Um agente de inteligência artificial pode reconhecer uma solicitação legítima, consultar informações de um cliente e executar uma tarefa dentro de um sistema financeiro. Mas o que acontece quando esse agente recebe uma instrução fora do escopo, utiliza dados incorretos ou realiza uma transação sem a autorização necessária?
À medida que a IA avança da recomendação para a execução, a governança passa a acompanhar decisões que produzem efeitos diretamente na operação. Identidade, permissões, segurança, rastreabilidade e responsabilidade precisam funcionar de forma coordenada para que instituições financeiras possam ampliar o uso desses sistemas.
Essa relação esteve presente nas discussões do Money20/20 USA 2026, realizado de 18 a 21 de outubro, em Las Vegas. Painéis com representantes de empresas como Okta, Experian, Block e X, além de autoridades públicas dos Estados Unidos, abordaram diferentes aspectos da confiança em ambientes financeiros automatizados, incluindo identificação de agentes, prevenção a fraudes, compliance e credenciais digitais.
A partir dessas discussões, é possível identificar critérios para avaliar como bancos e fintechs estão preparando sua governança para agentes de IA com capacidade de acessar dados, utilizar ferramentas e executar ações em sistemas corporativos.
Como estruturar a governança de IA no setor financeiro?
A governança de IA no setor financeiro reúne políticas, responsabilidades e controles para manter sistemas de inteligência artificial dentro de limites definidos, com segurança, rastreabilidade e supervisão. Em aplicações com agentes de IA, isso envolve verificar identidades, limitar permissões, proteger dados, monitorar execuções e estabelecer mecanismos de aprovação e interrupção das ações.
O que o Money20/20 2026 revelou sobre os riscos dos agentes de IA?
A participação de agentes de IA nas operações financeiras amplia o número de interações que podem ocorrer sem intervenção humana direta.
Um agente pode consultar diferentes fontes, interpretar uma solicitação e acionar ferramentas que modificam registros ou iniciam operações. O risco associado a essas atividades depende das permissões concedidas, da confiabilidade das informações utilizadas e dos efeitos produzidos nos sistemas.
No painel Who Let the Bots Pay? The Missing Guardrails of Agentic-Commerce, representantes de Okta, Experian, Skyfire, Mastercard e Fastly abordaram os desafios de verificar, autorizar e proteger transações realizadas por agentes de IA.
A questão depende de um ponto importante. Um sistema pode reconhecer corretamente a identidade de um cliente e ainda precisar verificar se o agente responsável pela operação recebeu permissão para executar determinada ação.
Essa distinção ganha relevância quando uma solicitação desencadeia múltiplas etapas, como consultar dados, selecionar uma forma de pagamento e iniciar uma transação.
Cada etapa pode envolver sistemas e permissões diferentes. A autenticação inicial não substitui a verificação das condições necessárias para executar as ações seguintes.
Para instituições financeiras, essa mudança amplia a importância de mecanismos que conectem identidade, contexto, autorização e supervisão durante a execução.
A governança de identidade precisa considerar agentes de IA como participantes identificáveis dos processos, com credenciais, permissões e responsabilidades definidas.
Em uma discussão sobre identidade digital, Christopher Bramwell, Chief Privacy Officer do Estado de Utah, participou do painel Digital Identity Is Broken: States Have a Solution, dedicado aos desafios de verificação de identidade e às alternativas desenvolvidas por governos estaduais norte-americanos.
A discussão sobre credenciais digitais ganha uma nova dimensão quando sistemas automatizados passam a executar tarefas em nome de pessoas e organizações.
Uma instituição financeira pode precisar reconhecer três elementos distintos: a identidade do cliente, a identidade do agente e a autorização que relaciona os dois em determinada operação.
O conceito de Know Your Agent (KYA), abordado em uma sessão específica do Money20/20, está associado à necessidade de estabelecer mecanismos de identificação e confiança para agentes que participam de operações financeiras.
Entretanto, a identificação de um agente não representa autorização irrestrita para acessar informações ou movimentar recursos.
Considere um agente autorizado a consultar o saldo de uma conta e preparar uma proposta de pagamento. Essa permissão não deveria liberar, automaticamente, a execução da transferência.
Para que o processo seja governado, os sistemas precisam reconhecer a diferença entre consultar, recomendar, atualizar registros e executar ações financeiras.
Essa diferenciação é aprofundada no artigo da MATH Risco de agentes de IA: o que muda entre recomendar, atualizar e decidir, que analisa como o impacto operacional influencia os mecanismos de controle e os níveis de autonomia.
Na prática, a governança de identidade precisa estabelecer quais agentes podem atuar, em nome de quem, com quais credenciais e durante quanto tempo. Também deve permitir a revogação de permissões e o registro das ações realizadas.
