Risk Agents em bancos: o gargalo nunca foi o modelo

Em muitas das conversas que tenho com equipes de tecnologia e compliance em fintechs e instituições de pagamento no Brasil, o ponto de partida é sempre o mesmo: qual modelo usar, qual arquitetura de agente faz sentido, como orquestrar decisões em tempo real.

Esse é o ponto de partida errado.

Não porque o modelo não importe. Importa, sim. Mas o que vai travar qualquer deployment de Risk Agent em produção, especialmente dentro de uma instituição financeira brasileira, não é a qualidade do raciocínio. É a qualidade dos dados que alimentam esse raciocínio. Mais precisamente, é se esses dados atendem os padrões que o Banco Central do Brasil exige quando revisa decisões automatizadas.

No Febraban Tech 2026, que acontece de 24 a 26 de agosto no Distrito Anhembi, em São Paulo, com o tema "Agentes Inteligentes, liderança humana", dezenas de demonstrações vão mostrar agentes tomando decisões autônomas: detectando fraudes, aprovando crédito, monitorando transações em tempo real. O que raramente vai aparecer nessas demonstrações é o que torna essas decisões auditáveis pelo regulador brasileiro. Esse é o gap de infraestrutura que vale discutir.

O que um Risk Agent realmente precisa#

Um agente de risco que atua em fluxos de pagamento via PIX, ou no onboarding de comerciantes de um subadquirente ou prestador de serviço de pagamento, precisa de cinco insumos específicos para cada decisão que toma.

Validação contínua de identidade. KYC não é um evento de onboarding. É um estado. O CPF que estava limpo no cadastro pode estar com restrição hoje. O documento validado há seis meses pode ter sido revogado. A estrutura de beneficiários finais que passou por KYB no momento da assinatura pode ter mudado. Um agente que decide com dados de identidade desatualizados não está tomando uma decisão regulatória real. Está processando um snapshot que pode não refletir a realidade atual.

Histórico transacional com contexto comportamental. Não apenas se um CPF ou CNPJ existe em uma base de dados. O padrão de comportamento: volume típico de transações, frequência operacional, rede de contrapartes, horários e canais habituais. Sem esse contexto, o modelo gera alertas baseados em limiares absolutos em vez de desvios do padrão individual, e a taxa de falso positivo torna a operação inviável para qualquer equipe de compliance em escala.

Consulta em tempo real de listas regulatórias. Registros COAF, listas OFAC, bases de dados PEP, sanções internacionais. Um falso negativo aqui não é uma métrica ruim. É um passivo regulatório. Pela Lei 9.613/1998, lei base de PLD no Brasil, e pela Circular 3.978/2020 do BCB, as instituições financeiras devem manter monitoramento contínuo de atividades suspeitas e comunicá-las ao COAF dentro de prazos definidos. Um agente consultando dados em cache introduz uma janela de exposição regulatória que não se justifica numa auditoria.

Bot detection e integridade de dispositivo. Em fluxos digitais de alto volume, seja em lotes de onboarding de comerciantes ou em transações PIX de varejo, a diferença entre um solicitante humano e um processo automatizado malicioso precisa ser detectável antes que a decisão seja executada. Atividade de bot que chega à camada de decisão já passou o ponto de controle onde era mais barato interceptá-la.

Trilha de auditoria completa por decisão. Cada bloqueio, cada aprovação, cada alerta precisa de um registro associado que inclua: a fonte de dados consultada, o timestamp da última atualização dessa fonte, a versão da regra aplicada, o nível de confiança do output do agente, e a decisão final com seu timestamp. O Banco Central do Brasil não pergunta qual modelo você usa numa inspeção. Pergunta: de onde veio essa informação? Quem validou? Quando foi atualizada?

Isso não é lista de desejo. É o stack mínimo de compliance para operar fluxos financeiros regulados no Brasil.

A camada regulatória que não pode ser ignorada#

O framework de PLD e KYC do Brasil é construído sobre múltiplas camadas regulatórias que interagem entre si de formas que importam para sistemas automatizados.

Na base, a Lei 9.613/1998 estabelece a obrigação antilavagem de dinheiro e define o COAF, Conselho de Controle de Atividades Financeiras, como a unidade de inteligência financeira responsável por receber, analisar e disseminar as comunicações de operações suspeitas das entidades obrigadas. Instituições financeiras, subadquirentes e instituições de pagamento com autorização do BCB são todos sujeitos obrigados por essa lei.

