Como adicionar agentes de IA à sua estrutura de risco existente

Última atualização: setembro de 2026

Você tem uma pilha de risco. Levou anos para montar, está sob contrato e funciona bem o suficiente para que a substituição não seja uma conversa que alguém queira ter. Você também está sendo questionado, provavelmente por alguém do conselho, sobre qual é o seu plano de agentes de IA.

Esses dois fatos não estão em conflito, mas a maior parte do material escrito sobre agentes de IA assume que estão. A pergunta útil não é qual dos seus sistemas um agente substitui. É o que um agente precisa dos sistemas que você já opera — e se a sua pilha consegue fornecer.

Isso acaba sendo um problema de integração e propriedade muito antes de ser um problema de modelo. As instituições que estão obtendo valor com os agentes não são as que substituíram a maior quantidade de software. São aquelas que conseguiram dar a um agente contexto suficiente para decidir, um local definido para agir e uma pessoa cujo nome está no resultado.

Resumo (TL;DR)

• Adicionar agentes é, antes de tudo, um problema de integração. O modelo raramente é o limitador.

• Um agente precisa de cinco coisas da sua pilha: contexto, um limite, um local para agir, uma forma de ser avaliado e um proprietário humano nomeado.

• Agentes acoplados individualmente produzem automações desconectadas. O contexto compartilhado é uma propriedade da camada abaixo deles, e não de qualquer agente individual.

• Você não precisa substituir sua plataforma. Os agentes podem rodar como uma camada independente sobre a infraestrutura existente ou como parte de uma plataforma unificada.

• A forma como um agente ganha espaço em produção é rodando em paralelo com seus analistas primeiro. Esse período paralelo não é uma formalidade — é a única coisa que gera evidências de que o agente funciona no seu portfólio.

• A confiança decide isso, não a capacidade. Se uma decisão não puder ser reconstruída posteriormente e aprovada por uma pessoa, a integração não está concluída.

• "Está tudo no Excel" é um ponto de partida comum e não é um fator desclassificatório.

O que a integração de agentes de IA realmente significa para uma equipe de risco

A integração de agentes de IA é o trabalho de conectar um agente aos dados, ao processo e à supervisão dos sistemas que uma instituição já opera — para que ele possa ver o suficiente para decidir, agir onde o trabalho realmente acontece e ser responsabilizado pelo que decidiu.

Essa é uma definição mais estreita e exigente do que a que você encontrará em outros lugares. A maior parte do que se escreve sobre integração de agentes é sobre conectores: ligar um agente a aplicativos de negócios por meio de APIs para que ele possa ler registros e acionar ações. Isso é engenharia real, mas não é a parte difícil aqui.

Para uma equipe de risco, a parte difícil é que uma decisão precisa ser explicável, e não apenas produzida. Um agente que consegue acessar seus dados, mas não consegue registrar as informações de volta no seu gerenciamento de casos, é apenas uma demonstração. Um agente que pode agir, mas não consegue mostrar o que analisou, é um risco. Integração, neste contexto, significa fechar essas duas lacunas ao mesmo tempo.

Por que os agentes falham quando são acoplados um de cada vez

A falha mais comum que vemos não é um modelo fraco. É um conjunto de agentes que não conseguem ver o trabalho uns dos outros.

Instituições que constroem seus próprios agentes tendem a criá-los caso de uso por caso de uso — um agente de triagem de alertas aqui, um agente de extração de documentos ali, cada um com seu próprio acesso e sua própria visão do cliente. Cada um trabalha de forma isolada. Juntos, eles reproduzem exatamente o problema que a instituição estava tentando resolver, que é o fato de nenhuma parte da organização ter a visão completa.

Um oficial do BSA descreveu a consequência em uma única frase: "A equipe de concessão de crédito não sabia, e nós ficamos presos com o empréstimo." Isso não é um problema de IA. É o problema que a IA deveria ajudar a resolver, e um agente acoplado de forma isolada acaba herdando o problema em vez de corrigi-lo.

Há uma segunda falha que vale a pena mencionar. Um diretor de risco cuja equipe havia construído agentes em um modelo de uso geral nos disse que ele "fica confuso e tem alucinações". O instinto é interpretar isso como um problema de qualidade do modelo. Na maioria das vezes, é um problema de contexto — um modelo capaz que raciocina sobre dados de entrada vindos de quatro fornecedores diferentes, sem uma visão consistente do cliente, produzirá respostas confiantes e erradas.

