Depois de anos sendo aplicada em modelos estatísticos, automação de processos e chatbots, a tecnologia entrou em uma nova fase com a popularização da IA generativa e, mais recentemente, dos agentes autônomos. A diferença está na capacidade de fazer mais do que responder.

Os novos sistemas conseguem interpretar informações, organizar documentos, identificar padrões, produzir recomendações e, em determinados ambientes, executar etapas de um processo. Na prática, isso começa a alterar não apenas a relação das instituições financeiras com seus clientes, mas também a forma como seus próprios funcionários trabalham e como seus produtos são desenvolvidos.

Essa transformação ficou evidente nas discussões do Febraban Tech 2026, que consolidou os agentes inteligentes como uma das principais frentes da agenda de tecnologia do setor. A discussão se concentrou em como redesenhar processos inteiros a partir dela.

Durante anos, a digitalização do sistema financeiro foi marcada pela migração de serviços físicos para canais digitais. Filas deram lugar a sites, depois a aplicativos, e boa parte das operações passou a ser realizada sem qualquer interação humana. Agora, a próxima etapa dessa transformação pode ser justamente a redução da importância dessas interfaces.

Ao mesmo tempo em que a IA começa a mudar a experiência do cliente, ela também atua nos bastidores, reduzindo o tempo necessário para desenvolver software, analisar documentos, tratar reclamações, avaliar riscos e identificar operações potencialmente fraudulentas.

Para o setor financeiro, portanto, é uma discussão sobre eficiência operacional, arquitetura de software e capacidade de escalar.

IA Generativa e Conversational Banking

A evolução dos canais digitais criou aplicativos cada vez mais completos. Em uma mesma plataforma, o cliente pode consultar sua conta, fazer transferências, contratar crédito, pagar contas, investir e acessar dezenas de outros serviços. Mas existe um limite nessa lógica, quanto maior o número de funcionalidades, maior também pode ser a complexidade para encontrar aquilo que se procura.

A inteligência artificial generativa abre uma possibilidade diferente. Em vez de navegar por menus e procurar determinada funcionalidade, o usuário pode simplesmente explicar o que deseja fazer. Essa é a ideia do Conversational Banking.

Uma pessoa pode pedir que uma transferência seja realizada, perguntar sobre uma determinada modalidade de crédito ou solicitar uma explicação sobre seus próprios gastos utilizando linguagem natural. A IA passa a funcionar como uma camada de interação entre o cliente e a infraestrutura financeira.

Esse movimento é frequentemente descrito como uma “desmaterialização” dos aplicativos. O app continua existindo, mas deixa de ser necessariamente o principal elemento da experiência. A interface passa a ser a própria conversa. O desafio, entretanto, é muito maior do que colocar um modelo de linguagem conectado a uma conta bancária.

Em aplicações convencionais, uma resposta incorreta pode gerar apenas uma experiência ruim. Em uma operação financeira, uma interpretação errada pode resultar em uma transação equivocada, uma recomendação inadequada ou uma violação de uma regra. Portanto, o custo da alucinação é muito maior.

É por isso que a arquitetura por trás do IA Generativa e Conversational Banking precisa combinar a capacidade interpretativa dos modelos com mecanismos determinísticos de validação. A inteligência artificial pode entender a intenção do usuário, mas a execução de uma operação financeira precisa estar submetida a regras, autenticação, limites, permissões e verificações independentes do modelo.

Essa distinção tende a ser uma das mais importantes na evolução do setor: permitir que a IA seja flexível na interpretação sem tornar flexível aquilo que precisa ser controlado.

Agentes de IA no setor financeiro passam da recomendação para a execução

Se a IA generativa mudou a forma como as pessoas interagem com sistemas, os agentes de IA começam a mudar a forma como os próprios sistemas executam tarefas.

