FEBRABAN TECH 2026 | PAINEL - Da orquestração à autonomia

Agradeço por estarem aqui e também ter paciência aqui comigo. A sessão de hoje falará sobre a importância de tornar os agentes mais autônomos. O nós vemos que os nossos clientes com dessa perspectiva de serviços financeiros, eles são mais bem assucedidos quando eles têm essas gentes de IA que são mais autônomos. E esperamos compartilhar com vocês esse essa estrutura de como nós tivemos essa experiência com nossos clientes, as melhores práticas a serem consideradas e quando vocês falam de expandir essa questão dos riscos, quando se fala da adoção agêntica no nossos processos. Então, gostaria de destacar que vamos falar brevemente sobre o que os agentes são e estamos definindo com que será essa autonomia. Segundo, veremos a adoção nos serviços financeiros e um pouco da pressão que se coloca quando se fala nessa perspectiva de adoção. E também temos alguns desafios quando se fala de serviço ao cliente para que nós possamos adotá-lo em grande escala, especialmente quando se fala da parte de reclamações dos clientes. E por último pouco como que nós ajudamos nos Estados Unidos os nossos clientes. Então, o que que são esses agentes de A? Nós falamos sobre isso com regularidade, mas aqui temos uma definição. É um software, um sistema que é ou semiautônomo ou autônomo, que está agindo para chegar até um certo objetivo. Não é como vai, podem planejar as ações para chegar lá. E o mais importante de tudo, vai interagir com o ambiente, com as APIs, com os dados, os servidores de CP, outros agentes, podendo fazer interações com tarefas mais complexas. E esse é muito poderoso nos serviços financeiros estamos falando que muito que nós estamos vendo aqui na nossa indústria e expõe também um novo risco de um novo level de risco, porque os agentes precisam ser mais controlados com seus fluxos de trabalho e nós podemos levar isso para toda a organização e precisamos considerar como que isso funciona dentro do contexto de cada organização. Cada caso de uso é diferente, cada gente é diferente. Então, o que é apropriado para um caso, talvez não servirá para outros. Mas conforme nós vemos essa adoção agêntica progredindo, estamos saindo dessa coisas desses processos mais eh baseados em regras para algo que é mais estruturado, autônomo, que tem essa agência que pode ser em nosso nosso favor e também com mais complexidade. Então fica claro que esse objetivo não esteja necessariamente assim acabar com até aqui no outro lado, né? na queremos às vezes chegar até os clientes. Estamos defendendo, por exemplo, os processos que vão ser mais preferidos ou mais previsíveis, mas nós queremos chegar mais até o final dessa linha aqui, devido ao nosso apetit de risco. Aí nós vamos progredir nessa linha ou não? Então aqui nós temos uma conversão, uma conversa top of mind na indústria, porque não podemos discutir os benefícios de transformar a bancabilidade no ambiente financeiro, mas como que nós podemos progredir rápido e gerenciando nossos riscos de governança com processos bem previsíveis que nos ajude a impulsar os nossos negócios. Nós vimos aí a agêntica em produção em todos os casos de uso bancários. Cada um dos nossos clientes colocados aqui nesse slide tem uma aplicação agêntica em produção hoje e os resultados são transformadores. Estamos vendo, por exemplo, numa parte de serviço ao cliente, estamos vendo que os conceitos eles podem fazer a transcrição e também uma detecção de sentimentos para ver o que que nós podemos ajudar nossos clientes e também ajudando por meio de um self service e já ajudando eles como 60% das vezes e podem ajudar os clientes de imediato para que desde a chamada inicial as os as problemas já se resolvam em 2/3. Então isso nos dá um alcance no mercado muito grande. Então temos uma uma magnitude de maior conversão e também quatro vezes mais rápida. Então, esse processo de backofice que ele é facilitado, por exemplo, para o QYIC, o onboarding do cliente, para que nós tenhamos tudo mais previsível e mais eh mais sem problemas durante essa parte de integração e também vamos diminuindo esses custos corporativos e tudo isso por meio da adoção de agêntica. Muitos desses casos de uso, se vocês estão olhando aqui nos últimos três anos, nada