fluxo de trabalho, respondendo a algumas perguntas básicas:
Depois de escolher o caso de utilização, analise os dados de que o fluxo de trabalho realmente necessita. O agente precisa de contexto suficiente para realizar a tarefa, mas o acesso deve ser restrito.
No caso de um fluxo de KYC, isso pode incluir dados do perfil do cliente, documentos carregados, resultados de sanções, regras de política e histórico de casos. A triagem de fraudes requer um conjunto diferente de dados de entrada, tais como detalhes da transação, alertas anteriores, estado do cartão e sinais de comportamento. Cada fonte deve ter um responsável, regras de acesso, regras de retenção e registos.
O projeto-piloto deve evitar o acesso direto aos sistemas centrais. As APIs, o middleware ou as ferramentas de fluxo de trabalho proporcionam à equipa uma via controlada de acesso aos sistemas bancários e facilitam a gestão de autorizações, limites, aprovações, reversão de alterações e monitorização.
É fácil subestimar esta etapa. Uma demonstração pode parecer estar tudo bem, mas, quando se passa à prática, surgem campos em falta, registos duplicados, lacunas no acesso e dados cuja responsabilidade não está atribuída a ninguém.
Adicione o agente apenas depois de terem sido mapeados o fluxo de trabalho, o acesso aos dados e os pontos de paragem. Antes do primeiro teste, defina o nome da tarefa, as ferramentas que esta poderá utilizar, os pontos de transferência e o responsável por cada decisão.
Para a verificação de documentos de empréstimo, a primeira versão deve ser sucinta. O agente deve também seguir uma ordem fixa. Primeiro, verifica os documentos carregados em relação à lista de verificação do banco e assinala os campos em falta. Em seguida, redige uma breve nota para o responsável pela análise de crédito e envia os ficheiros pouco claros para revisão. Não aprova o empréstimo, não altera as condições de crédito, não envia mensagens ao cliente, não acede a contas nem intervém nos pagamentos.
Antes do lançamento, teste em modo simulado. O agente pode preparar notas, escolher percursos e marcar onde iria parar, mas não deve alterar registos nem enviar mensagens. Em seguida, compare o seu trabalho com a forma como os colaboradores trataram os mesmos ficheiros. Se a nota for útil, a rota estiver de acordo com a política e o ponto de paragem fizer sentido, o fluxo está mais próximo da produção. Se a equipa não conseguir explicar por que razão o agente escolheu um passo, corrija o fluxo de trabalho antes de qualquer ação real.
Quando o piloto estiver a trabalhar em casos reais, adicione o próximo fluxo de trabalho gradualmente. Um bom primeiro fluxo de trabalho pode deixar as equipas impacientes, mas cada novo fluxo continua a precisar de um responsável, regras de acesso, pontos de revisão, registos e um plano alternativo.
A responsabilidade é repartida por três funções. A equipa de negócios é responsável pelo resultado; a equipa de engenharia gere o processo técnico, desde as integrações até aos planos de contingência; e a equipa de risco e conformidade verifica os acessos, as pistas de auditoria e o alinhamento com as políticas. Esta estrutura facilita a gestão de incidentes, uma vez que cada equipa compreende as suas responsabilidades.
Acompanhe o tempo de tratamento dos casos, as intervenções manuais, os erros, as escalações, o tempo de resposta ao cliente e os resultados das revisões no processo real. Se os números melhorarem e a sua equipa conseguir explicar cada ação, este fluxo de trabalho pode tornar-se a base para o próximo.
Um projeto recente de neobanking proporcionou-nos algumas lições que as demonstrações raramente revelam. O cliente precisava de fluxos de trabalho orientados para a ação nas operações de pagamentos e de comerciantes. O desenvolvimento demorou cerca de três meses e custou aproximadamente $144K. Em produção, as partes mais difíceis foram a velocidade, o encaminhamento, os controlos e a reutilização. Aqui estão, portanto, as principais conclusões do projeto.
“Com os chatbots, cada nova funcionalidade traduz-se frequentemente numa tarefa de engenharia distinta. Com os agentes, as competências reutilizáveis podem ser aplicadas em vários fluxos de trabalho bancários, pelo que o fluxo de trabalho seguinte requer menos trabalho do que o primeiro.”
Diretor da Prática Comercial de IA
Vamos agora analisar o que os bancos podem, de forma realista, esperar da IA agênica num futuro próximo. Conhecer estas mudanças desde já pode ajudá-lo a planear os agentes tendo em conta os fluxos de trabalho futuros, em vez de ter de rever toda a configuração mais tarde.
Não esperaria que os bancos passassem diretamente para sistemas multiagentes. A versão a curto prazo, na minha opinião, é mais prática: um agente controlado a trabalhar com várias ferramentas especializadas à sua volta.
No processo de integração, por exemplo, a configuração mais segura a curto prazo é a de um agente controlado que utiliza várias ferramentas. Este agente pode recolher documentos, verificar identidades, consultar listas de sanções e preparar o processo para análise. Tem apenas permissões limitadas e mantém um registo das suas ações. É para aí que penso que a IA agentiva no setor bancário se dirige inicialmente. Os verdadeiros sistemas multiagentes poderão surgir mais tarde, quando agentes distintos partilharem informações e coordenarem decisões.
