Como adicionar agentes de IA à sua estrutura de risco existente

Última atualização: setembro de 2026

Você já tem uma estrutura de risco. Levou anos para montá-la, ela está sob contrato e funciona bem o suficiente para que ninguém queira falar em substituí-la. Ao mesmo tempo, provavelmente alguém da diretoria está cobrando o seu plano para agentes de IA.

Esses dois pontos não são conflitantes, embora a maioria dos artigos sobre agentes de IA suponha que sejam. A pergunta útil não é qual dos seus sistemas um agente vai substituir, mas sim do que ele precisa a partir dos sistemas que você já tem — e se a sua estrutura atual consegue fornecer isso.

No fim das contas, isso se revela um desafio de integração e governança muito antes de ser um problema de modelo. As instituições que obtêm valor real dos agentes não são as que substituíram mais softwares, mas sim as que conseguiram dar ao agente contexto suficiente para decidir, um espaço bem delimitado para agir e um responsável direto pelo resultado.

Resumo prático

• Adicionar agentes é, antes de tudo, um desafio de integração. O modelo raramente é a limitação.

• Um agente precisa de cinco coisas da sua estrutura: contexto, limites claros, um local para agir, uma forma de ser avaliado e um responsável humano identificado.

• Agentes adicionados de forma isolada geram automações desconexas. O contexto compartilhado pertence à camada inferior, não a cada agente individual.

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

• Para ir para a produção, o agente precisa primeiro rodar em paralelo com seus analistas. Essa fase não é mera formalidade — é o único meio de comprovar que ele realmente funciona para a sua carteira.

• A confiança é o fator decisivo, não a capacidade. Se uma decisão não puder ser reconstruída mais tarde e aprovada por uma pessoa, a integração ainda não acabou.

• "Está tudo no Excel" é um ponto de partida comum e não impede o início do projeto.

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

Integrar um agente de IA significa conectá-lo aos dados, ao processo e à supervisão dos sistemas que a instituição já opera — permitindo que ele veja o necessário para decidir, atue onde o trabalho realmente acontece e preste contas do que determinou.

Essa definição é mais objetiva e exigente do que as encontradas por aí. A maioria dos textos foca apenas em conectores: ligar um agente a sistemas de negócios via APIs para ler registros e acionar ações. Isso é engenharia básica, não a parte complexa da equação.

Para uma equipe de risco, o mais difícil é que uma decisão precisa ser explicável, e não apenas entregue. Um agente que acessa seus dados mas não consegue registrar o retorno na gestão de casos não passa de uma demonstração. Um agente que age mas não mostra o que analisou é um risco. Integrar, aqui, significa resolver essas duas lacunas ao mesmo tempo.

Por que os agentes falham quando integrados de forma isolada

A falha mais comum que vemos não é um modelo fraco, mas sim agentes que não enxergam o trabalho uns dos outros.

Quem desenvolve os próprios agentes costuma criá-los caso a caso: um para triagem de alertas, outro para extração de documentos, cada um com seu próprio acesso e visão parcial do cliente. Cada um funciona de forma isolada. Juntos, recriam exatamente o problema original: nenhuma área tem a visão completa do todo.

Um responsável por compliance resumiu o resultado em uma frase: "A área de crédito não sabia, e nós ficamos com o prejuízo do empréstimo." Esse não é um problema de IA. É o problema que a IA deveria resolver, mas que um agente adicionado às pressas acaba herdando em vez de consertar.

Há uma segunda falha importante. Um diretor de riscos cuja equipe criou agentes com modelos genéricos comentou que a IA "se confunde e alucina". A reação imediata é culpar a qualidade do modelo. Na maioria das vezes, é falta de contexto: um modelo competente analisando dados desconexos de vários fornecedores, sem uma visão unificada do cliente, vai gerar respostas com grande confiança, mas totalmente erradas.