Um agente pode receber uma solicitação, interpretar o objetivo, buscar informações em diferentes fontes, analisar documentos, utilizar ferramentas e avançar pelas etapas necessárias para concluir determinado processo. No mercado financeiro, isso abre espaço para aplicações bastante diferentes entre si.

Um agente pode analisar uma documentação necessária para uma operação de câmbio, consolidar informações para um analista de crédito, identificar inconsistências em uma solicitação, preparar uma contestação relacionada a uma fraude ou auxiliar uma equipe na análise de risco.

Em determinados fluxos, tarefas que levavam dezenas de minutos podem ser reduzidas a poucos minutos. Em processos mais complexos, a utilização de IA já permite reduzir ciclos que anteriormente levavam meses para períodos de semanas ou até dias.

O ganho, nesse caso, não vem apenas da velocidade do modelo. Ele acontece porque a tecnologia consegue assumir uma sequência de tarefas que anteriormente dependia de diferentes sistemas e da intervenção manual de um funcionário. É esse movimento que está dando origem ao conceito de arquitetura agêntica e automação.

Em vez de pensar na IA como uma ferramenta isolada, as instituições começam a incorporá-la à própria arquitetura dos produtos. O agente passa a se conectar a APIs, bancos de dados, sistemas internos e mecanismos de decisão, funcionando como uma camada capaz de interpretar informações e movimentar processos.

AI Apps e a automação de tarefas especializadas

Outra característica dessa nova arquitetura é a especialização. Em vez de criar uma inteligência artificial responsável por todas as tarefas de uma instituição, é possível desenvolver agentes voltados para funções específicas. Um sistema pode ser responsável por leitura documental; outro, por análise de dados; outro, pela preparação de relatórios; outro, por uma determinada etapa de uma operação.

Essa abordagem permite que a IA seja incorporada gradualmente às operações, com escopos de atuação bem definidos. É uma evolução importante também para os times de tecnologia.

Ferramentas de IA já conseguem auxiliar desenvolvedores na geração de código, criação de testes, documentação, análise de bases existentes e refatoração. Em experiências do setor, ganhos de produtividade próximos de 50% já foram registrados em determinadas atividades de desenvolvimento.

O impacto mais relevante, porém, não está necessariamente em produzir mais linhas de código. Está em reduzir o tempo que profissionais altamente especializados precisam dedicar a tarefas repetitivas para que possam concentrar seu trabalho em arquitetura, segurança, produto e decisões técnicas.

Isso muda o ciclo de desenvolvimento de produtos financeiros. Com menos tempo gasto em atividades operacionais, as equipes conseguem testar mais hipóteses, corrigir problemas mais rapidamente e colocar novas soluções em produção em ciclos menores.

Human-in-the-Loop continua sendo parte da arquitetura

A maior autonomia dos agentes traz uma questão inevitável: até onde uma inteligência artificial deve poder decidir e executar sozinha?

A experiência que começa a se consolidar é de sistemas capazes de realizar grande parte de uma tarefa, mas que mantêm mecanismos de supervisão para situações que envolvem risco, exceção ou necessidade de julgamento.

É o modelo conhecido como Human-in-the-Loop. Um agente pode analisar milhares de documentos e encaminhar apenas aqueles que apresentam inconsistências para um especialista. Pode identificar uma transação fora do padrão e interromper a operação para validação. Pode preparar uma recomendação de crédito sem ser o responsável final pela decisão.

A lógica é diferente daquela de uma automação tradicional. Em um processo automatizado convencional, cada etapa precisa ser previamente programada. Em uma arquitetura agêntica, o sistema pode interpretar o contexto e determinar quais ferramentas ou etapas precisam ser acionadas, mas continua operando dentro de limites definidos pela engenharia.

Isso permite combinar velocidade de execução com responsabilidade humana. A autonomia, nesse contexto, não é ausência de supervisão. É permitir que o sistema execute aquilo que está autorizado a executar e encaminhe para uma pessoa aquilo que exige julgamento.

