Em 2026, construir um agente conversacional leva uma tarde. Os modelos são excelentes, as ferramentas estão por toda parte e uma capacidade que, há dois anos, exigia uma equipe especializada agora está disponível para qualquer pessoa com um cartão de crédito.

A produção conta uma história diferente. Cerca de 99% das empresas afirmam que planejam implementar agentes de IA, mas aproximadamente 11% conseguiram fazê-lo. Quando pesquisadores investigam o motivo, os obstáculos se concentram em preparação de dados e governança — raramente no próprio modelo.

Existe um segundo problema que recebe menos atenção, e ele começa depois do lançamento. Um agente entra em produção, os dashboards se enchem de taxas de contato e índices de sentimento, e a operação entra em uma rotina de relatórios. Seis meses depois, o agente se comporta exatamente como no primeiro dia, embora o portfólio tenha mudado, os clientes tenham começado a fazer perguntas diferentes e alguns padrões de falha tenham silenciosamente se tornado crônicos. Toda essa informação existe nos registros das conversas. Quase nada dela chega de volta ao agente.

As instituições que estão avançando mais rápido este ano construíram o caminho de retorno: uma camada de supervisão que lê cada interação, identifica onde o agente apresenta baixo desempenho e aplica esse aprendizado continuamente. Esta edição analisa por que essa capacidade — mais do que a própria criação de agentes — está determinando quem consegue obter retornos reais com IA nos serviços financeiros.

Referências: Neurons Lab, Agentic AI in Financial Services Research Roundup, 2026; KPMG, Agentic AI Investment Returns, 2026.

IA em Finanças: A Economia da Melhoria

Os dados sobre retorno da IA agentiva amadureceram consideravelmente. A KPMG documenta um retorno médio de 2,3x em até 13 meses após a implementação, enquanto os melhores desempenhos da amostra chegam a US$ 8 para cada US$ 1 investido. Essa diferença — entre um retorno razoável e um excepcional — está fortemente correlacionada à velocidade com que uma operação transforma seus próprios dados de interação em mudanças de desempenho.

A América Latina ilustra bem essa diferença. Dados do BID e da McKinsey mostram que 67% das grandes empresas da região já têm pelo menos um projeto de IA em produção, enquanto apenas 23% relatam impacto mensurável nos indicadores de negócio. Os serviços financeiros são o setor mais maduro, e as instituições que executam bem nessa área reportam um ROI médio de 3,2x no primeiro ano. O valor claramente existe; capturá-lo é uma disciplina diferente de simplesmente implementar a tecnologia.

Os dados sobre fracasso apontam na mesma direção. A Gartner projeta que mais de 40% das iniciativas de IA agentiva serão canceladas até o final de 2027, citando lacunas de governança e ROI não comprovado como principais causas. Em pesquisas sobre obstáculos à implementação, 48% das organizações apontam preocupações com governança de dados e 20% admitem que seus dados ainda não estão preparados. Os projetos tendem a sobreviver à fase de lançamento e morrer depois, durante o longo período em que o agente está funcionando, mas ninguém consegue demonstrar que ele está melhorando.

Alguns exemplos concretos mostram o que um agente estático deixa passar em uma operação financeira real. Em cobrança, um script de negociação que converteu bem no primeiro trimestre perde eficácia à medida que o perfil da inadimplência muda. Na originação de crédito, os clientes começam a perguntar sobre um produto que o agente nunca foi configurado para abordar — um sinal de demanda presente nas transcrições, mas que permanece sem leitura. No onboarding de seguros, um erro de extração em determinado tipo de documento se repete durante semanas antes que alguém consiga correlacionar as reclamações. Dashboards tradicionais registrarão a queda nos números em cada um desses casos. Diagnosticar a causa exige algo que analise as próprias conversas e conecte a descoberta a uma correção.

A pesquisa de 2026 da Snowflake sobre serviços financeiros descreve para onde o setor está caminhando: programas de IA que sejam quantificáveis, altamente governados e cada vez mais agentivos, liderados por empresas que conectam dados confiáveis, execução governada e resultados mensuráveis. Na prática, isso significa que a revisão mensal de uma operação de IA deveria ser capaz de mostrar o que os agentes aprenderam desde a última revisão, quais padrões de falha foram detectados, o que mudou em resposta a eles e o que se alterou como resultado.

