Os dados financeiros estão entre as informações mais sensíveis que as pessoas partilham com qualquer plataforma. Os erros têm consequências regulatórias. Uma resposta errada sobre um bloqueio por fraude ou uma contestação de conta mal gerida não se limita a frustrar um cliente: cria exposição legal, fragiliza a situação de conformidade e gera o tipo de notícias que leva anos a reverter.
Durante grande parte da última década, as equipas de suporte de FinTech resolveram as questões de suporte da mesma forma: resolver o que é simples com automação, atribuir pessoas a tudo o que é sensível e aceitar a estrutura de custos que daí resulta.
Esse modelo está sob pressão. Não porque o que está em jogo tenha mudado, mas porque os agentes de IA amadureceram ao ponto de atribuir uma pessoa deixar de ser a única forma de tratar com segurança interações complexas e altamente sensíveis. A questão deixou de ser se se deve automatizar e passou a ser como arquitetar a automação para que seja verdadeiramente fiável.
O problema dos dados na FinTech é estrutural
Todos os setores têm dados sensíveis. Na FinTech, o problema é particularmente agudo devido à forma como os dados estão estruturados e ao número de partes com direitos legítimos, mas distintos, sobre eles.
Considere-se uma plataforma que serve titulares de contas empresariais e os respetivos colaboradores. O proprietário da empresa tem visibilidade total. Um colaborador titular de cartão vê apenas a atividade do seu próprio cartão. Ambos são utilizadores autenticados da mesma plataforma. Ambos podem fazer perguntas semelhantes — porque é que esta transação foi recusada? — mas os dados que cada um está autorizado a ver e as ações que cada um está autorizado a realizar são fundamentalmente diferentes.
Acrescente-se uma terceira camada: a própria plataforma, com equipas de operações internas, funções de conformidade e analistas de fraude, cada um dos quais precisa de aceder aos dados das contas segundo regras totalmente diferentes.
Não se trata de um caso limite hipotético. É o modelo operacional padrão das plataformas de banca empresarial, plataformas de crédito, ferramentas de gestão de despesas e fornecedores de infraestruturas de pagamento. O ambiente de dados é partilhado. As regras de acesso não são.
Quando os agentes de IA entram neste ambiente com acesso alargado e sem regras rígidas de elegibilidade por participante, o potencial de contaminação cruzada é significativo. Não porque o agente seja malicioso, mas porque está a fazer exatamente aquilo para que foi concebido: encontrar a informação mais relevante e usá-la para responder à pergunta.
O problema é que relevante e permitido não são a mesma coisa.
O que acontece quando a IA na FinTech erra
Os modos de falha na FinTech são versões de maior risco dos mesmos padrões que surgem em qualquer plataforma multilateral.
Exposição regulatória. O acesso a dados financeiros é regido por regulamentação que exige minimização de dados, limitação da finalidade, consentimento e auditabilidade. Um agente que apresenta dados de uma conta a um utilizador não autorizado não origina apenas um incidente de suporte: origina um potencial evento de conformidade. «O modelo considerou que era relevante» não é uma resposta que satisfaça um regulador.
Confiança dos titulares de contas. Os serviços financeiros assentam na confiança como poucos setores. No momento em que um utilizador começa a perguntar «o que mais é que esta plataforma sabe sobre mim, e quem mais o pode ver?», criou-se um problema que nenhuma pontuação de CSAT capta.
Violações do controlo de acessos interno. Os analistas de fraude operam segundo regras de acesso diferentes das do apoio ao cliente. As equipas de conformidade têm âmbitos diferentes dos gestores de conta. Um agente de IA que opere em todas estas funções sem controlos explícitos de elegibilidade baseados em funções torna-se um vetor de violações de acesso internas.
Erros em decisões críticas. As interações em que os agentes de IA são mais úteis — contestações por fraude, falhas de pagamento, restrições de conta — são também aquelas em que um erro tem mais consequências. Um cliente que age com base em informação errada sobre o processo de resolução de uma contestação por fraude cria responsabilidades a jusante pelas quais a plataforma passa a responder.
A reavaliação em curso
As plataformas de FinTech que lideram a mudança de arquitetura não estão a abandonar a automação. Estão a separar duas coisas que historicamente andaram juntas: a capacidade de raciocínio do agente de IA e o seu acesso aos dados.
A ideia é simples. A capacidade de um agente de IA para compreender o contexto, lidar com nuances e conduzir interações complexas não depende de ter acesso a tudo. Depende de ter acesso ao que é adequado para o contexto em que está a operar.