A conformidade em processos com agentes de IA depende da aplicação de políticas e verificações ao longo da execução. Controles definidos apenas no início de uma operação podem ser insuficientes quando as condições de autorização, os dados ou o contexto mudam.
Uma autorização concedida no início de um processo pode deixar de ser válida diante de uma mudança de contexto. O cliente pode revogar uma permissão, uma transação pode ultrapassar o valor permitido ou uma informação utilizada pelo agente pode estar desatualizada.
Por isso, os controles devem considerar o estado atual da operação.
Durante o Money20/20, Rob DeCampos, Chief Compliance Officer do X, participou do painel When a Social Network Becomes a Bank, dedicado aos desafios de incorporar serviços financeiros a uma plataforma digital.
A relação entre plataformas tecnológicas e serviços financeiros amplia a discussão sobre identificação, gestão de riscos e responsabilidades regulatórias.
Mesmo organizações que já utilizam sistemas automatizados precisam avaliar como seus controles existentes se aplicam às operações financeiras e às ações executadas por agentes.
Para bancos e fintechs, a conformidade contínua pode ser estruturada a partir de três capacidades complementares.
1. Estabelecer políticas de execução. As regras devem definir quais informações podem ser utilizadas, quais operações estão autorizadas e em que condições o agente precisa solicitar aprovação humana.
2. Aplicar as políticas nos sistemas responsáveis pelas ações. Uma instrução para que o agente respeite determinado limite não substitui controles de permissão e validação nas ferramentas e integrações utilizadas.
3. Monitorar execuções e tratar desvios. As instituições precisam identificar ações fora do escopo, falhas nas integrações, tentativas de acesso indevido e situações que demandam revisão.
No Brasil, essa arquitetura deve ser avaliada em relação às normas aplicáveis à instituição e ao processo.
A Resolução CMN nº 4.893/2021, por exemplo, estabelece requisitos relacionados à política de segurança cibernética e à contratação de serviços de processamento, armazenamento de dados e computação em nuvem pelas instituições abrangidas.
A Lei Geral de Proteção de Dados Pessoais (LGPD) também precisa ser considerada quando os processos envolvem tratamento de dados pessoais, observadas as bases legais, os direitos dos titulares e as regras aplicáveis às decisões automatizadas.
Essas referências fazem parte do contexto regulatório existente. A adoção de agentes de IA requer uma avaliação específica de como suas funcionalidades se relacionam com as obrigações aplicáveis, sem presumir que exista uma regra única para todos os casos de uso.
A utilização de inteligência artificial em fraudes amplia os desafios de verificação de identidade e avaliação de risco. Identidades sintéticas, deepfakes e evidências manipuladas podem comprometer controles que dependem de informações apresentadas pelo próprio solicitante.
No painel Attack of the Clones: Managing Identity in the Deepfake Era, representantes de Block, PlayStation e Complex discutiram o avanço dessas ameaças e as limitações de verificações realizadas apenas no momento do cadastro.
Uma instituição pode utilizar controles eficazes na abertura de contas e ainda enfrentar riscos posteriores, como solicitações fraudulentas de recuperação de acesso, alterações cadastrais ou apresentação de documentos falsificados.
A resposta depende da capacidade de integrar informações provenientes de diferentes fontes.
Dados transacionais, registros de autenticação, características dos dispositivos e histórico das operações podem contribuir para a avaliação do risco, desde que seu uso respeite as condições legais e as políticas de acesso estabelecidas.
Outra discussão do Money20/20, no painel The Network as the New Security Layer for Fintechs, apresentou a utilização de informações provenientes das redes móveis para apoiar a prevenção a fraudes, a autenticação e a verificação de identidade.
Sinais relacionados à associação entre linhas e dispositivos, por exemplo, podem complementar os mecanismos utilizados por instituições financeiras.
Essas informações precisam ser interpretadas em conjunto com outros elementos. Uma mudança de dispositivo, isoladamente, não comprova fraude.
A aplicação de ciência de dados permite combinar sinais e avaliar padrões que indiquem a necessidade de verificações adicionais.
Para a governança de IA, isso representa uma questão de arquitetura: os sistemas precisam conhecer a origem das informações, sua finalidade, suas limitações e os critérios utilizados nas decisões.
Também é necessário avaliar o efeito dos controles sobre usuários legítimos. Modelos excessivamente restritivos podem bloquear operações autorizadas, enquanto verificações insuficientes ampliam a exposição ao risco.
A qualidade dos dados e a definição das regras de decisão influenciam diretamente esse equilíbrio.