Contexto compartilhado não é algo que você possa adicionar a um agente. É uma propriedade da camada que está abaixo dele: uma estrutura de dados em tempo real, inteligência de dispositivo e comportamento, regras e gerenciamento de casos que já conversam entre si. É para isso que serve uma camada de decisão de risco de IA, e é por isso que a questão da plataforma e a questão do agente são a mesma questão.

As cinco coisas que um agente precisa da sua pilha existente

Esta é a versão prática. Teste-a no seu próprio ambiente antes de avaliar o agente de qualquer fornecedor.

A maioria das instituições tem três desses itens e carece dos mesmos dois: um local para agir e uma forma de ser avaliado. Esses também são os dois mais baratos de resolver, porque ambos envolvem trabalho de integração e não de estruturação de dados.

Como um agente realmente entra em produção

Conformidade não é um botão mágico. Um agente não passa de uma demonstração convincente para a tomada de decisões de forma direta, e qualquer processo que pule a etapa intermediária não é algo que você queira ter que explicar mais tarde.

O que acontece, em vez disso, é a execução em paralelo. O agente e seus analistas trabalham na mesma fila. O analista toma a decisão normalmente e depois gasta alguns minutos extras olhando o que o agente concluiu e se concorda. Esse esforço adicional parece um custo extra no início, mas é exatamente esse o objetivo.

Essa comparação é a evidência. Não um benchmark de um fornecedor, não um índice de precisão da ficha técnica do modelo — são os seus analistas, nas suas tipologias, no seu portfólio, concordando ou discordando de uma decisão específica por motivos que você pode inspecionar. Somente quando essa concordância for consistente e as divergências forem compreendidas é que qualquer parte do trabalho é direcionada ao agente.

Isso leva semanas, em vez de meses, e traz resultados reais. A MoneyGram roda agentes em produção exatamente com base nisso: análises de alertas de PLD de Nível 1 que costumavam levar mais de 30 minutos agora são concluídas em menos de dois, com a mesma equipe e cerca de 45% menos falsos positivos chegando até eles.

A mudança de perspectiva que vale a pena reter é que a ampliação do trabalho humano por agentes não é uma concessão para partes interessadas inseguras. É o único mecanismo que produz as evidências que uma decisão regulada exige. Você não colocaria um novo modelo em produção sem validá-lo com seus próprios dados. Com um agente não é diferente, exceto que o conjunto de validação é o julgamento de seus analistas, e não um arquivo de marcações.

O que precisa ser verdade antes de deixar um agente tomar uma decisão

A confiança é a barreira aqui, não a capacidade. Em conversas com líderes de risco, a pergunta que surge espontaneamente nunca é "ele consegue fazer isso?" — é sempre "por que eu deveria confiar nele?"

Três coisas precisam ser verdadeiras, e elas são requisitos de integração e não filosóficos:

Ele mostra o seu trabalho. Cada decisão traz consigo as evidências que utilizou e o raciocínio aplicado, armazenados junto com a decisão, em vez de serem reconstruídos posteriormente.

Uma decisão pode ser reconstruída mais tarde. Não resumida — reconstruída. Se um auditor perguntar em nove meses por que um alerta específico foi encerrado, você precisará dos dados de entrada exatamente como estavam na época.

Um humano aprova. Alguém com nome e cargo aprova, e essa aprovação faz parte do registro.

Como um líder de conformidade colocou: "Precisa ser defensável perante um auditor." Se a sua função de risco de modelo avalia sob a norma SR 11-7, os mesmos instintos se aplicam a um agente, e as evidências que eles pedirão são as citadas acima.

Vale a pena saber que isso agora é uma decisão baseada em julgamento e não uma regra. Quando o OCC, o Federal Reserve e o FDIC atualizaram as orientações de gerenciamento de risco de modelo em abril de 2026, eles colocaram explicitamente a IA generativa e de agentes fora do seu escopo, sob a justificativa de que tais modelos são "novos e evoluem rapidamente", e prometeram uma solicitação conjunta de informações abrangendo o uso de IA pelos bancos. Essa solicitação ainda não foi emitida.