Isto conduz a um princípio de arquitetura que, em retrospetiva, parece óbvio: definir o que é elegível antes de o agente obter qualquer informação.
Na prática, cada interação começa por estabelecer o contexto — que canal, que utilizador autenticado, que função e que ambiente de políticas estão ativos. A partir desses dados, a plataforma determina que dados estão no âmbito e que ações são permitidas. O agente opera então dentro desse âmbito com toda a sua capacidade de raciocínio.
Um proprietário de conta empresarial que pergunta pela atividade do cartão de um membro da equipa vê aquilo que está autorizado a ver. Um colaborador titular de cartão que faz a mesma pergunta vê apenas os seus próprios dados. Um analista de conformidade que realiza uma revisão opera segundo regras de acesso adequadas à conformidade. O mesmo agente de IA. A mesma capacidade de base. Contextos de elegibilidade diferentes, aplicados na camada de arquitetura, antes de o agente raciocinar sobre o que quer que seja.
Esta abordagem traz três benefícios concretos que são relevantes na FinTech.
Auditabilidade. Quando cada interação é delimitada por regras de elegibilidade explícitas, existe um registo claro dos dados disponíveis para o agente em cada interação. «A que dados acedeu o agente?» passa a ser uma pergunta com resposta precisa, e não aproximada — exatamente o que um inquérito regulatório exige.
Aplicação consistente do controlo de acessos. A camada de elegibilidade não depende de o agente se lembrar das suas instruções ou inferir corretamente o contexto. É aplicada estruturalmente, o que significa que se aplica de forma consistente em todas as interações, em todos os casos limite e perante qualquer input invulgar.
Postura de conformidade escalável. Quando surge nova regulamentação — e na FinTech surge sempre —, a atualização das regras de elegibilidade na camada de arquitetura propaga-se de imediato a todas as interações de IA. Não é preciso reformular prompts nem treinar novamente os sistemas. As regras aplicam-se em todo o lado, automaticamente.
O papel do julgamento humano não desaparece
Há algo que a reavaliação da arquitetura não altera: existem interações em que o julgamento humano é a opção certa, e um sistema de IA bem concebido facilita esse encaminhamento.
Na FinTech, estes momentos são previsíveis. Um cliente que contesta uma decisão de fraude que a plataforma já reviu. Um titular de conta empresarial que questiona um bloqueio por conformidade. Um cliente de elevado valor com uma questão complexa sobre vários produtos, que envolve decisões sobre políticas de exceção.
Estas interações beneficiam de o Agent Maven tratar da obtenção de informação e da reunião do contexto, pondo o agente humano rapidamente a par da situação, apresentando o histórico relevante e assinalando as questões-chave a responder, mantendo sempre a decisão final e a comunicação nas mãos de pessoas.
O percurso de escalonamento não é um modo de falha. É uma funcionalidade concebida de uma arquitetura de suporte com IA madura. Construí-lo de forma deliberada, com critérios de acionamento claros, transferências fluidas e contexto completo passado ao agente humano, é o que distingue as implementações de IA que resistem ao escrutínio das que criam incidentes precisamente quando mais está em jogo.
Da redução de custos à infraestrutura de confiança
A abordagem inicial da IA no suporte da FinTech centrava-se quase exclusivamente nos custos — taxas de deflexão, redução de pedidos, poupança de horas de agentes. Estas métricas são reais e importantes, mas captam apenas parte do que está em jogo.
As plataformas de FinTech que retiram o valor mais duradouro da IA não estão sobretudo a otimizar a redução de custos. Estão a construir algo mais difícil de replicar: uma infraestrutura de suporte em que todos os grupos de participantes — clientes, titulares de contas, clientes empresariais, equipas internas — podem confiar para tratar os seus dados de forma adequada e as suas interações de forma consistente.
É um objetivo de conceção diferente da deflexão, e exige uma arquitetura diferente para o alcançar. Uma arquitetura em que o controlo de acessos não é um acrescento posterior a um modelo capaz, mas uma camada fundamental sobre a qual assenta a capacidade do modelo.
As plataformas que investem agora nessa arquitetura não estão apenas a resolver o problema atual de governação da IA. Estão a construir uma infraestrutura que torna fiável por definição qualquer capacidade futura de IA, porque a camada de elegibilidade que rege o agente de suporte de hoje regerá também o agente mais capaz de amanhã.
Na FinTech, a confiança não é uma funcionalidade. É o produto.
Veja-o nas suas próprias conversas.
Peça uma demonstração personalizada gratuita.
