No Febraban Tech 2026, os presidentes de Itaú, Banco do Brasil, Bradesco, Nubank, Santander, Caixa e BTG debateram, no mesmo palco, o avanço de agentes de inteligência artificial no setor financeiro. O Itaú contou que testa agentes simulando o comportamento de clientes reais antes de validar qualquer interação em produção. O Banco do Brasil foi além: formalizou supervisão humana como disciplina própria de operação — o que o mercado já chama de human on the loop — em vez de tratá-la como exceção acionada só quando algo dá errado. Segundo a Pesquisa Febraban de Tecnologia Bancária 2026 (Deloitte), o orçamento de TI dos bancos brasileiros deve chegar a R$ 50,4 bilhões em 2026, 8% acima do ano anterior — e, desse total, cerca de R$ 2,97 bilhões vão especificamente para IA, analytics e big data.
O dado que mais importa para uma empresa de médio porte não é o tamanho do investimento. É que R$ 2,97 bilhões é uma fatia pequena de R$ 50,4 bilhões — os bancos não estão gastando mais em IA de forma indiscriminada, estão discriminando onde gastam. E o critério por trás dessa discriminação — simular antes de confiar, nomear por escrito quando uma decisão precisa de revisão humana — não depende de escala de banco. Depende de disciplina documentada, que qualquer empresa consegue copiar, com ou sem orçamento de bilhões.
Principais aprendizados
- Dos R$ 50,4 bilhões de orçamento de TI previstos para os bancos brasileiros em 2026 (Febraban/Deloitte), cerca de R$ 2,97 bilhões vão para IA, analytics e big data — uma fração do total, não a maior parte dele.
- O Itaú testa agentes de IA simulando clientes reais antes de liberar qualquer interação em produção — a validação de segurança acontece antes do incidente, não depois dele.
- O Banco do Brasil formalizou “humano no loop” como disciplina de operação (AgentOps), com critério documentado de quando o agente decide sozinho e quando a decisão precisa passar por revisão humana.
- O princípio por trás dos dois bancos é o mesmo: simular antes de confiar, documentar antes de escalar — e isso não exige escala de banco para funcionar.
- Uma empresa de médio porte consegue aplicar a mesma disciplina com uma fração do investimento, desde que defina por escrito o que o agente decide sozinho e o que precisa de revisão.
Por que simular o comportamento de um cliente real antes de liberar um agente de IA?
Porque o custo de um erro descoberto em ambiente de teste é muito menor do que o custo do mesmo erro descoberto com um cliente de verdade, um contrato real ou um valor em jogo. É essa lógica que sustenta a prática do Itaú: antes de liberar um agente para interagir com clientes, a equipe testa como ele se comporta diante de cenários que imitam o comportamento real — pergunta ambígua, tentativa de burlar uma regra, pedido fora do escopo previsto. O objetivo não é provar que o agente funciona bem no caso ideal; é descobrir, antes do cliente, onde ele se comporta mal.
Para uma empresa de médio porte, construir esse tipo de simulação não exige um laboratório de IA dedicado. Exige listar, por escrito, os cinco ou dez cenários mais prováveis de dar errado num processo específico — não genericamente “o agente pode errar”, mas “o que acontece se o cliente pedir algo fora do roteiro”, “o que acontece se o dado de entrada vier incompleto” — e testar cada um antes de liberar o agente para o primeiro usuário real. O trade-off é tempo: simular cenários de falha antes de lançar atrasa o piloto em dias, não em meses. O erro mais caro, historicamente, não é esse atraso — é pular direto para produção e descobrir o cenário de falha com o cliente errado, no momento errado.
O que muda quando “humano no loop” vira disciplina formal, e não exceção?
Muda que a revisão humana deixa de depender da sorte de alguém notar um erro a tempo, e passa a ter um ponto definido, documentado e monitorado, onde a decisão do agente para e espera confirmação. Como já detalhamos em governança de IA: o que separa empresas que escalam de quem apenas testou, a diferença entre uma empresa que escala com segurança e uma que só testou raramente é o tamanho do investimento em governança — é se existe, desde o primeiro piloto, um ponto nomeado onde a decisão automatizada para e espera confirmação humana.
