A edição de setembro da Conexão Inovar, a newsletter da Associação Brasileira das Entidades dos Mercados Financeiro e de Capitais (Anbima), destaca a inovação e a transformação digital no mercado de capitais.
Segundo um relatório do Gartner sobre o impacto da tecnologia nas corporações, os agentes de IA são uma ponte entre o estado atual da IA e o futuro . O comportamento-chave aqui é “ter agência”, ou seja, ter a capacidade de intervir (agir) em processos com mínima supervisão humana, adaptando e executando ações para atingir objetivos em ambientes complexos.
A publicação afirma que os agentes de inteligência artificial são a próxima grande onda da automação. “Eles são rápidos, trabalham em equipe e podem realizar diversas tarefas específicas sem intervenção humana”. Os agentes da IA seria uma nova geração sofisticada de entidades inteligentes apoiados por LLMs (Large Language Model) e orientados por dados de negócios.
O texto sublinha que os agentes de IA atuam de maneira autônoma, tomando decisões e realizando ações com base em dados e objetivos predefinidos em sua programação. Várias disciplinas da IA estão por trás da inovação: aprendizado de máquina, processamento de linguagem natural, visão computacional, robótica. “Munidos de um software avançado, os agentes conseguem interagir com o ambiente para captar e processar dados e executar uma ação – tudo com um nível superior de eficiência e precisão”, revela o texto.
Se você já usou o Copilot, da Microsoft, ou o ChatGPT, da OpenAI, para escrever um e-mail ou uma proposta de negócios, já teve uma primeira experiência com assistentes de IA. “Mas o que está vindo no horizonte eleva o nível de sofisticação em processos de alto valor para o negócio e catalisa grandes transformações para as empresas”, argumenta o texto.
Essas entidades inteligentes de software poderão trabalhar de forma autônoma, semiautônoma ou coletiva e integrar sistemas multiagentes em uma ampla variedade de casos de uso. Alguns exemplos: sistemas de IoT (Internet das Coisas) aplicados à manufatura e à agricultura; recomendação e inteligência preditiva para os serviços de finanças; e modelos inovadores de tutoria em educação.
A consultoria Gartner prevê que, até 2028, um terço das interações com IA generativa usará modelos de ação e agentes autônomos para concluir tarefas. “Agentes autônomos podem reduzir a necessidade de intervenção humana ao interagir com LLMs e reduzir a carga de trabalho sobre usuários corporativos em muitos setores, pois eles podem gastar menos tempo em engenharia de prompt avançada”, diz Arun Chandrasekaran, vice-presidente de análise e pesquisa global em IA do Gartner
Mercado financeiro
Em finanças, o uso dos agentes começa a ser cada vez mais investigado e experimentado. Longe de meras ferramentas de automação, eles estão equipados para tomar decisões analisando profundamente estruturas regulatórias, tendências e requisitos do cliente. Embora autônomos e capazes de reagir às mudanças de contexto, a expectativa do mercado é de que eles não substituem humanos, mas amplificam suas habilidades
Imagine, por exemplo, múltiplos agentes de IA, cada um especializado em um domínio distinto, trabalhando colaborativamente em toda a jornada de gestão de patrimônio. Um consultor, por meio de uma plataforma voltada para o cliente, pode inserir dados ou buscar recomendações. Nos bastidores, uma rede de agentes de IA analisa esses dados, garante a conformidade regulatória e produz insights personalizados, otimizando assim as operações e aprimorando a qualidade do serviço ao cliente.
Existem agentes de IA especificamente desenvolvidos para atuar no mercado de capitais. Esses agentes utilizam técnicas avançadas para otimizar operações, prever tendências, gerenciar riscos e automatizar processos de negociação. Confira abaixo alguns exemplos. Sistemas Kavout: plataforma que utiliza IA para desenvolver modelos preditivos que auxiliam na tomada de decisões de trading. Kensho (agora parte da S&P Global): utiliza IA para analisar grandes volumes de dados financeiros e gerar insights para operações de trading. Numerai: plataforma que utiliza modelos de machine learning desenvolvidos por cientistas de dados para realizar operações financeiras. Benefícios: análise em tempo real de grandes volumes de dados de mercado para identificar oportunidades de trading; execução automatizada de ordens de compra e venda com base em sinais gerados por modelos de IA; teste de estratégias de trading com dados históricos para avaliar desempenho e ajustar parâmetros para resultados futuros. Previsão de mercado BloombergGPT: utiliza processamento de linguagem natural para analisar notícias financeiras e prever tendências de mercado.
Aladdin Wealth™ (BlackRock): plataforma que utiliza IA para gestão de investimentos, análise de riscos e tomada de decisões estratégicas. Benefícios avaliação do sentimento predominante em relação a ativos financeiros específicos mediante dados textuais; utilização de modelos preditivos para antecipar tendências e mudanças nos preços dos ativos; fornecimento de relatórios detalhados e recomendações baseadas na análise de dados de múltiplas fontes.
Gestão Wealthfront: oferece gestão de portfólio automatizada utilizando IA para otimizar a alocação de ativos com base nos objetivos e perfil de risco do investidor. Betterment: robô-advisor que utiliza algoritmos de IA para criar e gerenciar portfólios personalizados, ajustando automaticamente as posições conforme necessário. Benefícios: Ajuste contínuo da composição do portfólio para maximizar retornos e minimizar riscos; ajustes periódicos nas posições do portfólio para manter a estratégia alinhada com os objetivos do investidor; implementação de estratégias fiscais para maximizar os retornos líquidos, como a colheita de perdas fiscais. Além dessas ferramentas, o mercado experimenta o uso da IA para fazer análise quantitativa e modelagem de dados, automação de compliance, avaliações regulatórias e análises fundamentalistas. Com o contínuo avanço da tecnologia, espera-se que os agentes de IA no mercado de capitais se tornem ainda mais sofisticados, capazes de integrar múltiplas fontes de dados não estruturados (notícias, posts de redes sociais, vídeos etc.) para análises mais abrangentes.