Contexto compartilhado não se adiciona ao agente. É algo que pertence à camada estrutural abaixo dele: integração de dados em tempo real, inteligência de dispositivo e comportamento, regras e gestão de casos que já se comunicam de forma consistente. É para isso que serve uma camada de decisão de risco por IA, e é por isso que a discussão sobre a plataforma e sobre o agente são a mesma coisa.

Os cinco requisitos de um agente na sua estrutura atual

Esta é a visão prática. Avalie seu ambiente com base nisso antes de contratar qualquer agente.

A maioria das instituições tem três desses pontos e peca nos mesmos dois: um local para agir e uma forma de avaliação. Por sorte, esses são também os mais baratos de resolver, pois envolvem apenas trabalho de integração, não de reestruturação de dados.

Como um agente realmente entra em produção

Conformidade não é mágica. Um agente não passa direto de uma demonstração convincente para a tomada de decisões reais — e qualquer atalho nesse caminho trará problemas difíceis de justificar mais tarde.

O caminho correto é a operação em paralelo. O agente e seus analistas atuam na mesma fila. O analista toma a decisão normalmente e depois dedica alguns minutos para ver o que o agente sugeriu e avaliar se concorda. Esse esforço extra pode parecer pesado no início, mas é o cerne do processo.

Essa comparação direta é a prova real. Nada de benchmarks de fornecedor ou índices genéricos de precisão: são os seus analistas, no seu cenário e na sua carteira, concordando ou discordando de decisões pontuais por motivos auditáveis. Só quando esse alinhamento for consistente e as divergências forem esclarecidas é que parte do trabalho deve ser transferida para o agente.

Isso costuma levar semanas, não meses, e traz retornos concretos. A MoneyGram utiliza agentes em produção exatamente dessa forma: análises de alertas de PLD de nível 1 que levavam mais de 30 minutos agora são concluídas em menos de dois, com a mesma equipe e cerca de 45% a menos de falsos positivos.

O ponto central é entender que a supervisão humana não é apenas uma concessão para acalmar a diretoria. É o único mecanismo capaz de gerar as evidências que uma decisão regulada exige. Ninguém coloca um modelo novo em produção sem testá-lo com dados próprios. Com um agente é a mesma coisa, com a diferença de que a validação depende do julgamento dos seus analistas, e não de dados pré-rotulados.

O que deve estar garantido antes de delegar uma decisão a um agente

A barreira principal é a confiança, não a tecnologia. Em conversas com líderes de risco, a dúvida que sempre surge não é "ele consegue fazer isso?", mas sim "por que devo confiar nele?"

Três condições são indispensáveis — e são exigências técnicas de integração, não teóricas:

Transparência do raciocínio. Toda decisão traz os dados utilizados e a lógica aplicada, salvos junto à própria decisão, em vez de serem recriados depois.

Capacidade de reconstrução futura. Não basta resumir — é preciso reconstruir. Se um auditor perguntar daqui a nove meses por que um alerta foi encerrado, você precisará dos dados exatamente como estavam naquele momento.

Aprovação humana. Alguém com nome e cargo assina a decisão, e esse aval fica registrado no histórico.

Como resumiu um diretor de compliance: "Precisa ser defensável diante do regulador." Se a sua área de risco de modelos segue diretrizes como a SR 11-7, os mesmos princípios se aplicam a um agente, e as evidências cobradas serão exatamente essas.

Vale lembrar que isso agora exige bom senso em vez de seguir regras prontas. Quando os órgãos reguladores norte-americanos (OCC, Federal Reserve e FDIC) atualizaram as diretrizes de risco de modelos em abril de 2026, deixaram a IA generativa e os agentes explicitamente de fora do escopo, alegando que são tecnologias "novas e em rápida evolução", e prometeram uma consulta pública conjunta sobre o uso de IA pelos bancos. Essa consulta ainda não foi publicada.

Portanto, ainda não existe um manual pronto. O que existe é um auditor que vai questionar como você testa o agente, como o monitora e onde entra a supervisão humana — sem nenhuma cartilha oficial para indicar. Definir esses três pontos antes do lançamento é a forma de responder com segurança, em vez de improvisar. A governança de agentes é um tema amplo, detalhado mais a fundo no artigo sobre segurança, governança e auditabilidade para agentes de IA em risco — incluindo os cinco limites exigidos em revisões de segurança e o que comprova cada um.

