Introdução
Enquanto a maioria das empresas ainda experimenta com assistentes de código e chatbots de atendimento, o Morgan Stanley está aplicando agentes de IA em uma das operações mais críticas e sensíveis do mercado financeiro: a reconciliação de lucros e perdas (P&L). O resultado impressiona: redução de 50% no tempo necessário para completar esse processo vital. O mais surpreendente? O banco conseguiu isso tornando o sistema menos autônomo, não mais.
A abordagem do gigante financeiro desafia a narrativa dominante de que mais autonomia sempre significa mais eficiência. Em vez disso, o banco desenvolveu um sistema que mantém humanos firmemente no controle, transformando suas decisões em regras reutilizáveis que o sistema pode aplicar de forma consistente.
O desafio da reconciliação diária
Para entender a magnitude do problema que o Morgan Stanley resolveu, é preciso compreender o que acontece nos bastidores de um grande banco de investimentos. Todos os dias de negociação, as mesas de operações do banco processam milhares de transações envolvendo ações, títulos de dívida e outros instrumentos financeiros complexos.
Ao final de cada dia, controladores financeiros enfrentam a tarefa hercúlea de reconciliar os dados de P&L através de múltiplos sistemas: Finanças, Risco, Operações e Captura de Negociações. Quando esses sistemas não concordam – e isso acontece centenas de milhares de vezes – cada discrepância precisa ser investigada manualmente, ajustada e aprovada antes do prazo rígido da manhã seguinte.
Anteriormente, esse processo podia consumir até seis horas para um único livro contábil. Com o sistema FIXR (o nome interno do projeto), o tempo foi reduzido para duas a três horas. Considerando os cerca de 100 controladores que realizam esse trabalho globalmente, a economia chega a aproximadamente 1.500 horas por semana – o equivalente a quase 40 funcionários em tempo integral.
A arquitetura do FIXR: múltiplos agentes colaborativos
O sistema FIXR opera através de uma orquestração sofisticada de múltiplos agentes especializados que trabalham em conjunto. Após os cálculos noturnos de P&L, o sistema automaticamente analisa as discrepâncias (chamadas de ‘breaks’ no jargão financeiro) e propõe resoluções baseadas em regras aprendidas.
A arquitetura inclui três tipos principais de agentes: um que interpreta orientações passadas para desenvolver resoluções no início do dia; outro que aprende com o comportamento dos controladores e documenta as regras que eles aplicam; e um terceiro que converte padrões repetidos em lógica automatizada durável.
Com o tempo, o sistema desenvolve capacidades graduais: pode resolver automaticamente certas discrepâncias que já encontrou antes, sugerir soluções para outras menos familiares, solicitar ajuda quando está incerto e sinalizar casos complexos para investigação humana. Quando itens são repetidamente resolvidos pelo mesmo método, o sistema cria regras firmes que pode aplicar consistentemente.
Humanos no centro: a chave do sucesso
Todd Johnson, Managing Director do Morgan Stanley, enfatiza que o sucesso do sistema reside precisamente em manter os humanos no centro do processo. ‘É muito mais como um colega de trabalho do que um copiloto’, explica Johnson. Os controladores revisam, aprovam ou corrigem cada recomendação, e essas decisões alimentam o sistema para melhorar a próxima execução.
Essa abordagem contrasta com a tendência atual de buscar autonomia máxima em sistemas de IA. Johnson argumenta que a autonomia requer um grau de confiança que muitas organizações ainda não estão prontas para conceder. Se todos precisam verificar tudo o que um agente faz, os ganhos de eficiência desaparecem.
O feedback contínuo humano-agente foi fundamental para enfrentar o desafio de criar automação controlada, mensurável e repetível. ‘Reconhecemos que toda aquela inteligência que está na mente de um controlador seria difícil de transferir completamente para um agente no primeiro dia’, observa Johnson.
Processo primeiro, IA depois
Um aspecto crucial da implementação foi estabelecer processos sólidos antes de introduzir qualquer IA. A equipe de Johnson conduziu uma avaliação minuciosa de inteligência de processos, mapeando e minerando fluxos de trabalho para identificar onde a automação seria mais vantajosa.
A pergunta central não era simplesmente ‘onde podemos colocar IA?’, mas sim: a solução ideal são agentes, automação tradicional ou simplesmente reengenharia de um processo ineficiente? ‘Se pudermos consertar isso primeiro antes de adicionar agentes ao problema, então realmente estaremos transformando a oportunidade’, explica Johnson.
O processo de aprovação de P&L estava repleto de etapas manuais adequadas para automação. Os agentes que assumem essas tarefas demoradas estão liberando os controladores para ‘análises de maior valor agregado’ e ‘considerações de risco mais profundas’.