A banca centrada na IA começará provavelmente por processos comuns, mas morosos, como o KYC, as verificações de fraude, a pré-seleção de empréstimos, a resolução de litígios e a elaboração de relatórios internos. Estas áreas já dispõem de regras, documentos, verificações e exceções, pelo que é mais fácil dividi-las em etapas fáceis de gerir pelos agentes.
As pessoas passarão a dedicar-se mais a tarefas que exigem uma avaliação criteriosa. O agente preparará o processo, recolherá dados, comparará registos e assinalará o que requer uma análise mais aprofundada. Os colaboradores, por sua vez, tratarão de questões mais complexas, tais como casos contestados, reclamações, transações de grande montante, suspeitas de fraude e exceções às políticas.
Atualmente, os bancos costumam estabelecer regras claras sobre o que um agente pode ou não fazer. No futuro, essas autorizações poderão tornar-se mais flexíveis e depender do caso específico que o agente estiver a tratar. Por exemplo, um pedido de baixo valor poderá ser processado mais facilmente, enquanto uma transação de grande valor, um comportamento invulgar do cliente ou um sinal confuso de combate ao branqueamento de capitais tornaria o processo mais rigoroso ou encaminharia o caso para uma pessoa.
Os bancos também podem alterar o grau de autonomia dos agentes com base no desempenho de cada fluxo de trabalho. Se os casos simples forem tratados sem problemas e com poucos erros, os agentes poderão ter mais autonomia nesse processo. No entanto, se houver mais reclamações, correções manuais ou alertas de risco, o processo voltará a tornar-se mais rigoroso.
A IA agênica faz sentido no setor bancário quando é integrada num processo real com limites claros. Pode ajudar a agilizar as atualizações de KYC, os alertas de fraude, as verificações de pagamentos, os processos de crédito e os casos de atendimento, mas o banco tem de definir primeiro as regras.
A parte que eu trataria com cuidado é o processo em torno do agente. Responsáveis pouco claros, registos insuficientes, dados duplicados, regras de aprovação vagas e transferências mal executadas não vão desaparecer. Se acrescentarmos um agente a tudo isto, a confusão pode agravar-se ainda mais.
Se não tiver a certeza se o seu banco precisa de um agente de IA, ou em que contexto tal agente faria sentido, os nossos consultores pode ajudá-lo a resolver a situação. Vamos analisar o seu processo atual, identificar os pontos de estrangulamento e separar o que é útil Casos de utilização da IA agênica no setor bancário afastar o exagero e ajudar na implementação nos casos em que isso realmente faz sentido.
No setor bancário, um chatbot costuma responder a perguntas e seguir um percurso de conversação fixo. A IA agentiva no setor bancário e nos serviços financeiros consegue analisar o pedido, escolher o próximo passo, aceder ao sistema adequado e concluir uma tarefa sem ter de recorrer a uma pessoa para cada pequena ação.
Em alguns casos, sim. Os agentes podem substituir os fluxos do chatbot quando a tarefa dispõe de regras aprovadas, acesso ao sistema e um recurso de segurança para um especialista humano. Por exemplo, um agente pode ajudar a processar um alerta de fraude, verificando o contexto da conta, seguindo os passos aprovados pelo banco e dando seguimento ao caso.
A IA agênica no setor bancário requer orquestração e uma camada de gateway entre o modelo e os sistemas bancários. Estas camadas verificam os pedidos, gerem as autorizações e bloqueiam ações de risco antes de estas chegarem aos sistemas bancários centrais.
A IA agênica no setor bancário e dos serviços financeiros apoia a conformidade através de verificações realizadas antes de o agente agir. Estas podem abranger a prevenção do branqueamento de capitais (AML), regras relacionadas com o RGPD, direitos de acesso e registos de auditoria. Em termos simples, o agente só deve agir dentro das regras bancárias aprovadas.
Nesta arquitetura, o gateway MCP constitui a camada intermédia entre os agentes de IA e os sistemas internos, as bases de dados e as APIs do banco. Este gateway verifica, formata e aprova os pedidos dos agentes, de modo a que o banco controle o que o agente pode ver e fazer.
Entre os exemplos mais comuns contam-se a triagem de alertas de fraude, atualizações de KYC, análises de casos de combate ao branqueamento de capitais, verificações de processos de crédito, investigações de pagamentos e casos de atendimento ao cliente, tais como pagamentos falhados ou cartões perdidos.
O custo depende do fluxo de trabalho, dos sistemas ligados, dos controlos de segurança, dos requisitos de conformidade e do número de competências de que o agente necessita. Um agente de IA para um único fluxo de trabalho custa normalmente menos do que um agente inter-sistemas ligado aos sistemas bancários centrais, aos pagamentos, ao KYC, à prevenção de fraudes e ao CRM.
Especialista em cadeias de blocos e analista de DeFi
Andrew traduz conceitos descentralizados em ferramentas financeiras seguras e funcionais. Ele navega no cenário volátil de DeFi para construir infraestruturas de blockchain escaláveis que abordam a utilidade do mundo real, indo além das palavras-chave para fornecer valor técnico.