Camada independente ou plataforma unificada

Ambos são formatos viáveis de implementação, e é bom deixar clara a diferença entre eles.

Os agentes da Oscilar podem funcionar como uma camada independente sobre a infraestrutura que você já possui. É isso que viabiliza a adoção mesmo durante a vigência de outros contratos: nada é substituído, e os agentes se conectam às regras, processos e gestão de casos existentes.

Já executá-los em uma plataforma unificada traz um diferencial decisivo: em uma única base, o contexto compartilhado é nativo, sem precisar ser configurado para cada agente. Eles visualizam alertas, casos, decisões anteriores e históricos como uma visão única, porque os dados já estão integrados.

Comece com uma camada independente se for o que seus contratos atuais permitem. O importante é saber com clareza qual desafio você está resolvendo.

Por onde começar se sua estrutura ainda não estiver pronta

A maioria das estruturas não está pronta, e isso é o ponto de partida normal, não um impedimento. Ouvir que "está tudo no Excel" é comum mesmo em equipes competentes de grandes instituições.

Quatro passos, nesta ordem:

1. Escolha uma tarefa com limite bem definido e uma base humana de comparação que possa ser medida. A triagem de alertas costuma ser a melhor escolha inicial, pois as decisões são frequentes e já estão registradas.

2. Garanta que você consegue reconstituir uma decisão antes de deixar o sistema decidir. Se você não consegue fazer isso hoje para decisões humanas, o agente não vai resolver.

3. Opere em paralelo antes de direcionar qualquer demanda real para o agente.

4. Defina o responsável antes da entrada em produção, não após o primeiro problema.

Nenhum desses passos exige novas aquisições, e todos são úteis independentemente de quais agentes você decida adotar no futuro. Para entender o que os agentes fazem na prática depois que essa base está pronta, confira a demonstração do Agent Hub.

Perguntas frequentes

O que é a integração de agentes de IA?

É a conexão de um agente aos dados, ao processo e à supervisão dos sistemas existentes na instituição, garantindo que ele tenha contexto para decidir, atue onde o trabalho acontece e responda pelos resultados. No setor de risco, isso vai além de meras conexões via API, pois cada decisão precisa ser explicável e auditável, e não apenas gerada de forma automática.

Os agentes de IA podem ser integrados aos sistemas de risco atuais da instituição?

Sim. Os agentes podem rodar como uma camada independente sobre a infraestrutura existente, integrando-se às regras, processos e gestão de casos já utilizados. A exigência não é um novo software, mas sim o acesso adequado: o agente precisa de contexto para decidir, limites bem definidos, onde registrar suas ações, meios para ser comparado a decisões humanas e um responsável nomeado.

Como os bancos integram agentes de IA aos sistemas bancários legados?

Normalmente sem alterar a estrutura central (core). O agente consome dados da camada que já reúne as informações principais e registra as conclusões direto na gestão de casos ou no processo dos analistas. Assim, o sistema legado funciona apenas como fonte de dados, mantendo o impacto da mudança pequeno e facilitando a aprovação do projeto.

É preciso trocar a plataforma de risco para usar agentes de IA?

Não. Os agentes podem ser implementados sobre os sistemas atuais, o que viabiliza o projeto mesmo no meio de contratos vigentes. Uma plataforma unificada traz contexto compartilhado de forma nativa, mas isso é uma otimização, não uma exigência obrigatória para começar.

Como funcionam a supervisão humana, a auditabilidade e o desempenho dos agentes?

Por meio de três pilares: trilha de auditoria com evidências e justificativas salvas em cada decisão, aprovação humana registrada no histórico e comparação contínua entre as decisões do agente e as da equipe. Instituições sob diretrizes de risco de modelos devem tratar o agente como qualquer outro modelo em produção: com validação antes da implantação e monitoramento contínuo depois.