é novo para as os clientes de serviços financeiros. É o contrário. Estamos passando bastante tempo para falando de LLM nos últimos anos, não é mesmo? E quando nós falamos sobre a adoção em cada uma dessas áreas, não é uma um LLM eh predisível ou talvez a própria nós queremos que os processos sejam mais previsíveis como parte dos nossos componentes e e ferramentas que nos ajudem a a impulsionar nossas nossas ferramentas de IA. Talvez vocês possam ver que a IA ajude nessa parte da personalização do seu mercado ou talvez sobre a parte de capital. Então nós temos que entender o que vem depois quando se fala das LLM que são previsíveis e tradicionais e as novas capacidades que a Ia nos pode dar, que vai nos permitir transformar o que já é possível. E um pouco também dou um exemplo, por exemplo, de um call center. Nós observamos esse movimento de um um processo muito baseado ou estrutura, assim, o workflows são mais baseados em processos e que agora já usam bastante aí a generativa, porque eles estão entendendo porque que o cliente está ligando para poder já responder a pergunta logo de início. E aqui vocês podem ver os casos de uso aqui, como essa estrelinha e também que nós estamos chegando lá parte aquela autonomia plena que nós falamos e aqui nas duas estrelas nós podemos ver aquele que estão fazendo algumas coisas. Então nós vemos que a tendência é chegar mais perto da autonomia para que nós tenhamos mais valor da empresa e dos clientes também envolvidos. E isso coloca pressão em cima da organização. Nós já sabemos que nossos os de nível C querem muitos investimentos na parte de agêntica. Então com certeza essa pessoal não está esperando que às vezes aí paraa transformer toda a tecnologia, não é? Mas os times de tecnologia estão adotando essas tecnologias rapidamente. Uns 90% dos nossos clientes já têm uma IA generativa em produção e já nesse futuro predisível. Mas é estranho porque se você pergunta o pessoal ou os times de compliance ou de governança se eles estão per se eles estão mais perto de ter essa infraestrutura para lidar com a agente ou se eles estão confortáveis em fazer uma implementação segura, a maioria diz que não chegou lá ainda. Então nós temos essa pergunta e depois vamos voltar aqui depois depois que eu contar uns casos para vocês, mas nós deveríamos nos preocupar se a IA está agindo em nosso nome, por exemplo, se ela está aprovando um um projeto de meio milhão durante o o final de semana, ou talvez, por exemplo, um sinistro de um seguro, como você sabe se você deveria, por exemplo, ficar acordado preocupado com isso ou se isso só deveria ser mais uma forma de você trabalhar tranquilo. Então, o que que funciona? Por que que se importa? Aqui nós temos quatro números que nos ajudam a ver porque que esse é um tópico muito importante. Primeiro, nós temos aqui o o a implementação no número de agentes e a expectação, a expectativa é que vão fazer tomar mais decisões em nosso nome ou por nós uma boa parte do tempo e a oportunidade de transformar esses fluxos de trabalho que vão ajudar os clientes ou os nossos funcionários, na verdade, a melhor servir os nossos clientes, isso daí vai ser muito abrangente. Mas a precisão desses processos ainda pode ser um pouco desafiador, eu diria, porque nós temos, dependendo do caso de uso, nós podemos ter um desafio para a organização. Então eu vou mostrar para vocês como que nós vamos ancorar-nos esses últimos números para que nós possamos dar-nos essa conforto que nos permitirá a ter esses sistemas mais autônomos, porque a precisão nos dá mais confiança e a confiança só estará aqui se nós termos a visibilidade e se nós pudermos entender como essa precisão realmente está sendo impulsionada e por que isso ainda mais importante é para o mercado brasileiro. Porque nós temos um dos bancos digitais com seus sistemas que são os maiores do mundo, com uma grande penetração em aplicações bancárias, infraestruturas de pagamentos em tempo real que funcionam em grande escala. E a virtude desse ecossistema é que ele trabalha realmente de maneira própria. E esses são nós temos também pequenas transações, volumes maiores. A pressão no sistema acaba expondo todas as fraquezas que nós tentamos fazer para prevenir esquemas ou fraudes. Não tem como a gente ver em transação, transação de 80 bilhões por ano. E não tem como você impedir fralde se você pensar que essas coisas são estáticas, se você tem uma regra simples para lidar com isso. Será que o uso da e a generativo vai ser mais sofisticado para lidar com esses desafios todos em toda a indústria? Vamos falar um pouco de escalas, porque essa é uma das áreas que de fato atrai os nossos clientes e pegam eles de surpresa também. Aqui é um exemplo real de um dos provedores de dados que nós temos. Eles têm projetos de IA e são muito precisos. 