Poucas tecnologias entraram tão rápido na pauta dos conselhos de administração quanto os agentes de IA. No setor financeiro, a velocidade tem explicação: com as margens cada vez mais apertadas, o custo operacional passou a definir a competição, e a tecnologia alcançou as atividades centrais do negócio.
Neste artigo, Hernani Cezario, Diretor de Contas Estratégicas da Keyrus, mostra onde os agentes de IA geram mais valor no setor financeiro, quais casos de uso priorizar, quais riscos exigem atenção em governança e compliance e o que separa uma adoção estratégica das iniciativas que apenas seguem o mercado.
Por que os agentes de IA ganharam relevância agora
A consolidação dos bancos digitais elevou a competitividade do setor a um patamar em que ganhos de eficiência deixaram de ser diferencial e viraram condição de sobrevivência. Durante anos, essa busca se concentrou nas atividades acessórias: rotinas repetitivas, conferências e movimentações entre sistemas foram entregues a automações e digital workers.
A evolução recente dos grandes modelos de linguagem (LLMs) e, principalmente, o desenvolvimento de modelos específicos (SLMs) romperam essas fronteiras. Atividades core do negócio financeiro, como análise de crédito, prevenção a fraudes, monitoramento de riscos e suporte à decisão, já são executadas ou semiautomatizadas por agentes de IA desenhados para um propósito específico dentro do processo.
Essa mudança tira a discussão do campo da experimentação genérica e a coloca no território que interessa ao negócio: quanto valor esses agentes entregam e a que custo.
Eficiência operacional e prevenção de riscos lideram o potencial de valor
Os agentes de IA já demonstram ganho de produtividade em praticamente todas as frentes do setor, da experiência do cliente ao apoio à decisão. Mas o retorno não se distribui de maneira uniforme.
Na avaliação de Hernani Cezario, eficiência operacional e prevenção de riscos concentram o maior potencial hoje, por uma razão objetiva: a velocidade com que os agentes cruzam múltiplas fontes de dados, somada à atuação ininterrupta, 24 horas por dia, torna o cálculo de ROI dessas aplicações direto e defensável diante de qualquer comitê.
Em prevenção a fraudes e monitoramento de transações, cada minuto de antecipação tem preço conhecido. Em processos operacionais, o tempo recuperado se converte imediatamente em redução de custo. São frentes em que o impacto chega ao resultado financeiro e pode ser medido com precisão, além de se refletir na percepção dos usuários.
Por onde começar: os casos de uso certos
Saber onde está o valor não basta. A escolha do primeiro caso de uso define boa parte do destino da iniciativa, porque é ela que constrói ou destrói a confiança interna na tecnologia.
Os melhores pontos de partida reúnem três características: atividades repetitivas, escopo bem definido com poucas variáveis interpretativas e alto consumo de tempo do colaborador humano. Conciliações, triagem de documentos, extração de dados de contratos e classificação de solicitações são exemplos típicos no ambiente financeiro.
Nessas condições, o agente entrega consistência desde o início, o ganho é fácil de medir e a organização acumula repertório para avançar com segurança para aplicações mais complexas.
ROI é o que separa estratégia de hype
Antes de qualquer implementação, três perguntas precisam de resposta: o que exatamente o agente deve entregar, qual dor de processo ele resolve melhor ou mais rápido do que o humano e qual o retorno esperado do investimento.
O diretor da Keyrus acompanhou empresas que implementaram IA sem fazer essa conta e descobriram, na prática, que o molho saiu mais caro do que a massa. O custo de execução dos agentes é recorrente e cresce com o uso. Sem uma relação clara entre valor gerado e custo de operação, a iniciativa se transforma em despesa difícil de justificar no orçamento seguinte.
Adoção estratégica, portanto, depende de critério, independentemente de quem chega primeiro: caso de uso certo, métrica definida e retorno calculado antes de escalar.
Governança, LGPD e guardrails exigem atenção redobrada
O setor financeiro opera sob exigências regulatórias que tornam a implementação de guardrails mais crítica do que em qualquer outro segmento. Qualidade dos dados consultados, conformidade com a LGPD, interpretação parcial das informações e, sobretudo, o risco de recomendações equivocadas pedem controles desenhados desde a concepção da solução.
Um caso relatado a Hernani Cezario por um gestor de uma das maiores instituições do mercado brasileiro ilustra o tamanho do risco. Em fase de testes, um chatbot respondeu de forma impecável a uma pergunta sobre previdência privada. A resposta, porém, havia sido construída com base nas informações de um fundo de previdência privado específico. Em produção, aquele texto bem escrito poderia virar recomendação indevida ao cliente, com consequências regulatórias e reputacionais sérias para a instituição.