A Circular 3.978/2020 do BCB operacionalizou os requisitos de monitoramento: as instituições reguladas devem implementar políticas, procedimentos e controles internos para prevenção à lavagem de dinheiro e ao financiamento do terrorismo, manter registros por pelo menos cinco anos, e comunicar operações suspeitas ao COAF nos prazos definidos. A circular é explícita: os sistemas de monitoramento devem ser calibrados ao perfil de risco da base de clientes da instituição, não aplicados de forma uniforme.

A agenda regulatória 2025-2026 do BCB inclui explicitamente a governança de inteligência artificial, conforme o guia da Chambers and Partners, com diretrizes para uso ético e seguro de IA dentro das instituições reguladas e acompanhamento ativo das iniciativas legislativas nacionais relacionadas à IA. O Banco Central também criou um Centro de Excelência em Ciência de Dados e Inteligência Artificial especificamente para desenvolver essas diretrizes.

Esse contexto regulatório tem uma implicação operacional direta para qualquer instituição que implementa Risk Agents: cada decisão automatizada que afeta um fluxo regulado, seja aprovar um comerciante, sinalizar uma transação ou bloquear um saque, está sujeita aos mesmos padrões de documentação que se aplicam às decisões humanas. O agente não está isento dos requisitos de rastreabilidade por ser automatizado. Em muitos aspectos, as expectativas de rastreabilidade são mais altas, porque o volume de decisões automatizadas torna a revisão individual impossível, e o regulador precisa poder amostrar qualquer decisão e reconstruí-la a partir do registro.

As instituições que vão integrar Risk Agents com sucesso não são as que têm os modelos mais sofisticados. São as que conseguem demonstrar, numa inspeção, exatamente quais dados o agente usou, de onde esses dados vieram e como estavam atualizados no momento da decisão.

Quando falta a camada de dados: o que quebra em produção#

Trabalhando com subadquirentes e PSPs brasileiros que processam volumes relevantes, o padrão de falha quando um Risk Agent é implementado sem a infraestrutura de dados adequada é consistente: funciona bem no ambiente de teste, onde os dados são controlados e saneados. Quebra em produção, onde os dados são o mercado real.

Um cenário recorrente: o agente bloqueia uma transação legítima porque o CPF do portador coincide pelo nome com uma entrada em uma lista de sanção, um falso positivo de homonimia. O analista de compliance precisa revisar manualmente. Quando isso acontece em baixo volume, é manejável. Quando um subadquirente está processando milhares de transações diárias sobre uma rede de comerciantes, a fila de revisão manual cresce mais rápido do que o time consegue resolver. O gargalo não foi a lógica de decisão do agente. Foi a ausência de resolução automática de falso positivo na camada de dados, usando identificadores secundários que já estavam no cadastro e que teriam distinguido a entidade sancionada do cliente.

Um segundo cenário: o agente aprova um onboarding que deveria ter sido sinalizado porque a consulta à lista regulatória rodou contra dados em cache com 48 horas de defasagem. O evento que gerou a restrição havia ocorrido nessa janela. A latência dos dados foi a falha, não o raciocínio do modelo. O modelo raciocinou corretamente a partir dos dados que recebeu. Os dados estavam desatualizados.

"Liderança humana" sobre agentes de risco não funciona quando a camada de dados não dá aos humanos algo confiável para revisar. Um supervisor analisando uma transação sinalizada precisa ver o estado dos dados no momento da decisão, não o estado atual depois que o agente já agiu. Quando essa trilha de auditoria não existe, o supervisor não consegue avaliar se a decisão foi correta. Só consegue observar o resultado.

É por isso que o mercado está começando a precificar a camada de dados e governança separadamente do modelo. A Quantifind, plataforma de inteligência de risco focada em AML, KYC e screening de sanções com explicabilidade como capacidade central, captou 200 milhões de dólares em junho de 2026. A FIS, uma das maiores provedoras globais de tecnologia financeira, anunciou uma parceria com a Anthropic para construir um Financial Crimes AI Agent. Nenhum desses investimentos é primariamente uma aposta na qualidade do modelo. São apostas na infraestrutura que torna os outputs do modelo acionáveis e defensáveis em ambientes regulados.