95 99.5% 5% é positivo. Erros 5%. E quando eles fizeram o piloto, eles fizeram um volume de 100 interações por hora e eles conseguiram lidar com os problemas, mas eles não viram isso como um desafio. Quando eles pensaram em colocar isso em produção, muitas das coisas básicas que eles deveriam ter visto numa perspectiva de escala estavam escondidas. Então esse sistema quando ele entrou em produção, ficou muito óbvio que aqueles passos básicos de criar uma arquitetura nesses pontos e perspectivas de observação estavam faltando. A medida em que eles subiam, realmente não tinha não viam não fazia muita diferença, mas eles não tinham um staff dedicado para isso. você pensar como que você vai trazer aí a generativa para você, se torna muito pesado pra empresa. Aí você tem que fazer algumas pausas e eles tinham pausas demais e não tinha como justificar isso pros reguladores. Eles perceberam também que eles não tinham visibilidade do processo. Em algum momento eles poderiam ter dizer assim: "Olha, a gente tem mais exceções que a gente estava esperando. Como que a gente para esse sistema? Como que a gente sabe que essas exceções estão acontecendo? Eles precisam de visibilidade desde o primeiro minuto. E o mais importante, eles precisam uma trilha de fazer uma inspeção. Eles precisam saber explicar o que está acontecendo, como que está operando em grande escala. Eu posso dar alguns exemplos de como a gente considera para reduzir pelo menos esse desafio de precisão de acurácia. Alguém aqui da indústria financeira sabe das mecanas de defesa que nós temos? Alguém lá na frente que tem que impedir que as coisas mais pesadas cheguem até você? Então, faz uma dupla verificação e a cada algumas semanas você faz expressão, você faz uma auditoria. Então, primeiro o que que você faz? Esses agentes têm que prevenir essas coisas de maneira explícita. Então pensa no número de tópicos que o Maiaá vai poder lhe dar. Ela precisa também compreender onde que ela está operando, da maneira que você tinha intenção. E você pensar na visualização, na visibilidade que você vai ter para as pequenas e médias empresas. Você tem que usar Gen Ia para verificar a qualidade das respostas. A gente usa i porque ela compara qual foi a pergunta que o agente estava tentando responder e comparar isso com a resposta. Aí você vê com agência para assegurar que ele tenha dado respostas relevantes de acordo com as as informações que você tem na sua empresa. Isso pode pegar cerca de 3/4 das alucinações e aí por fim você precisa transformar suas políticas em procedimentos que sejam comprovados e que mostrem como que a sua IA está funcionando. Então, se você tem algo que não deveria acontecer, isso tem que estar no arcabolso tecnológico dessa IA. Então, deixa eu mostrar algumas coisas mais tangíveis aqui. Digamos que um sinistro foi registrado e o cinema tem um limite de R$ 250.000 para qualquer sinistro de qualquer apólice, mas essa daqui entrou de R$ 750.000. Então, as suas regras, o pessoal dali, as regras inteligentes que você tem, pega isso logo de cara, mas vai que alguém eh dividiu esse sinistro em números menores, você não vai seguir essa lógica. Aí passa pro segundo passo. Com a E a generativa lida com os os sinistros e as e as a polólices. Não, essa essa pólice aqui, esse sinistro excede o mínimo que eu tenho, mas esse não é muito bom de matemática, então vai que uma passou ali, furou esse bloqueio e a gente consegue codificar as regras que nós temos e colocar realmente obstáculos para que isso passe. Isso significa significa que nenhum sinistro acima de R$ 250.000 vai passar. Então essa camada de defesa que você tem melhora a sua confiança, porque não é só um pedacinho, uma coisa de tecnologia, você