IA em operações financeiras: como preparar agentes inteligentes para ambientes críticos

Primeiro vieram os chatbots, os copilotos e os modelos generativos capazes de produzir textos, códigos e análises com velocidade. Mas é agora que o teste decisivo começa.

Essas tecnologias estão entrando em operações que movimentam dinheiro, influenciam decisões de crédito, acessam dados sensíveis e afetam o relacionamento com clientes. Com essa mudança, contexto, governança, supervisão humana e qualidade dos dados orientam a arquitetura da solução.

Em uma operação financeira, por exemplo, um erro pode comprometer a experiência do cliente, ampliar a exposição jurídica, contrariar políticas internas ou produzir perdas difíceis de rastrear.

Um incidente divulgado pela OpenAI e pela Hugging Face, em julho de 2026, tornou esse risco mais concreto. Durante uma avaliação interna de capacidades cibernéticas, modelos identificaram e combinaram vulnerabilidades entre o ambiente de pesquisa da OpenAI e a infraestrutura de produção da Hugging Face, obtendo respostas de testes diretamente de um banco de dados.

O episódio ocorreu em condições específicas, com proteções reduzidas para fins de avaliação. Ainda assim, mostrou que agentes com acesso a ferramentas podem ultrapassar os limites previstos quando autonomia e falhas de infraestrutura se encontram. A OpenAI informou que o caso motivou a revisão dos mecanismos de isolamento, monitoramento e segurança usados nas avaliações.

Esse é um sinal de alerta para setores críticos como o financeiro. Quanto maior a capacidade de um agente para consultar sistemas, interpretar informações e executar ações, mais claras precisam ser suas permissões, seus limites e as formas de interromper uma decisão.

Escolher o modelo, portanto, representa apenas uma etapa. A operação também precisa definir o que a IA pode fazer, quais evidências devem ser registradas e quando uma pessoa deve assumir o controle.

O que muda quando a IA entra em operações financeiras?

Quando a inteligência artificial entra em operações financeiras, a qualidade do modelo deixa de ser o único critério relevante. A solução também precisa contar com dados confiáveis, permissões bem definidas, supervisão humana, rastreabilidade e mecanismos capazes de interromper ações inadequadas. Esses controles permitem usar IA em escala sem perder a capacidade de compreender, revisar e responsabilizar cada decisão.

Como preparar a IA para operações financeiras críticas

Modelos de linguagem produzem respostas probabilísticas, enquanto operações financeiras trabalham com regras, responsabilidades e critérios verificáveis.

Essa diferença deve ser considerada na construção da arquitetura.

Em uma conversa com um cliente, uma recomendação inadequada pode afetar a confiança na instituição. Já em uma análise de crédito, dados incompletos ou interpretados fora do contexto podem distorcer a avaliação. Em processos relacionados a fraude, compliance ou contencioso, uma ação incorreta pode gerar impactos financeiros e regulatórios.

A qualidade do modelo é apenas uma parte da análise. Uma operação preparada para utilizar IA também considera:

• a origem, a integridade e a atualização dos dados;
• a integração entre sistemas corporativos;
• as permissões concedidas aos agentes;
• os mecanismos de validação anteriores à execução;
• o registro das informações consultadas e das ações realizadas;
• os critérios de encaminhamento para profissionais humanos;
• o monitoramento contínuo de comportamento, custo e resultado.

O modelo ocupa uma camada dentro de uma estrutura mais ampla. Quando os controles ao redor são frágeis, tecnologias avançadas podem ampliar erros, acelerar decisões inadequadas e dificultar a identificação da causa.

Um relatório publicado pelo Fórum Econômico Mundial, em junho de 2026, apontou que as instituições financeiras avançam da experimentação para a adoção de IA em escala. Nesse processo, confiança, governança e supervisão humana se tornam critérios centrais para sustentar a expansão.

A transição do piloto para a produção depende da consistência da operação em milhares de interações, e não apenas de uma demonstração isolada de capacidade.

Governança de IA no setor financeiro precisa funcionar dentro da operação

Governança de IA costuma ser associada a políticas, comitês e documentos. Esses elementos continuam relevantes, desde que sejam convertidos em controles técnicos e operacionais.

Em um sistema com agentes, a governança determina uma série de regras, como quais dados podem ser acessados, que sistemas podem ser acionados e quais registros devem ser preservados para auditoria.

Em 2026, o Banco de Compensações Internacionais analisou como autoridades financeiras estão estruturando expectativas para o uso de dados em sistemas de IA. O estudo destaca a importância de critérios relacionados a qualidade, origem, privacidade, documentação e responsabilidade à medida que essas tecnologias chegam às atividades centrais das instituições.

Esse cuidado é especialmente relevante em modelos generativos, considerando que uma resposta pode parecer coerente mesmo quando se apoia em informações incompletas, desatualizadas ou inadequadas para determinado contexto.

A governança atua em três momentos:

• na seleção das fontes;
• nos limites aplicados durante a execução;
• nos registros preservados após a ação.

Sem essa estrutura, a empresa até pode identificar que houve um erro, mas terá dificuldade para descobrir qual informação foi consultada, que regra orientou a decisão e onde o processo se desviou.

Como incorporar a supervisão humana à arquitetura de IA

A ampliação da autonomia dos agentes também modifica o papel das pessoas. Nas primeiras iniciativas de automação, a supervisão costumava ocorrer antes da execução. As regras eram configuradas, os fluxos testados e o sistema repetia ações previamente determinadas.

Mas os agentes inteligentes têm muito mais autonomia. Eles podem interpretar objetivos, escolher ferramentas, consultar fontes e decidir quais etapas executar. Por isso, parte do controle precisa ocorrer durante a operação.

