Cinco consultorias, uma conclusão: o agente de IA é a parte fácil do banco

Muitos relatórios sobre IA agêntica ganharam destaque nos últimos 6 meses. Divergem em vocabulário, em método e em quem deve pagar a conta. Concordam em uma coisa: o modelo de IA deixou de ser a parte difícil.

Durante dois anos, a pergunta foi “qual modelo a gente usa”. A partir de agora, a pergunta é “onde fica a fronteira entre o que a IA sugere e o que o banco executa”.

Este é o primeiro texto de uma série de nove semanas, com a ideia pegar o que o mercado publicou em 2026, traduzir para o banco brasileiro e mostrar o que a gente já faz e o que ainda não faz.

O que saiu entre agosto e setembro de 2026

• Gartner, 19 de agosto. O CIO Guide to Agentic Banking Architecture apresenta o framework G.U.I.D.E., com cinco pontos de controle para toda jornada agêntica: contexto, roteamento, serviços, ações e evidências. Só li o resumo público; o relatório é pago.
• Deloitte, 31 de agosto. AI architecture in banking: architecture before agents separa bancos que colocam IA por cima do legado (overlay) dos que a projetam na arquitetura (by design), e define quatro pilares para autonomia segura: linhagem de dados, política aplicada no fluxo, humano responsável e resiliência.
• BCG com a SCBX, 4 de setembro. The Agent Is the Easy Part propõe uma arquitetura em que um núcleo de IA raciocina e propõe, e uma fronteira determinística decide o que é permitido, aprova o que vai ser executado, confere o resultado e registra tudo.
• IBM, 30 de setembro. From one-time program to continuous capability defende que modernização deixe de ser programa com data de fim e vire capacidade permanente do banco, com orçamento próprio e governança contínua.

A quinta fonte é mais antiga e serve de base. Em dezembro de 2024, a McKinsey publicou Extracting value from AI in banking: rewiring the enterprise, com um dado que organiza a discussão: um banco típico tem cerca de 25 subdomínios, e menos de dez deles concentram 70 a 80% do valor incremental de uma transformação com IA.

A tese comum: propor é barato, comprometer é caro

Um agente de IA faz duas coisas muito diferentes numa operação bancária. A primeira é entender: ouvir o cliente, interpretar a intenção, montar uma proposta. A segunda é comprometer: mover dinheiro, bloquear um cartão, abrir uma conta, assinar um contrato.

A primeira parte ficou barata e boa em pouco tempo. Qualquer modelo razoável entende “quero bloquear meu cartão e pedir a segunda via” na primeira tentativa, em português, por voz. Essa é a parte que o mercado chamou de difícil em 2024 e que a BCG, com razão, chama de fácil em 2026.

A segunda parte continua cara, e vai continuar. Comprometer uma operação exige saber quem pode autorizar, até qual valor, com qual trilha, sob qual regra do regulador, e o que acontece se a operação falhar no meio. Nada disso é probabilístico. Nada disso pode depender de um prompt bem escrito.

O que se percebe é que o raciocínio probabilístico serve para entender e propor enquanto que a camada determinística serve para autorizar, executar, conferir e registrar. A IA fica de um lado da fronteira mas o compromisso fica do outro. Talvez o jogo seja ganho justamente nessa intersecção.

Por que o Brasil é o melhor laboratório

Tem um motivo para eu olhar esses relatórios com o banco brasileiro na cabeça, e não é só porque é onde a Diletta atua há mais tempo.

A Pesquisa Febraban de Tecnologia Bancária 2026 mostra que os bancos devem investir R$ 50,4 bilhões em tecnologia este ano, 8% acima dos R$ 46,8 bilhões de 2025. O investimento específico em inteligência artificial somou R$ 826 milhões em 2025, alta de 39% em um ano. E 84% dos bancos classificam IA generativa como prioridade média ou alta.

Agora o dado que eu acho mais interessante da pesquisa é que a parcela de bancos que relata alto ganho de eficiência com IA no atendimento subiu de 5% em 2024 para 19% em 2025. Quase quadruplicou. E ainda é menos de um quinto.

Esse é o retrato de um mercado que já passou da fase do experimento e ainda não chegou na fase da escala. É exatamente o ponto em que a fronteira entre propor e comprometer decide quem avança. Num setor regulado, com Pix em tempo real, Open Finance em produção e um Banco Central que publica norma nova todo trimestre, a camada determinística não é opcional, ela é a condição para a IA sair do piloto.

Por isso o banco brasileiro é um bom benchmark para qualquer setor que esteja pensando em agentes. Se funciona sob essa pressão regulatória, funciona em qualquer lugar.

Números que dizem algo mais

Em junho de 2025, a Gartner publicou uma previsão que envelheceu bem: mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027. Os motivos listados são custo crescente, valor de negócio pouco claro e controles de risco inadequados. O mesmo texto cunhou o termo agent washing: fornecedores rebatizando chatbot e RPA como “agente”.

A IBM, no artigo de setembro, dá a outra metade do quadro. Segundo a pesquisa do Institute for Business Value citada no texto, 94% dos programas de modernização de core bancário excedem o prazo. Só 8% dos bancos têm abordagem estratégica para IA generativa; 78% agem de forma tática ou em silos e mais de 60% dos CEOs bancários dizem que precisam aceitar risco significativo para capturar os ganhos da automação.

Portanto temos um mercado em que quase todo programa de modernização atrasa, em que a maioria dos bancos trata IA de forma tática, e em que quase metade dos projetos de agente vai ser cancelada. Esse não é um problema de modelo mas é um problema de arquitetura e de formato de programa. De acordo com a IBM, um programa de três anos não acompanha uma paisagem tecnológica que muda em três meses. A IA encurtou a vida útil da arquitetura e quem planeja em programa plurianual está planejando para um mundo que provavelmente não existe mais.

A pergunta nova: onde fica a fronteira?

Em vez de “qual modelo, qual nuvem, qual fornecedor de agente”, eu colocaria cinco perguntas na mesa:

1. Quando um agente propõe uma operação, qual sistema decide se ela é permitida? Esse sistema é determinístico e versionado?
2. Quem aprova o compromisso: a política, uma alçada, uma pessoa? Em quais casos cada um?
3. Como uma transação contestada é reconstruída: contexto, intenção, regra aplicada, quem autorizou, o que aconteceu?
4. O que acontece se a execução falhar no meio: tem compensação, tem reprocessamento seguro, tem trilha?
5. Se eu trocar o modelo de IA amanhã, o que muda no contrato com o core? A resposta certa é “nada”.

Repare que nenhuma dessas perguntas é sobre IA. Todas são sobre a camada que fica entre a IA e o core. É nessa camada que a Diletta trabalha há cinco anos, antes de ela ter esse nome bonito de fronteira determinística. O Coreflow nasceu como camada de orquestração acima do core e do BaaS, com regras, alçadas, anti-fraude e trilha. Quando a IA chegou, ela encontrou a porta já construída. Eu escrevi sobre isso em setembro, em Seu banco não precisa reconstruir o legado.