tá usando muitas camadas. Primeiro, a qualidade desse agência, desse agente e a qualidade das camadas que você tem. E depois você tem todos os outros obstáculos que vai ajudar a reduzir as alucinações. Então isso vai te dar confiança que você tá colocando todos os controles em seu devido lugar para ajudar você no seu trabalho. Mas isso é um passo só do processo, né? Uma coisa que a gente aprendeu com os nossos clientes é que eles têm a tendência de testar essa confiança quando eles estão pensando em usar a aplicação de vocês. Então, por exemplo, num processo de que nós temos de hipoteca, então nós temos, eles fazem um testes, digamos assim, para você até que ponto ela vai alucinar ou não. E o básico que você tem no produto bem-sucedido, isso vai aparecer e como que ele vai ser colocado em produção. A gente acredita numa outra abordagem. A gente vê que o teste tem que ser contínuo. Quando você tá avaliando a qualidade do seu agente de IA, você precisa testá-lo continuamente, numa base contínua, para compreender como que esses modelos de fluxo de trabalho funcionam, para detectar quando que os resultados estão se afastando do que você esperava. Então, para você criar essa essa base para quando você lida sua aplicação pela primeira vez, é importantíssimo. E é como a gente faz a governança nos serviços financeiros anteriormente. Não é como que você constrói o modelo, mas sim como que ele opera ao longo do tempo. E aí você tem visibilidade desse trabalho. Isso sim é importantíssimo. Outros benefícios é que te dá mais flexibilidade quando você quando você pensa o quanto de risco você pode colocar no seu fluxo de trabalho. Então nós temos, digamos, um exemplo de 150.000. Se você continua a testar os seus as suas e agênticas e frequentemente você vê o nível de acurácia deles, você consegue determinar se eles estão operando do jeito que você queria, com pouco nível de alucinação, e você consegue melhorar e melhorar esses limites mais rígidos, porque aí você consegue fazer isso tudo sem intervenção humana, porque você confia no processo, porque você testa frequentemente. E aqui nós temos o comprador misterioso que nós temos pros agentes de IA. Ele são agentes de testes. Então no comércio é um agente de IA que testa limites e padrões, mas são relevantes em todos os domínios. E a maneira que você canaliza os resultados com o tempo, ele vai começar a ajustar as regras, te dando mais ou menos flexibilidade, minimizando ou maximizando a sua exposição, mas realmente filtrando o que é necessário. E a habilidade de ser autronomia é você ganhar confiança, é você ver que isso não é estático, ela evolui com o tempo. E é importantíssimo que a gente continue a testar esses temas, porque os modelos que a gente usa hoje não serão usados daqui a 6 meses, porque os provedores vão melhorar a capacidade dos e capacidades deles. A gente vai ver uma latência diferente e eles vão ter um arcabolso diferente para evoluir continuamente e avaliar continuamente esses modelos. Por isso que é tão importante. Então, a questão é onde que você está nessa estrutura, nesta fila de pão? Onde você está? Todos nós estamos aqui, praticamente todos, no primeiro passo, utilizando agentes supervisionados por humanos, aplicações muito pontuais, mas na verdade a gente tá utilizando para você pegar o conhecimento e tomar decisões melhores. E aí, por que que a gente utiliza esses essas e agênticas? a gente pode utilizar para fazer sugestões para um evento pensando nos processos de compliance, por exemplo, investigar algum tipo de lavagem de dinheiro ou fazer um onboarding. Então, essa habilidade de você ter exceções nesse serviço podem ser reduzidas em 80%, simplesmente fazendo uma automação desse processo para permitir que o humano tome essa decisão. Então, realmente, grandes economias ao longo do tempo. E aí nós temos agentes que estão mais cerciados, digamos assim. Eles até podem tomar decisões para você dar recomendações de produtos, servi-los automaticamente quando eles têm uma pergunta sobre a Cama, a câmara deles, melhor dizendo, a conta deles. A interérprete se corrige. Isso são controles que precisam ser colocados para colocar limites, principalmente quando a gente vê na perspectiva de acesso a dados. Mas a nossa meta