3 maneiras de agregar valor com IA a workflows determinísticos em serviços financeiros

Os principais processos financeiros não conseguem lidar com a natureza probabilística dos LLMs. Por necessidade estrutural e regulatória, eles precisam ser determinísticos. Mas isso não significa que a IA não tenha espaço nos serviços financeiros.

Enquanto os dados precisam se mover de um sistema para outro sem variações, a IA pode analisar esses dados para ajudar as empresas a resolver problemas com mais rapidez. O workflow determinístico produz uma saída estruturada. A IA produz significado.

Chamamos essa abordagem de “determinístico plus.” Ela mantém os workflows determinísticos exatamente como são, mas adiciona uma camada agêntica que interpreta o que esses workflows revelam.

Como os serviços financeiros podem usar o modelo determinístico plus

Nos serviços financeiros, uma abordagem determinística costuma ser uma exigência legal, e os regimes regulatórios que exigem explicabilidade não vão desaparecer.

Portanto, a questão não é se os workflows determinísticos deixarão de existir. Eles não deixarão. A questão é onde a IA pode agregar valor que os workflows determinísticos, por sua própria estrutura, não conseguem: automatizando trabalhos não estruturados, dependentes de contexto e que exigem raciocínio.

O padrão determinístico plus funciona da seguinte forma:

• A camada determinística movimenta dados, aplica regras de roteamento, valida entradas, transforma formatos e grava informações nos sistemas de registro. Tudo o que ela processa é auditável e mecanicamente confiável.
• A parte “plus” vem dos workflows agênticos que operam em paralelo ou após esses processos, utilizando as informações que os workflows determinísticos disponibilizam. Ela pode destacar, por exemplo, que o banco processou mais pagamentos do que o habitual relacionados a compras esportivas durante a Copa do Mundo.

Nossos clientes frequentemente identificam oportunidades para aplicar o modelo “determinístico plus” quando analisam o trabalho manual que envolve integrações e automações. Em que momento os dados são entregues a uma pessoa para análise? O que a IA poderia fazer antes dessa transferência para tornar essa análise mais eficiente?

Tratamento de exceções no processamento batch noturno

Embora os sistemas de liquidação em tempo real já processem a maior parte das transações institucionais, os processos batch noturnos dos sistemas bancários centrais ainda são responsáveis por uma pequena parcela da carga. Esses processos exigem operações determinísticas. Reconciliação contábil, consolidação de transações e liquidação de fim de dia precisam se comportar exatamente da mesma forma todas as vezes, com total rastreabilidade.

Quando uma execução batch detecta uma divergência contábil, o workflow determinístico move o desequilíbrio para uma conta transitória. Ele também reúne todos os logs de transações, payloads de API e estados dos sistemas de registro envolvidos, independentemente dos sistemas legados utilizados.

Depois disso, ele aguarda até que a equipe sênior de operações faça login. Diagnosticar a causa raiz de uma falha em um processamento batch pode consumir 40-60% do tempo médio total de resolução e falhas desse tipo representam um risco real de liquidez para os bancos a cada hora em que permanecem sem solução.

Solução determinístico plus: a IA não pode resolver divergências, mas pode acelerar o diagnóstico. Ela consegue analisar todo o conjunto de dados forenses agregados para sugerir uma causa raiz provável e uma recomendação de remediação. Às 6 a.m., quando a equipe sênior de operações faz login, o chamado de exceção não está em branco. Ele contém um diagnóstico provável (por exemplo, uma incompatibilidade na janela de corte de 1 hora com uma rede externa de fornecedores), os IDs das transações relevantes e uma ação sugerida (uma reversão contábil, um lançamento forçado ou um caminho de escalonamento).

Valor: A IA faz toda a análise durante a madrugada. Ela propõe uma causa raiz provável e uma solução potencial. A equipe decide o que fazer com essas informações. A IA não acertará todas as vezes (por isso os humanos continuam envolvidos), mas acertará na maioria delas. Quando isso acontecer, reduzirá o tempo de remediação pela metade.

Suporte ao catálogo de data mesh

Empresas de serviços financeiros utilizam cada vez mais arquiteturas de data mesh para facilitar análises. Essa abordagem distribui a responsabilidade pelos dados entre equipes de domínio, em vez de concentrá-la no departamento de TI. Cada equipe publica seus dados para que o restante da organização possa consumi-los e analisá-los.

Projetos de catálogo de dados frequentemente fracassam devido à baixa adoção e ao pouco engajamento. Em muitos casos, isso acontece porque falta documentação atualizada e compreensível para usuários não técnicos. Sem orientações adequadas, os analistas não encontram o que procuram e acabam voltando para planilhas isoladas.

Solução determinístico plus: Um workflow agêntico utiliza uma amostra dos dados provenientes dos pipelines determinísticos, juntamente com a documentação existente, para produzir um guia atualizado, incluindo as principais mudanças.

Valor: O catálogo permanece atualizado sem gerar um backlog de documentação. Equipes não técnicas conseguem encontrar, compreender e confiar nos produtos de dados de que precisam. A lacuna de adoção diminui, e o investimento da empresa em data mesh passa a gerar retorno.

Inteligência sobre reclamações

Todas as noites, clientes do setor bancário da Digibee sincronizam os dados das agências com a matriz, incluindo um histórico contínuo das reclamações dos clientes. Uma simples agregação dessas informações consegue mostrar o volume de reclamações e sua distribuição por categorias, mas não vai além disso.

Solução determinístico plus: 

Adicione um workflow agêntico que:

1. Propõe explicações para tendências. Por exemplo, um aumento nas reclamações sobre o internet banking pode estar relacionado a uma indisponibilidade temporária (já resolvida) do provedor de nuvem.
2. Identifica novas tendências que o banco ainda não estava monitorando. Um conjunto de denúncias de golpes pode revelar um novo padrão de fraude dias ou até semanas antes de ele aparecer em um ciclo formal de revisão.cle.

O agente atua de forma downstream sobre os dados de reclamações continuamente, resumindo o conteúdo dos lotes processados, identificando concentrações por região ou linha de produto e comparando os volumes atuais com os históricos.

Valor: O processo bancário principal continua totalmente auditável, mas sinais que antes exigiam semanas de análise manual passam a surgir em questão de horas.

O que esses casos têm em comum

Todos esses casos de uso giram em torno de processos centrais que não permitem qualquer saída probabilística. Nenhuma das soluções propostas interfere nesses processos principais. Em vez disso, elas utilizam a IA para sintetizar informações que não podem ser reduzidas a uma fórmula. É exatamente nesse tipo de tarefa que os LLMs apresentam desempenho consistente. Também é um tipo de trabalho que, historicamente, ou deixava de ser realizado ou consumia um tempo valioso de profissionais seniores.

Se você já é cliente da Digibee e quer explorar onde suas integrações podem ter candidatos naturais para um workflow complementar com IA, converse com um membro da nossa equipe.