Portanto, ainda não existe um modelo pronto para isso. O que existe, em vez disso, é um auditor que ainda perguntará como você testa o agente, como o monitora e onde fica a supervisão humana — sem nenhum framework publicado para apontar quando o fizerem. Decidir essas três coisas antes de implantar é como você responde a essa pergunta em vez de improvisá-la. A governança para agentes é um assunto mais profundo do que este artigo pode abordar, e merece um tratamento próprio.

Camada independente ou plataforma unificada

Ambos são formatos reais de implantação, e vale a pena expor a troca justa entre eles.

Os agentes da Oscilar podem rodar como uma camada independente sobre a infraestrutura que você já possui. É isso que torna isso possível no meio de um contrato vigente: nada é descartado, e os agentes se conectam às suas regras, processos e gerenciamento de casos existentes.

Rodá-los na plataforma unificada muda uma coisa, e é exatamente o ponto que este artigo vem abordando. Em uma única pilha, o contexto compartilhado é automático, em vez de ser algo que você projeta por agente. Os agentes veem alertas, casos, decisões anteriores e histórico como uma única imagem porque existe apenas uma imagem.

Comece de forma independente se é isso que os seus contratos permitem. Apenas saiba qual dos dois problemas você está resolvendo.

Por onde começar se a sua pilha não estiver pronta

A maioria das pilhas não está pronta, e essa é uma condição inicial normal, não um impedimento. "Está tudo no Excel" é algo que ouvimos de equipes competentes em instituições reais.

Quatro passos, em ordem:

1. Escolha uma tarefa com um limite claro e uma referência humana que você possa medir. A triagem de alertas costuma ser a primeira candidata porque as decisões são frequentes e já são registradas.

2. Confirme que você consegue reconstruir uma decisão antes de deixar qualquer outra coisa tomar uma. Se você não consegue fazer isso para uma decisão humana hoje, um agente não vai resolver.

3. Rode em paralelo antes de direcionar qualquer trabalho para ele.

4. Defina o proprietário antes do lançamento, e não após a primeira discordância.

Nada disso exige uma compra, e tudo vale a pena fazer independentemente de quais agentes você eventualmente decida rodar. Se você quiser ver o que os agentes fazem na prática assim que a estrutura estiver pronta, a demonstração do Agent Hub cobre isso.

Perguntas frequentes

O que é integração de agentes de IA?

A integração de agentes de IA é conectar um agente aos dados, ao processo e à supervisão dos sistemas que uma instituição já opera, para que ele possa ver o suficiente para decidir, agir onde o trabalho acontece e ser responsabilizado pelo resultado. Em um contexto de risco, isso é diferente de conectar um agente a aplicativos de negócios por meio de APIs, porque uma decisão de risco precisa ser explicável e passível de reconstrução, não apenas produzida.

Os agentes de IA podem ser integrados aos sistemas de risco existentes de uma instituição?

Sim. Os agentes podem rodar como uma camada independente sobre a infraestrutura existente, conectando-se às regras, processos e gerenciamento de casos já existentes. O requisito não é um software novo, mas sim acesso suficiente: o agente precisa de contexto para decidir, de um limite definido, de um local para registrar seu resultado, de uma forma de ser comparado com as decisões humanas e de um proprietário nomeado.

Como os bancos integram os agentes de IA com as plataformas bancárias legadas?

Geralmente sem mexer no sistema central (core). O agente lê a partir da camada de dados que já agrega os dados do core e registra as informações de volta no sistema de gerenciamento de casos ou de processo que os analistas usam, de modo que o core continua sendo uma fonte de consulta e não um alvo de integração. Isso mantém a área de impacto da mudança pequena, o que geralmente é o que viabiliza a aprovação do projeto.

Você precisa substituir sua plataforma de risco para usar agentes de IA?

Não. Os agentes podem ser implantados sobre o que você já opera, o que torna isso viável no meio de um contrato vigente. Rodá-los em uma plataforma unificada dá a eles contexto compartilhado de forma automática em vez de individual por agente, mas isso é uma otimização, não um pré-requisito.

Como a revisão humana, a auditabilidade e o desempenho do agente são governados?

Por meio de três mecanismos: uma trilha de auditoria que armazena as evidências e o raciocínio de cada decisão, uma etapa de aprovação humana que faz parte do registro e a comparação contínua das decisões do agente com as decisões humanas. As instituições que operam sob expectativas de gestão de risco de modelo devem tratar um agente como tratariam qualquer outro modelo em produção — validado antes da implantação e monitorado após ela.