aqui com o tempo é pra gente ter um sistema totalmente autônomo, onde você confie que o resultado desse processo que essas vias agênticas vão estar fazendo em nosso nome com grande nível de confiança. Então, pra maior parte de nós, realmente a gente está nessa parte aqui, nesse terceiro passo e estaremos realmente num futuro próximo. Mas mesmo nessa habilidade de ter uma eagêntica com grande nível de observação e que eles possam tomar algum tipo de decisão em alta escala com a nossa supervisão, isso pode mudar o impacto de uma empresa. Vou falar um pouco sobre como que a AWS pensa na tecnologia agêntica e a nossa abordagem para construir esses agentes e prover estrutura para você construir essas aplicações. Nós chegamos um pouco mais tarde no mercado do que grande parte dos provedores para colocar uma plataforma agêntica. Parte disso é que nós demos um passo para trás, pensamos quem é o nosso cliente. E o mais importante aqui foi que a segurança dessa plataforma e também a privacidade de dados, bom, nós sabíamos que era um bem não negociável, principalmente quando a gente fala de serviços financeiros. Nós precisamos assegurar que se a gente vai colocar para rodar um grande modelo de linguagem, um LLM, os dados que estavam sendo utilizados nos prompts ficariam na nossa conta. A informação que estava aprendendo sobre a sua empresa ficaria com você, tá? assim como uma propriedade intelectual do que você faz, que está restrita à sua conta, no seu segmento, na sua, no sua sessão com a AWS. Então, do ponto de vista de segurança, nós acreditamos piamente que nós precisamos de segurança não só para todos os participantes, mas pra plataforma em si. E na nossa visão, na visão atual dessa dessa plataforma agêntica, ela é totalmente encriptada. não tem nenhum tipo de inferência, é uma infraestrutura que provém confiança e confiança pros nossos clientes. Segundo, era uma plataforma. Então, você ligar, você colocar um LLM é um passo desse processo. Você tem que ter uma plataforma que vai prover habilidade pros nossos clientes para que eles construam uma aplicação de IA que seja segura e confiável. Então nós colocamos, nós chamamos de guard rails, esses obstáculos, esses limites, para pensar, se alguém fizer uma pergunta, como eles vão responder e quais são as políticas que devem ser seguidas nessas respostas. Não importa que tipo de de IA você usa, nós nos asseguramos que esses controles que nós temos vem dos nossos provedores. E aí, por fim, o a escolha desse modelo realmente era importantíssima. Nós fizemos uma mudança tão grande nos últimos anos no mercado. Os mercados não só melhoraram muito, a economia de diversos parâmetros e tamanhos mudaram muito o custo, mas a gente vê a disponibilidade desses modelos abertos de IA. Aí nós compreendemos que à medida que nós prosseguimos, o ponto chave para ter um sistema afetado ou que afete a economia é você ter um modelo correto no momento certo pra pessoa certa, pro local certo. E para ser isso, para que isso seja mais importante de tudo, essa ideia, então toda a inovação que está acontecendo no setor, ela está sempre em mudança. Então, mesmo que seja eh nós pensamos no relacionamento com essa IA, nós sabemos que há muitas opções e os nossos clientes devem ter acesso a elas. E nós pensamos disso na perspectiva da ia generativa, o cork que nós temos, eh, nós podemos criar agentes. Quando nós temos essa essa fundação que cria os guard rails, os limites, como eu falei, eles vêm com regras inteligentes que você pode adaptar para tópicos, você pode utilizar IA generativa para fazer uma uma checagem e você ela vem com uma lógica para você para que seja bastante razoável e você usa os IA para fazer a verificação e a gente consegue reduzir as alucinações em 99%. Na perspectiva de IA, nós sabemos que na perspectiva do de um agente, você tem agente de segurança e você precisa saber o que eles estão fazendo. Você tem que dar visibilidade pro que eles estão fazendo, como que eles estão operando na sua base, na sua baseline, e como que você faz a avaliação disso tudo. e também como que a gente faz uma plataforma que seja consistente pros nossos clientes, que provenha a identidade, que identifica quem construiu um agente, quem está trabalhando em nome deles, como que