O que "liderança humana" significa de verdade para Risk Agents#

O tema do Febraban Tech 2026, "Agentes Inteligentes, liderança humana", é operacionalmente preciso de uma forma que se perde na conversa mais ampla sobre autonomia de IA.

Liderança humana sobre um sistema de agentes não significa que um humano aprova cada decisão individual. Nos volumes que tornam a automação valiosa, isso é operacionalmente impossível e elimina a eficiência que o agente foi implementado para criar. Liderança humana significa que o sistema é projetado de modo que quando um humano intervém, seja numa disputa, numa auditoria, num caso de borda ou numa escalada, ele consegue entender exatamente o que aconteceu e por que, e consegue agir a partir desse entendimento.

Para um agente de risco num ambiente regulado, isso requer três propriedades operacionais.

Reconstrutibilidade das decisões: a capacidade de reproduzir qualquer decisão passada exatamente, com o estado dos dados que existia no momento da decisão, não o estado atual. Um oficial de compliance respondendo a uma consulta do COAF não pode trabalhar com os dados atuais. Precisa mostrar o que o agente sabia quando agiu.

Lógica de escalada documentada: o agente precisa saber não apenas o que decidir, mas quando não decidir. Quando rotear para um analista humano, qual informação apresentar nesse roteamento, e a qual nível de confiança a decisão requer confirmação humana em vez de execução automatizada. Isso não é uma limitação do agente. É o mecanismo pelo qual a liderança humana é operacionalizada.

Consistência entre decisões automatizadas e humanas: um agente que aplica critérios de forma inconsistente, bloqueando transações similares a taxas diferentes com base em fatores que não podem ser documentados, falha na revisão regulatória. Consistência significa os mesmos critérios de decisão, verificáveis a partir do registro de auditoria, independentemente de a decisão ter sido tomada pelo agente ou por um analista seguindo as regras do agente.

Nada disso é alcançável se os dados que alimentam o agente estão desatualizados, inconsistentes ou não verificáveis no momento da consulta. A estrutura de governança começa na camada de dados.

A infraestrutura em produção: o que a Gu1 leva ao Febraban Tech 2026#

No Balcão 25 do Fintech Lounge do Febraban Tech, de 24 a 26 de agosto, vamos demonstrar Risk Agents operando na infraestrutura descrita acima.

KYC em tempo real, integrado ao ecossistema regulatório brasileiro por meio de fontes de dados primárias, com estado de identidade que se atualiza de forma contínua, não apenas no onboarding. Monitoramento AML com regras calibradas para o perfil de risco do mercado brasileiro, com fluxos de alerta conectados aos requisitos de comunicação ao COAF. Bot detection integrado em fluxos de onboarding de comerciantes de alto volume. E em cada decisão, uma trilha de auditoria completa: consultável, exportável, auditável por qualquer parte que precise revisá-la.

Não como piloto. A Gu1 opera em produção com 34 instituições financeiras em 6 países da América Latina, processando mais de 20 milhões de transações mensais para um único cliente brasileiro. A plataforma possui certificações ISO 27001, SOC 2, GDPR e PCI DSS, e opera com um SLA contratual de 99,5% de disponibilidade. A demonstração roda na mesma infraestrutura.

O que a demonstração vai mostrar não é a sofisticação do modelo subjacente. É o que um Risk Agent consegue fazer de verdade quando os dados que ele precisa estão disponíveis, atualizados e auditáveis: estado KYC que reflete o cadastro de hoje, não o snapshot do trimestre anterior. Alertas AML construídos com contexto comportamental, não apenas limiares absolutos. Consultas a listas regulatórias em tempo real contra fontes ativas, não dados em cache. E em cada decisão, a trilha que uma inspeção do BCB ou uma consulta do COAF consegue seguir.

Se você vai ao Febraban Tech e trabalha com compliance, prevenção a fraudes ou onboarding de comerciantes em uma instituição financeira no Brasil, o time está no Balcão 25 de 24 a 26 de agosto. A conversa vai ser operacional.

---

Aryanne Reis lidera a operação da Gu1 no Brasil, cobrindo o ciclo completo desde o relacionamento comercial até o onboarding de compliance e as operações de risco do dia a dia com subadquirentes, PSPs e fintechs.