As discussões do Money20/20 permitem identificar cinco critérios para avaliar a governança de agentes de IA em operações financeiras:
Esses critérios ajudam a identificar quais processos estão preparados para testes controlados e quais ainda precisam de ajustes antes da adoção de agentes de IA.
Para aprofundar a avaliação, confira o artigo Como testar um agente de IA antes de liberar ações na operação.
A governança de agentes de IA depende da preparação da instituição para integrar a tecnologia aos processos, definir responsabilidades e acompanhar resultados. A qualidade das respostas do modelo, isoladamente, não demonstra que uma solução está preparada para operar.
Um sistema pode produzir recomendações tecnicamente adequadas e ainda enfrentar dificuldades devido à fragmentação dos dados, à ausência de responsabilidades claras ou à falta de integração com os processos existentes.
No artigo Maturidade em IA no setor financeiro: da experimentação à operação, a MATH analisa essa transição a partir de um diagnóstico realizado durante o FEBRABAN TECH 2026.
A análise aborda a relação entre estratégia, dados, tecnologia, pessoas, governança e modelo operacional, considerando os resultados da amostra pesquisada.
Esse contexto ajuda a compreender por que a adoção de agentes precisa considerar aspectos organizacionais além da arquitetura técnica.
Para estabelecer uma operação governada, as instituições precisam definir quem é responsável pelo resultado, como os controles serão mantidos e quais indicadores demonstram que a automação está produzindo o efeito esperado.
Na MATH, essa abordagem se conecta à utilização da MATH AI Platform e do MATH AI Flow.
A plataforma reúne capacidades para estruturar produtos de IA reutilizáveis, com governança, controle de acesso, observabilidade e acompanhamento de custos. O MATH AI Flow permite integrar agentes, regras, sistemas corporativos e etapas de aprovação humana em fluxos operacionais.
Nessa arquitetura, agentes podem interpretar solicitações e preparar ações, enquanto regras de negócio e controles de execução permanecem associados aos sistemas responsáveis por validar e efetivar operações.
Os sistemas corporativos preservam seus papéis como fontes oficiais de informação e destinos das ações, enquanto o monitoramento permite acompanhar o comportamento dos agentes e os resultados obtidos.
As discussões do Money20/20 2026 evidenciaram a necessidade de conectar identidade, autorização, prevenção a fraudes e supervisão à medida que sistemas de inteligência artificial assumem novas funções nos serviços financeiros.
Agentes passam a participar de transações, ferramentas de IA ampliam as possibilidades de fraude e novas fontes de dados oferecem alternativas para autenticação e análise de risco.
Para bancos e fintechs, o próximo passo é avaliar quais processos já possuem regras, dados, integrações e responsabilidades suficientes para receber agentes com capacidade de ação.
A análise também precisa considerar os mecanismos de monitoramento, revisão e interrupção necessários para manter a operação dentro dos limites definidos. A capacidade de ampliar a autonomia dependerá das evidências produzidas durante os testes e da consistência dos controles mantidos em produção.
A MATH acompanhou essas discussões no Money20/20, em Las Vegas, e reuniu conversas com executivos brasileiros sobre os caminhos da IA nos serviços financeiros.
Acompanhe a série MATH no Money20/20 e conheça as perspectivas de executivos sobre agentes de IA, pagamentos, governança e os desafios da operação financeira.
Como implementar governança para agentes de IA em bancos?
A implementação começa pela definição do processo e das ações que podem ser delegadas. Em seguida, é necessário estabelecer identidade, permissões, limites de autonomia, políticas de acesso aos dados, monitoramento e mecanismos de aprovação humana. A liberação deve ocorrer após testes proporcionais aos riscos da operação.
Quais são os principais riscos dos agentes de IA em instituições financeiras?
Os principais riscos incluem acesso indevido a informações, execução de ações sem autorização, utilização de dados incorretos, falhas de integração, transações duplicadas e dificuldades para reconstruir decisões. O impacto depende das capacidades concedidas ao agente e da criticidade do processo.
Como monitorar agentes de IA em produção?
O monitoramento deve acompanhar as solicitações, ferramentas utilizadas, permissões, respostas, ações executadas, erros, custos e resultados. Alertas e mecanismos de interrupção ajudam a identificar comportamentos fora do escopo e encaminhar situações críticas para revisão.
Quais normas brasileiras devem ser consideradas na governança de IA financeira?
A análise depende do tipo de instituição e do processo. A LGPD é relevante quando há tratamento de dados pessoais. Normas do Banco Central e do Conselho Monetário Nacional, incluindo requisitos de segurança cibernética e gestão de riscos, também podem ser aplicáveis. A avaliação regulatória precisa considerar as obrigações específicas de cada operação.