a gente faz a observação e o login de maneira consistente. Então, não importa que modelo você usa, a gente consegue prover todas as ferramentas para que você consiga mover com as suas aplicações, não só de um protótipo, mas também numa produção e de uma maneira segura. Então, nós temos cinco questões pra gente começar a pensar. Então, como que você vai fazer a arquitetura da sua IA, a sua plataforma de generativa e de agêntica? Você sabe o que os seus agentes estão fazendo? você consegue pará-los quando você quiser. Aqui nós temos um showcase, nós temos uma estrutura. Então, será que os engenheiros eles estavam trabalhando de fato com isso? Eles conseguiam detectar se um agente não estava se comportando como deveria, então você encontra e elimina. Então, não só isso dá um um poder para você ter resultados mais precisos, mas na perspectiva de operações financeiras é muito poderoso você ver quando um agente não está comportando da maneira que você que ele deveria e você pode utilizar mais tokens e eliminá-lo. Da perspectiva de segurança, você sabe o que cada um dos seus sistemas tem permissão para fazer? Então, como que você lida com essa perspectiva? Então, todo agente tem que lidar com uma identidade seja constrita, que ela seja limitada para que ele você sabe o que ele está fazendo. Então você limita explicitamente. Então que dados eles podem acessar, que tipo de serviço eles podem utilizar. Então, é habilidade de ter um portal que ajude a você a reforçar ali a identidade. Então isso é importantíssimo. Você está fazendo as mensurações de maneira contínua e precisa da sua IA? Uma vez só não funciona. Naquele ambiente, as ferramentas mudam, a qualidade, os dados mudam. Então isso tem que ser um processo contínuo. E por fim, quando nós pensamos no impacto que permite que aos agentes das decisões que os agentes tomam em nosso nome, isso não é uma pergunta estática. Quando nós mencionamos a performance dos nossos sistemas, o nosso conforto com o risco tem que mudar. ou ele pode ser amplo ou ele tem que ser restrito. Então, gestão de risco realmente é um processo contínuo e dinâmico e tem que ser gerido dessa forma. E aí, por fim, agora quando a gente pensa onde que você está nessa jornada e se você não tem certeza, você não sabe como galgar esses degraus, pensa solucionar aquelas duas primeiras perguntas. vai te dar confiança na estrutura que você tem para que você consiga habilitar outras eh aplicações. Então, nós temos três lições de casa aqui antes da gente terminar. Primeira, construa todos os controles antes de você escalonar o seu trabalho. Então, penso que os meus clientes têm tantos pilotos em andamento de diferentes grupos, diferentes equipes. É um baita desperdício de recurso para você reinventar os controles todo dia, toda hora. Essa é uma área onde a gente centraliza o controle na organização para ter o as todas as alavancas diferenciadas para que eles focam nos resultados de business. É extremamente importante para escalonar. Depois pensa sobre o seu repetido de risco quando você fala da Iagênica. Quais são os casos de uso que você vai tornar mais autônomo e aqueles que você quer que seja mais estruturado? Temos que entender não só o risco financeiro, mas também o risco reputacional, que também é muito importante na área. E e nós isso deve acontecer antes que ela vá paraa produção e não depois. E depois a automa a autonomia ela é ganhada. Você dá controle a quando elas te dão essa confiança, né, um crédito que elas ganham, como se fosse uma relação com uma pessoa, né? você ganha confiança dos seus colegas ao longo do tempo e os agentes deveriam ser assim também. Então, bom, vocês perderam alguma coisa aqui aí. E se eu tiver os guard rails estabelecidos e as políticas também evitarem isso? Se o risco for muito alto? Bom, e agora? Se eu aprendi ao longo do tempo que meus sistemas são precisos o suficiente para produzir esse tipo de resultados, olha lá, eu ficaria cômodo com a situação, mas nós temos que trabalhar com antecedência, não é uma coisa que nós queremos responder depois que as coisas vão aparecer em produção. Então, agradeço muito tempo pela sua presença hoje. Se vocês tiverem qualquer pergunta, eu vou ficar na stand W da WS e agradeço mais uma vez por estarem aqui.