Febraban Tech 2026: por que a ambição dos agentes de IA esbarra na arquitetura de dados

Executivos de TI compartilharam o sonho de operar com equipes híbridas, onde gestores coordenam colaboradores e agentes de IA de ponta a ponta nas operações.

Embora 52% das instituições declarem adotar agentes de IA em alguma capacidade, a escala de produção real é mínima. Apenas 16% dos bancos integraram Agentic AI em larga escala de forma otimizada. A esmagadora maioria (60%) permanece em fase de exploração inicial ou escala limitada, enquanto 24% sequer utilizam essa tecnologia para automação.

Agentes autônomos exigem mais do que prompts bem escritos; eles demandam pipelines de dados bidirecionais de baixa latência. Integrar agentes de IA com o ecossistema corporativo requer a adoção de padrões emergentes como o Model Context Protocol (MCP) — hoje adotado por 50% das instituições — e arquiteturas de integração robustas para que a IA possa ler e escrever em sistemas legados sem gerar falhas operacionais.

Iniciativas como o "Meu Bradesco" prometem criar "um banco para cada cliente" com base em IA generativa, enquanto o Santander enfatiza que os bancos de sucesso tratam dados como um "filme" contínuo de transformação, e não como fotos estáticas.

Apesar de 68% dos bancos priorizarem a personalização de produtos como estratégia central de diferenciação, a infraestrutura atual não acompanha a ambição. Apenas 8% das instituições bancárias brasileiras promovem personalização avançada com IA (capaz de prever necessidades futuras em tempo real). Impressionantes 29% não aplicam dados transacionais em suas ofertas de personalização, e outros 29% utilizam apenas dados históricos e demográficos básicos.

Tratar os dados de um cliente como um "filme" exige pipelines de processamento em tempo real (stream processing) unificados. Se a sua camada de dados opera em silos batch noturnos, o seu LLM nunca será capaz de gerar um "crédito instantâneo" ou uma recomendação de pagamento contextualizada na jornada do usuário.

Livia Chanes destacou que o Nubank redefiniu seus ciclos de desenvolvimento internos com IA generativa, alcançando um aumento dramático de quase 90% na capacidade de escrita de códigos pela sua equipe de engenharia.

Esse ganho exponencial, infelizmente, é a exceção e não a regra do mercado financeiro. No setor como um todo, apenas 20% das instituições possuem ferramentas de IA para geração de código integradas em larga escala. A imensa maioria (72%) ainda está tateando a tecnologia em caráter de exploração inicial ou pilotos limitados.

O ganho de escala no desenvolvimento de software não ocorre apenas entregando licenças de assistentes de código para os engenheiros. Ele exige infraestruturas modernas de CI/CD que automatizem testes de código com IA (hoje integrados de forma otimizada em apenas 16% dos bancos) e mantenham bases de conhecimento corporativas e documentações de sistemas legados indexadas via RAG (Retrieval-Augmented Generation) para contextualizar as ferramentas geradoras.

Os líderes chamaram atenção para os limites da autonomia das máquinas. Consideram que a responsabilidade civil e criminal pelas decisões finais permanece 100% humana.

Embora o discurso de segurança seja rígido, os bastidores técnicos mostram vulnerabilidades. 17% dos bancos admitem não possuir qualquer prática de governança para Large Language Models (LLM) em suas operações. Salvaguardas básicas ainda são raras: apenas 26% dos bancos adotam políticas de gestão e proteção de dados para LLM e meros 26% possuem práticas consolidadas de explicabilidade e rastreabilidade de modelos.

Governança moderna de IA não se resume a restringir acessos na camada de aplicação. Ela é desenhada na arquitetura de dados. Bancos de alta performance estão migrando para arquiteturas integradas que protegem dados sensíveis antes de alimentarem os LLMs de mercado. A implementação de controles como auditoria contínua de segurança de LLMs (adotada por 30%) e rastreabilidade dos metadados de entrada do modelo são cruciais para mitigar riscos de alucinação e violação de privacidade.

Carlos Vieira (Caixa) destacou que a transição de um banco analógico para o digital acelerado pela IA de ponta exige, acima de tudo, um profundo processo de convencimento e mudança cultural dos colaboradores de negócios e TI.

Apesar de a inteligência artificial, machine learning e governança de dados liderarem a lista de habilidades prioritárias nos bancos, há um vácuo no planejamento de talentos: 30% das organizações financeiras simplesmente não possuem ou sequer estão desenvolvendo estratégias de requalificação (reskilling/upskilling) para sustentar essa evolução digital.

Plataformas de dados exponenciais e agentes de IA dependem de equipes capacitadas que saibam orquestrá-los de forma híbrida. Sem treinar as pontas de negócios para interagir com dados governados e pipelines automatizados, as soluções de engenharia se transformam em ilhas isoladas de tecnologia que falham em trazer retorno financeiro real.