O setor de serviços financeiros é um dos mais regulados e lida com uma quantidade massiva de dados. Ciente da necessidade de cautela, as empresas financeiras têm adotado gradualmente ferramentas de IA generativa em suas operações.
Embora a automação já seja amplamente utilizada no setor, o uso do termo “agente” tem sido mais discreto. Muitos bancos tinham uma postura cuidadosa em relação à IA generativa, especialmente devido à falta de regulamentações. No entanto, instituições como JP Morgan e Bank of America já introduziram assistentes baseados em IA em suas operações.
Um dos pioneiros nessa abordagem é o BNY Mellon, que está aprimorando sua ferramenta de IA Eliza, transformando-a em um recurso com múltiplos agentes. Esses agentes ajudam tanto os representantes de vendas quanto no engajamento com os clientes.
Um modelo de múltiplos agentes
De acordo com Sarthak Pattanaik, chefe do Hub de Inteligência Artificial do BNY, o banco começou conectando suas diversas unidades para facilitar o acesso às informações. Isso incluiu a criação de um agente de recomendação de leads para diferentes equipes. O sistema utiliza uma arquitetura de múltiplos agentes para oferecer recomendações adequadas aos clientes.
“Temos um agente que sabe tudo o que [a equipe de vendas] conhece sobre nossos clientes”, explicou Pattanaik. Ele também destacou a presença de outro agente que gerencia informações sobre todos os produtos do banco, desde liquidez até pagamentos e tesouraria.
Essa estrutura reduziu drasticamente a necessidade de os funcionários falarem com várias pessoas para oferecer recomendações aos clientes. “Agora, em vez de nossos vendedores conversarem com 10 gerentes de produtos, tudo isso é feito pelo agente”, afirmou Pattanaik. Esse sistema permite respostas rápidas às dúvidas específicas dos clientes, como a aceitação de moedas estrangeiras em transações globais.
Construindo a solução
As capacidades de recomendação por múltiplos agentes foram integradas à ferramenta Eliza. O sistema utiliza cerca de 13 agentes que “negociam entre si” para fornecer a melhor recomendação de produtos, dependendo do segmento de mercado.
O banco adotou o Autogen da Microsoft como base para o desenvolvimento desses agentes. Sendo uma solução open source, o Autogen ofereceu uma base sólida e guardrails que ajudam a organizar as respostas dos agentes de forma mais determinística. Além disso, o BNY utilizou LangChain para estruturar o sistema de agentes.
A expertise acumulada do banco no desenvolvimento de plataformas críticas foi essencial para moldar o sistema de agentes. Isso garantiu que as respostas fossem fundamentadas e reutilizáveis, permitindo que o sistema aprendesse e evoluísse continuamente.
Expansão da ferramenta Eliza
Com a expansão do uso de agentes, o BNY planeja aprimorar ainda mais sua ferramenta Eliza, que foi lançada em 2024 após dois anos de desenvolvimento. Atualmente, a ferramenta já serve como um marketplace de aplicativos de IA e insights para os funcionários do banco.
Pattanaik revelou que o objetivo é tornar a Eliza cada vez mais inteligente, com foco em melhorar processos e construir agentes que aprendam, raciocinem e forneçam ações concretas no futuro. O banco está trabalhando em guardrails de risco, explicabilidade e transparência para garantir que as operações sejam seguras e eficientes.