Determinismo por design
A equipe deliberadamente limitou quanto do fluxo de trabalho dependia do julgamento do modelo. Johnson explica a lógica: ‘Se você tem a oportunidade de tornar as coisas muito prescritas e repetíveis, isso é mais barato em termos de consumo de tokens, é mais repetível em termos de controles – e deixe o LLM fazer as coisas onde você não precisa desse tipo de fluxo de trabalho determinístico’.
À medida que o sistema recebe mais feedback dos controladores sobre um tipo específico de discrepância, o Morgan Stanley converte esse padrão em uma regra fixa em vez de deixá-lo para o modelo decidir. Essa abordagem híbrida combina a flexibilidade da IA com a confiabilidade de regras determinísticas.
Governança e responsabilidade na era dos agentes
Uma questão fundamental que emerge é: agentes de IA são código ou funcionários digitais? Johnson argumenta que ‘provavelmente são um pouco dos dois’, exigindo nuances em governança e supervisão.
As equipes técnicas permanecem responsáveis por manter proteções e salvaguardas como firewalls e criptografia. Mas há uma nova dinâmica em torno do ‘elemento de desempenho’: humanos que usam agentes são responsáveis por eles porque estão auxiliando seu trabalho de negócios.
Johnson traça um paralelo esclarecedor: se um controlador sênior trabalha com um controlador júnior, ele não abandona a responsabilidade apenas porque alguém está ajudando. O mesmo princípio se aplica aos agentes de IA. ‘Um dos nossos princípios fortes na governança de IA em geral é que sempre deve haver responsabilidade humana, mesmo que haja um grau de automação’, afirma.
O que isso significa para o mercado
A experiência do Morgan Stanley oferece lições valiosas para empresas brasileiras que buscam implementar IA em processos críticos. Primeiro, a obsessão com autonomia total pode ser contraproducente – sistemas que mantêm humanos no loop podem ser mais eficazes e confiáveis.
Segundo, o foco em processos antes da tecnologia é fundamental. Muitas empresas no Brasil ainda tentam ‘jogar IA’ em problemas mal definidos, resultando em projetos que nunca saem da fase piloto. A abordagem metódica do Morgan Stanley – mapear, otimizar, depois automatizar – oferece um roteiro mais sustentável.
Terceiro, a escolha de casos de uso extensíveis é estratégica. O banco escolheu a reconciliação de P&L porque centenas de controladores fazem esse trabalho globalmente. Para empresas brasileiras, isso sugere focar em processos que são comuns across múltiplas unidades ou departamentos, maximizando o retorno sobre o investimento.
Implicações para o setor financeiro brasileiro
Para o setor financeiro brasileiro, a abordagem do Morgan Stanley é particularmente relevante. Bancos como Itaú, Bradesco e Santander Brasil enfrentam desafios similares de reconciliação e compliance, muitas vezes agravados pela complexidade regulatória local.
A estratégia de manter controle humano rigoroso também ressoa com o ambiente regulatório brasileiro, onde o Banco Central tem sido cauteloso sobre automação completa em processos críticos. O modelo do Morgan Stanley demonstra que é possível obter ganhos significativos de eficiência sem abrir mão do controle e da responsabilidade humana.
Além disso, a economia de 1.500 horas semanais demonstra um ROI tangível que pode justificar investimentos similares. Para bancos brasileiros pressionados por margens e eficiência operacional, esse tipo de resultado concreto é mais convincente que promessas vagas de ‘transformação digital’.
Conclusão
O caso do Morgan Stanley com o sistema FIXR desafia várias suposições comuns sobre IA empresarial. Em vez de buscar autonomia máxima, o banco encontrou sucesso em um modelo colaborativo onde humanos e máquinas trabalham em estreita parceria. Em vez de começar com a tecnologia mais avançada, focaram primeiro em entender e otimizar processos.
Para o mercado brasileiro, a lição é clara: implementações bem-sucedidas de IA não precisam ser revolucionárias para serem transformadoras. Às vezes, a abordagem mais conservadora – mantendo humanos no controle, focando em processos bem definidos, construindo confiança gradualmente – pode entregar os resultados mais impressionantes.
À medida que mais empresas brasileiras exploram agentes de IA, o exemplo do Morgan Stanley oferece um modelo testado em um dos ambientes mais exigentes do mundo financeiro. O futuro da IA empresarial pode não ser sobre substituir humanos, mas sobre amplificar suas capacidades de formas cada vez mais sofisticadas e confiáveis.
Fonte original: Este artigo foi adaptado e traduzido a partir da matéria publicada em VentureBeat, disponível em https://venturebeat.com/orchestration/morgan-stanley-cut-its-riskiest-reconciliation-job-in-half-by-making-its-agents-less-autonomous.