Isso não significa manter uma pessoa acompanhando cada interação. Em ambientes de grande escala, a supervisão deve ser incorporada à arquitetura em pontos específicos, como limites de valor, alertas, amostragem, análise de anomalias e encaminhamento automático de exceções.

A participação humana ganha relevância quando:

• os dados disponíveis são insuficientes ou contraditórios;
• a decisão envolve valores ou riscos acima do limite definido;
• o comportamento do agente se afasta do padrão esperado;
• uma solicitação envolve exceções às políticas;
• a ação pode gerar impacto jurídico, regulatório ou reputacional;
• não há evidências suficientes para justificar a decisão.

Os reguladores financeiros já estão levantando essa questão. Em junho de 2026, uma autoridade do Banco da Inglaterra afirmou que sistemas autônomos aplicados a negociações financeiras podem precisar de mecanismos de interrupção semelhantes a circuit breakers.

O objetivo seria conter comportamentos capazes de ampliar instabilidades no mercado. A discussão também reforçou a necessidade de manter uma responsabilidade humana identificável sobre as decisões desses sistemas.

Qualidade de dados em IA: como afeta as decisões financeiras

Um agente pode interpretar linguagem natural, combinar informações e construir recomendações sofisticadas. O resultado, porém, continua limitado pelos dados disponíveis.

No setor financeiro, os principais problemas incluem:

• cadastros incompletos;
• informações divergentes entre sistemas;
• dados desatualizados;
• taxonomias inconsistentes;
• ausência de contexto sobre produtos e clientes;
• regras de negócio preservadas apenas no conhecimento das equipes;
• dificuldade para reconstruir a origem de uma informação.

Quando essas fragilidades chegam ao modelo, a IA acelera interpretações construídas sobre uma base inadequada.

Projetos aplicados a operações críticas precisam começar pelo mapeamento das fontes, das regras e das relações entre os dados. O objetivo é permitir que o agente encontre a informação correta, no momento adequado e com o contexto necessário para utilizá-la.

Um caso da MATH mostra como esse princípio aparece na prática. Em uma operação de financiamento de veículos, as áreas de mídia, produto e crédito trabalhavam com leituras diferentes sobre a qualidade dos leads.

A integração dos dados incorporou a taxa de propostas negadas às decisões de aquisição, reduziu o CAC anual em 12% e criou um padrão de governança para a qualificação dos contatos.

O resultado veio da conexão entre dados, regras de crédito e decisões de mídia antes analisadas de forma fragmentada.

Rastreabilidade de IA transforma decisões em evidências

Em operações críticas, é necessário compreender como as decisões são construídas.

Rastreabilidade significa registrar as fontes consultadas, as regras aplicadas, as ações executadas e as intervenções humanas.

Essa estrutura permite:

• investigar comportamentos inesperados;
• comparar decisões com as políticas da instituição;
• identificar dados incorretos ou desatualizados;
• responder a auditorias;
• corrigir falhas sem reconstruir todo o processo;
• demonstrar por que determinada ação ocorreu.

A importância dessa camada aparece em outro caso da MATH. Uma instituição financeira precisava transformar logs dispersos em evidências técnicas confiáveis para processos cíveis. A nova arquitetura de rastreabilidade elevou em 81% a eficiência nas reversões e contribuiu para recuperar R$ 36 milhões em perdas.

Esse projeto demonstra uma condição essencial para o uso de IA em operações financeiras: decisões só podem ser auditadas quando a organização preserva evidências consistentes sobre o processo.

Com registros adequados, a resposta do agente integra um fluxo que pode ser compreendido, revisado e aprimorado.

IA em bancos: como a leitura da intenção gera resultados

Governança e controle também criam condições para que a IA produza resultados com maior precisão.

Em uma operação bancária atendida pela MATH, a análise da experiência digital estava organizada por páginas, eventos e etapas isoladas. Essa estrutura dificultava a identificação do objetivo que o cliente tentava concluir.

A reorganização da jornada a partir da intenção reduziu o tempo médio de conclusão de 1 minuto e 46 segundos para 44 segundos, diminuiu os cliques de 13 para 5 e elevou a conversão de 8% para 19%. O ganho incremental estimado chegou a R$ 16,4 milhões por ano em uma única frente analisada.

O caso prova que, quando sistemas, métricas e decisões são organizados ao redor da intenção do cliente, a tecnologia contribui de forma mais relevante para a operação.

O mesmo princípio se aplica aos agentes. Antes de conceder autonomia, a empresa precisa definir o objetivo que será perseguido, os sinais que podem orientar as decisões e os limites que devem ser preservados.

Conclusão

Toda IA parece inteligente quando responde a uma pergunta isolada em um ambiente controlado. O teste decisivo ocorre quando essa resposta entra em um processo que movimenta dinheiro, afeta clientes e precisa ser explicado posteriormente.

Nesse cenário, a capacidade do modelo representa apenas parte da vantagem. O restante está na arquitetura construída ao seu redor, onde cada fator tem sua função.

A governança define os limites, os dados oferecem contexto, a rastreabilidade preserva evidências, a supervisão humana trata as exceções e o monitoramento identifica desvios de comportamento.

Em operações financeiras, a IA precisa funcionar diante de dados incompletos, mudanças de contexto e decisões com consequências reais. É nesse ponto que a tecnologia sai da demonstração e encontra a operação.

A MATH apoia empresas na integração entre dados, tecnologia, processos e governança para levar soluções de inteligência artificial à produção com controle e impacto mensurável.