Prevenção a fraudes com IA: mais dados, mais contexto e decisões em tempo real

A prevenção a fraudes é outra área em que a inteligência artificial começa a produzir mudanças importantes.

Os mecanismos tradicionais de segurança continuam fundamentais, mas a análise baseada exclusivamente em regras pode ter dificuldade para acompanhar comportamentos cada vez mais complexos.

Uma transação pode parecer normal quando analisada isoladamente. Quando comparada ao comportamento histórico daquele usuário, entretanto, ela pode apresentar sinais de anomalia. Alguns critérios como valor, horário, frequência, dispositivo, destinatário, localização e comportamento transacional podem ser analisados em conjunto para identificar situações fora do padrão. Prevenir fraudes com IA permite ampliar essa capacidade de análise.

Em vez de simplesmente procurar uma regra específica que foi violada, os modelos conseguem trabalhar com grandes volumes de dados e identificar relações que não seriam evidentes em uma análise manual.

O objetivo também não é bloquear o maior número possível de operações. Um sistema antifraude excessivamente “criterioso” pode criar outro problema: impedir transações legítimas e aumentar a fricção para o cliente. A eficiência está em encontrar um equilíbrio entre proteção e aprovação, identificando situações de risco sem transformar cada comportamento incomum em uma suspeita de fraude.

A IA pode atuar ainda em processos posteriores, como a análise de contestações. Em experiências recentes do mercado, o tempo necessário para analisar reclamações relacionadas a fraudes chegou a ser reduzido em até 90%.

Nesse cenário, o ganho de produtividade não precisa necessariamente reduzir pessoas, mas permitir que a mesma equipe processe um volume maior de casos e concentre sua atenção nas situações que realmente precisam de análise humana.

O impacto da IA acontece, principalmente, da porta para dentro

Apesar de a experiência conversacional ser uma das manifestações mais visíveis dessa transformação, grande parte do impacto econômico da IA acontece nos bastidores. É ali que estão processos que historicamente consumiram horas de trabalho especializado: leitura e resumo de documentos, elaboração de relatórios, análise de dados, desenvolvimento de software, avaliação de risco, tratamento de reclamações e operações administrativas.

Quando esses processos são acelerados, a mudança pode não ser percebida imediatamente pelo consumidor, mas ela, com toda certeza, aparece na capacidade operacional da instituição.

Uma equipe que consegue analisar mais casos no mesmo período, desenvolver um produto em menos tempo ou processar uma operação complexa em poucos minutos aumenta sua capacidade sem necessariamente aumentar sua estrutura na mesma proporção.

A eficiência não deve ser medida apenas pelo tempo economizado em uma tarefa. O indicador mais relevante é o impacto desse ganho sobre o processo como um todo: quantas operações adicionais podem ser processadas, quantos erros deixam de acontecer, quanto tempo é devolvido às equipes e qual é o resultado financeiro produzido por essa capacidade adicional. É essa visão que transforma IA de ferramenta experimental em infraestrutura operacional.

O próximo passo será construir sistemas que entendem o contexto

A primeira grande transformação digital do setor financeiro colocou os serviços bancários no computador, a segunda levou esses serviços para o celular. A próxima pode ser fazer com que o cliente deixe de pensar em qual aplicativo precisa abrir ou em qual funcionalidade precisa encontrar, para que ele apenas diga o que precisa.

Por fim, a inteligência artificial está mudando a relação entre pessoas, software e processos. O futuro da tecnologia financeira não será definido pela quantidade de tarefas que uma IA consegue executar sozinha, mas pela qualidade dos sistemas construídos para permitir que humanos e agentes trabalhem juntos.

É essa combinação entre liderança humana, inteligência artificial e engenharia de alta performance que pode determinar a próxima geração de produtos financeiros.

E construir essa infraestrutura, cada vez mais segura, escalável e preparada para operar com inteligência desde a sua arquitetura, é o papel que a Blockfy escolheu assumir.