O episódio resume o desafio: em finanças, uma resposta tecnicamente perfeita pode ser, ao mesmo tempo, uma violação de compliance. Validação de fontes, trilhas de auditoria e limites explícitos de atuação do agente são, por isso, condição para operar.
O erro de arquitetura que cobra juros depois
Quando projetos de agentes fracassam, o problema costuma estar nas decisões de arquitetura e plataforma tomadas no início, quase sempre pensadas para resolver um único desafio. Meses depois, a fatura chega na forma de custo elevado de manutenção e de uma solução incapaz de escalar para novos casos de uso.
A esse vício estrutural se soma um vício de origem: iniciativas movidas apenas pelo entusiasmo do mercado, sem dor de negócio clara, tendem a falhar. O atalho tomado para mostrar resultado rápido cobra juros altos quando a solução precisa crescer.
Dados com dono: a base que sustenta agentes seguros
Para que agentes de IA operem com segurança no setor financeiro, três condições precisam estar resolvidas na camada de dados.
A primeira é disponibilidade. O agente precisa acessar a informação mais atualizada possível, na velocidade que o processo exige. Dado defasado produz decisão defasada, e em finanças isso tem custo direto.
A segunda é confiabilidade, e aqui está um princípio central de governança: todo dado utilizado por um agente precisa ter um dono definido. Quando uma decisão é tomada com base em uma informação, alguém da organização responde pela integridade dela, e essa responsabilidade pertence sempre ao owner do dado, nunca podendo recair sobre o agente.
A terceira é a proteção de dados sensíveis. Em linha com a LGPD, informações dessa natureza devem ser usadas com critério e, sempre que possível, mascaradas mesmo em ambientes fechados, criando uma camada adicional de defesa contra vazamentos.
Human in the loop: autonomia proporcional ao impacto
Resolvida a base de dados, resta definir até onde vai a autonomia do agente. A resposta defendida pela Keyrus é o human in the loop, modelo em que a autonomia é distribuída conforme o impacto de cada ação.
Ações operacionais podem e devem ser executadas de forma autônoma. É nelas que os agentes entregam mais velocidade e consistência. Já as ações estratégicas, ou qualquer decisão capaz de afetar a operação e principalmente o cliente, passam por validação humana.
Um exemplo torna a regra concreta: o agente pode sugerir a aplicação financeira mais adequada cruzando o comportamento do cliente com as condições de mercado, mas a palavra final é sempre humana, porque existem fatores que o modelo pode não ter considerado e que interferem diretamente no resultado. O agente acelera a análise e o humano responde pela decisão.
Os sinais de que a empresa está pronta para acelerar
A maturidade para escalar agentes se mede pela relação da organização com os próprios dados. Conhecimento das bases, governança estruturada e confiança nas informações são os fatores que determinam o ritmo seguro de avanço.
O teste é simples. Instituições onde ainda se discute qual número está certo, onde as áreas desconfiam abertamente dos relatórios ou onde os processos dependem de muita intervenção manual devem ter cautela. Nesses ambientes, o agente herda a fragilidade da base e a amplifica em velocidade e escala. Quando os dados têm dono, qualidade e acesso garantido, o caminho fica mais curto e consideravelmente mais barato.
O que o setor financeiro ainda subestima
Dois pontos seguem fora do radar de boa parte do mercado, na visão do Diretor de Contas Estratégicas da Keyrus.
O primeiro é a capacidade real dos agentes de executar tarefas complexas. Quando recebem o contexto correto, eles entregam assertividade superior e tempo de execução muito inferior ao humano em atividades que muitas instituições ainda consideram impossíveis de automatizar. Subestimar essa capacidade significa ceder vantagem competitiva a quem já a explora.
O segundo é o custo de execução. Agentes mal construídos consomem processamento e chamadas de modelo de forma ineficiente, executando tarefas simples a um preço desproporcional. Engenharia bem feita e monitoramento de custo por tarefa são o que separa um agente que gera retorno de um agente que só gera fatura.
Onde a Keyrus entra nessa conversa
Na Keyrus, agentes de IA para o setor financeiro são tratados como capacidade de negócio, integrada à estratégia de cada instituição. Na prática, isso significa apoiar instituições na priorização de casos de uso com ROI claro, na governança dos dados, no desenho de arquiteturas escaláveis, na implementação de guardrails alinhados à LGPD e na definição dos pontos de supervisão humana ao longo dos processos.
Quer entender onde os agentes de IA podem gerar mais valor na sua operação financeira? Fale com os especialistas da Keyrus e descubra como avançar com estratégia, governança e retorno calculado desde o primeiro caso de uso.