Desafios vão do custo ligado ao uso da tecnologia até o tempo de resposta ao cliente 0.5x 1x 1.25x 1.5x 2x 00:00 00:00 O sistema bancário é um dos precursores no uso de inteligência artificial. Há décadas, instituições financeiras brasileiras usam a tecnologia para automatizar serviços que vão desde análises internas até o atendimento ao cliente. O uso se espalhou nos últimos anos com a popularização das IAs generativas, e problemas que não apareciam nas provas de conceito começaram a surgir quando as ferramentas ganharam escala. Os desafios vão desde o custo ligado à utilização até o tempo de resposta ao cliente. Para Marcílio Oliveira, cofundador e CGO da Sensedia, uma das principais preocupações está no custo. “Tem muita coisa desconhecida ainda sobre o custo das LLMs [Large Language Models, ou grandes modelos de linguagem], principalmente.” Com a disseminação das IAs generativas, empresas passaram a incentivar o uso em várias áreas ao mesmo tempo, sem ter uma estimativa precisa de quanto isso custaria quando centenas de funcionários começassem a recorrer aos modelos diariamente. “As empresas liberaram para as pessoas usarem e estão recebendo extratos assustadores de custo, custos com LLMs altíssimos”, diz Oliveira. Parte da conta vem dos tokens, unidades usadas pelas empresas de IA para cobrar pelo processamento dos modelos. Oliveira lembra o caso de um CFO que separou US$ 400 mil para um mês de uso. “E aí, na primeira semana, acabou o dinheiro.” O tempo de resposta de algumas IAs também pode inviabilizar um sistema que funciona bem tecnicamente. Quando começou a desenvolver um projeto de IA voltado ao atendimento ao cliente, o Banco BV dependia do processamento dos modelos fora do Brasil. A latência da rede, ou o intervalo entre o envio da informação e o retorno da resposta, fazia com que algumas respostas levassem até seis segundos para chegar ao cliente, tempo suficiente para comprometer a interação. “O cliente já não suportava aquilo. Esse foi um dos projetos que tecnicamente estava maravilhoso, mas a latência de rede, a resposta de rodar os modelos fora do Brasil, dificultou muito a implantação”, diz Alberto Campos, vice-presidente de tecnologia do Banco BV e um dos participantes da mesa “Do Piloto ao Resultado: O Caminho para IA em Escala nos Bancos”, na Febraban Tech 2026. O contato com os clientes exigiu novas mudanças. O BV percebeu resistência à forma como o agente falava, passou a informar explicitamente quando o atendimento era feito por IA e refez a voz usada. “[Para] uma voz que te convide mais, que já te dê um pouco mais de segurança, ao invés daquela voz metálica”, afirma Campos. O agente já está na quarta versão. Tem muita coisa desconhecida ainda sobre o custo das LLMs” José Caodaglio, CEO e fundador da Colmeia, diz que os problemas aumentam quando a IA sai do uso interno e passa a falar diretamente com o cliente. Dentro da empresa, um funcionário ainda pode conferir uma resposta antes de agir. No atendimento externo, o sistema pode dar uma informação errada ou executar uma ação antes que alguém consiga intervir. “As LLMs dão uma impressão muito rapidamente de estar entregando 70% do que você precisa em dez minutos, só que os outros 30% às vezes são intransponíveis", afirma Caodaglio. No atendimento ao cliente, esse limite pesa mais porque uma resposta errada pode chegar diretamente ao consumidor ou levar o sistema a executar uma ação difícil de corrigir. Para evitar isso, o ideal, diz, é começar por tarefas que possam ser desfeitas sem maiores consequências - e deixar de fora, ao menos num primeiro momento, decisões como um débito em conta, cuja reversão pode depender da participação de terceiros. Os testes ficam mais complexos porque o cliente não segue um roteiro. Em sistemas tradicionais, ele costuma escolher entre opções previamente definidas. Com uma LLM, a mesma solicitação pode ser feita de muitas maneiras, inclusive em formas que não apareceram na prova de conceito. “Às vezes esses problemas não são pegos em teste”, diz Caodaglio. O uso interno também trouxe riscos ligados ao envio de dados sensíveis para modelos mantidos por fornecedores externos. “Você tem que confiar que ela vai exercer o que ela prometeu no contrato, mas é uma relação de confiança que você não tem como monitorar”, afirma Caodaglio. O risco muda de dimensão quando o agente deixa de apenas recomendar e passa a executar ações. Nesse caso, diz Oliveira, a empresa precisa definir o que cada agente pode acessar e fazer. “A gente não está falando mais do ‘co-pilot’, onde a gente usa a inteligência artificial para ajudar a gente a tomar decisão. A gente está falando do momento onde os agentes tomam a decisão e executam as ações.” Mesmo quando o sistema funciona nos testes, a entrada em produção pode exigir mudanças na estrutura da empresa. Oliveira diz que a Sensedia acompanha projetos que precisaram rever a arquitetura antes de ganhar escala. “E, para levar isso para a produção, você precisa de gente capacitada, de uma arquitetura que suporte essa escala”, afirma.