Referências: KPMG, Agentic AI Returns Analysis, 2026; IDB/McKinsey via Numoru, State of Enterprise AI in Latin America, 2026; Gartner, Agentic AI Project Forecasts, 2026–2027; Snowflake, The ROI of Gen AI and Agents, 2026.

Produto Coru®: ADI Platform

A maioria dos fornecedores de IA concentra-se na criação de agentes e deixa a fase pós-lançamento nas mãos do cliente, geralmente na forma de um dashboard. A ADI Platform, desenvolvida pela Coru®, trata o que acontece depois do go-live como o núcleo do produto.

Evolução supervisionada. A ADI Platform analisa continuamente os agentes em produção: onde as conversas têm sucesso, onde travam, onde as respostas se desviam do comportamento esperado e onde os clientes solicitam algo fora do escopo atual do agente. Anomalias, pontos de falha e padrões de alucinação são identificados automaticamente e alimentam a configuração do agente. As equipes humanas supervisionam e aprovam a evolução; a plataforma cuida da detecção e do diagnóstico.

Uma camada de dados compartilhada. Criação de agentes, orquestração de campanhas outbound, analytics em tempo real e inteligência documental operam sobre os mesmos dados dentro da ADI Platform. Um padrão identificado no analytics se transforma em uma correção no agente sem arquivos de exportação, middleware ou um projeto de serviços — justamente a etapa em que a maioria das stacks com múltiplos fornecedores perde o sinal.

Métricas no nível do negócio. Além das análises de conversas, a plataforma mostra quando os clientes efetivamente respondem, quais dias e horários convertem, como as interações são avaliadas e onde estão concentradas as oportunidades de melhoria. O público-alvo é o líder de operações ou de negócio que decide onde investir, e não apenas a equipe técnica que monitora disponibilidade.

Profundidade de domínio para serviços financeiros na América Latina. A ADI Platform atende cobrança, originação de crédito, onboarding de seguros e atendimento de contas em mercados regulados de língua espanhola e portuguesa. Cada interação aprimora uma inteligência específica para esses verticais — o contexto regulatório, os padrões de negociação e os tipos de documentos — áreas em que construtores generalistas de agentes ainda são superficiais.

Gerenciado ou self-service. Instituições que preferem que a Coru® construa e opere seus agentes contam com todo o ciclo de supervisão gerenciado. Instituições que querem construir seus próprios agentes utilizam a mesma plataforma, a mesma camada de evolução e o mesmo histórico de auditoria, sem lock-in. Os dois caminhos funcionam sobre a mesma infraestrutura.

Coru Weekly Picks

Recomendação de série: The Bear (FX/Hulu)

Um drama sobre uma cozinha de Chicago em busca de uma estrela Michelin e um dos melhores retratos de um ciclo de melhoria contínua em funcionamento. Depois de cada serviço, a equipe revisa o que deu errado, identifica especificamente o problema e aplica a correção no dia seguinte. O que torna a série especialmente relevante para líderes de operações é a ênfase na velocidade desse ciclo: as falhas têm horas, às vezes minutos, antes que alguém aja sobre elas.

A maioria das operações de IA realiza esse mesmo tipo de revisão trimestralmente — quando realiza. E a diferença nos resultados se parece muito com a diferença entre os restaurantes mostrados na série.

Recomendação de livro: Thinking in Systems, Donella Meadows

Meadows dedicou sua carreira a estudar por que os sistemas se comportam da maneira como se comportam, e sua principal conclusão é diretamente relevante para esta edição: o comportamento é amplamente governado pelos fluxos de informação — o que é medido, para onde essa medição vai e se ela chega a um ponto de decisão.

Uma operação de IA em que os dados das conversas retornam ao agente se comporta de maneira diferente, ao longo do tempo, de uma operação em que esses mesmos dados terminam em um relatório — mesmo quando a tecnologia subjacente é idêntica.

É um livro curto, acessível e escrito décadas antes da existência dos agentes de IA, o que torna sua relevância para eles ainda mais convincente.

A diferença entre as operações de IA em 2026 raramente é visível no lançamento. Ela aparece seis meses depois, na forma como os agentes mudaram.

Na Coru, não construímos apenas tecnologia; construímos contexto. Entendemos que, na América Latina, inteligência financeira é inseparável das nuances culturais. Ao combinar IA em escala global com precisão para os mercados locais, ajudamos sua operação a transformar dados complexos em ações decisivas e rentáveis.

Explore mais em coru.com.