O risco dos dois lados é real: revisão humana demais em toda decisão burocratiza o processo e devolve a lentidão que a IA deveria resolver; revisão de menos dispersa o risco até ele aparecer como incidente. O critério que resolve essa tensão não é um meio-termo genérico — é mapear, por tipo de decisão, o impacto de um erro (financeiro, reputacional, regulatório) e definir ali, especificamente, se a revisão é prévia, por amostragem ou só auditada depois.
Já vi de perto o que acontece quando essa disciplina é aplicada fora do contexto bancário. Numa operação de serviços financeiros de médio porte, os times de crédito, documentação e controle de risco passaram a construir as próprias automações dentro do perímetro de ferramentas e dados já aprovado pela área de TI, sem contratar nenhuma plataforma nova — o programa recebeu 106 avaliações internas, com predominância de nota máxima. O resultado não foi “menos gente revisando”: foi mais escala de crédito sem aumento proporcional de equipe, redução de consultas de crédito desnecessárias e monitoramento contínuo dos indicadores de prazo regulatório — porque o ponto onde a decisão automatizada parava e esperava revisão humana estava definido desde o início, não encaixado depois que o volume já tinha crescido demais para revisar um a um. Como em qualquer caso real, os resultados refletem o contexto, a maturidade e os processos de cada organização, e não constituem promessa de resultado equivalente em outro ambiente.
Uma empresa de médio porte precisa do orçamento de um banco para aplicar essa disciplina?
Não. O que sustenta a disciplina dos bancos não é o tamanho do investimento — é ter documentado o que o agente decide sozinho, o que precisa de revisão, e quem é o responsável por essa revisão. Isso se escreve numa tarde de trabalho bem conduzida; não se compra com orçamento de TI de bilhões.
O caminho mais replicável para quem não tem escala de banco é o mesmo que orienta o modelo AMPLIFICA da HAIA: a área de TI define, uma única vez, o perímetro de ferramentas e dados autorizados — já dentro das regras de segurança e da LGPD —, e o time de negócio constrói e testa a automação dentro desse perímetro, sem esperar nova plataforma nem novo orçamento aprovado em comitê. O ponto de decisão humana entra no mesmo desenho: antes de construir qualquer agente, a empresa decide, por escrito, qual tipo de decisão ele pode tomar sozinho e qual tipo precisa parar e esperar alguém validar.
O erro mais comum em empresa de médio porte não é a falta de orçamento. É tratar “humano no loop” como frase de slide — sem nunca escrever, de fato, onde esse humano entra.
Perguntas frequentes
O que significa “humano no loop” (human on the loop) na prática?
Significa que existe um ponto definido e documentado onde a decisão de um agente de IA para e espera confirmação de uma pessoa nomeada antes de valer — não um acompanhamento genérico de longe. Na prática, isso exige listar que tipos de decisão o agente pode tomar sozinho, quais exigem revisão prévia, e quem é essa pessoa, antes de o agente entrar em produção.
Preciso de uma equipe de AgentOps dedicada para aplicar essa disciplina?
Não — o nome é novo, mas o princípio não exige equipe nova. No Banco do Brasil, AgentOps formaliza uma prática que qualquer empresa de médio porte consegue manter com o próprio time de negócio: documentar o critério de decisão do agente, revisar uma amostra periódica das decisões tomadas e ajustar o critério quando o padrão de erro muda. Isso cabe numa rotina mensal, não numa contratação.
Quanto do orçamento de TI uma empresa de médio porte deveria destinar à IA?
Não existe um percentual fixo replicável — o recorte dos bancos (cerca de 6% do orçamento total de TI) retrata o setor financeiro, não é uma meta universal. O que importa não é igualar a proporção, é aplicar o mesmo critério de prioridade: identificar o processo com maior frequência, tempo e retrabalho, e destinar a ele o quanto for necessário para medir resultado antes de expandir para outros processos.
Simular um agente de IA antes de ativá-lo exige equipe técnica especializada?
Não necessariamente. Simular cenários de falha é, antes de tudo, um exercício de conhecimento do processo: listar as perguntas, pedidos e erros mais prováveis de um cliente ou usuário real, e testar a resposta do agente a cada um antes do primeiro uso real. Equipe técnica ajuda a automatizar esse teste, mas o ponto de partida é o time que já conhece o processo no dia a dia.
