Uma Taxonomia Para Tesouraria Agêntica

O que a palavra "agêntica" significa?

Você definitivamente já a ouviu antes, e provavelmente já a ouviu bastante. Ela é usada para descrever de tudo, desde aplicativos de compras até o futuro do governo.

Tudo quer ser "agêntico".

Foi em 2023, aproximadamente, quando o mundo dos pagamentos a descobriu. Isso ocorreu mais ou menos na mesma época em que os chatbots começavam a se consolidar na mente do público. Era o próximo aplicativo matador, o futuro de tudo.

Desde então, seu papel se expandiu e englobou tudo o que veio antes, tornando-se um termo genérico que, com os devidos ajustes, pode descrever uma transferência de arquivos programada para ocorrer todos os dias à meia-noite, ou um sistema que absorve dados de mercado e os utiliza para reequilibrar posições de tesouraria em uma dúzia de moedas. Junto com seu primo de primeiro grau, os "pagamentos agênticos", esta palavra foi esticada além de qualquer tipo de coerência técnica para o que só pode ser descrito como uma posição de fé: a ideia de que estamos mudando de um mundo de negociações via chat e corretores para um em que as máquinas guiam nossas tesourarias com perfeita precisão.

Nós fizemos argumentos semelhantes no passado, e os mantemos, não porque achamos que as previsões mais floridas estejam corretas, mas porque achamos que há algo direcionalmente interessante aqui.

Remova o hype do marketing e as reverências e o que resta é a única pergunta com a qual achamos que vale a pena se engajar: "o que está sendo realmente automatizado?"

Por isso, hoje vamos falar sobre quatro níveis diferentes de comportamentos agênticos, na esperança de que você saia com uma definição um pouco mais confiável do que aquela que está sendo vendida atualmente.

Vamos direcionar nossa atenção para algo um pouco mais concreto.

Uma equipe de cozinha sob quatro abordagens

Uma cozinha comercial não é muito diferente de qualquer outro processo complexo. Ela é composta por uma série de tarefas que podem ser automatizadas em diferentes graus.

Para começar, você pode fixar uma receita em um mural de cortiça e contratar alguém para seguir as instruções. Este é um sistema totalmente baseado em regras que não espera quase nada da pessoa que as segue. Alternativamente, você pode contratar um cozinheiro de linha que, ao contrário do rapaz do mural, pode fazer bem mais, desde que haja um menu a seguir; retire o roteiro e a chance de a comida queimar é muito maior.

Um sous-chef pode adaptar um prato do zero se precisar, e pode operar a maioria das funções da cozinha sem mural ou menu, mas eles ainda se beneficiam de supervisão.

Por fim, você poderia simplesmente contratar um Chef Executivo, alguém com experiência suficiente para gerenciar toda a cozinha e capacidade suficiente para se adaptar a qualquer desafio que surgir. Desde que ele saiba o que você está tentando alcançar e quantos tomates tem na geladeira, ele pode comandar todo o espetáculo sem precisar de um único segundo do seu tempo.

A automatização de tesouraria funciona de forma muito parecida. Os níveis descrevem quanta capacidade o “agente” possui e quanta supervisão ele precisa para concluir seus objetivos.

Nível Um: Automação Baseada em Regras

A maior parte do que é chamado de agêntico hoje em dia seria chamada de algorítmico no passado. Na verdade, chamar de “algoritmo” pode ser dar crédito demais a muitos desses sistemas. A maioria dos sistemas algorítmicos tem uma certa quantidade de modelagem de mundo integrada neles; eles armazenam informações e as recuperam para ajudar a tomar decisões. Eles estão muito mais próximos do próximo nível que discutiremos.

Trata-se de processos simples e mecânicos: você fornece um conjunto de condições e eles as seguem até não poderem mais.

• Se A acontecer, então B deve acontecer em seguida.

• Se A e B acontecerem, então C deve se seguir.

• Se o saldo de uma conta cair abaixo de $500, transfira $50.000 da conta ABZ345.

As condições impulsionam as ações, e essas ações são cegas para qualquer coisa que não sejam as condições que as motivam.

Sistemas baseados em regras desse tipo podem ser encontrados em tudo, desde o seu termostato até o seu sistema de irrigação.

Eles são determinísticos e, por isso, são confiáveis.

Voltando ao nosso exemplo do mural de cortiça, desde que se possa confiar na pessoa que lê as instruções para segui-las, podemos prever que a receita sairá como esperado. Mas se a receita pede leite e nós não temos nenhum, bem—

Sistemas baseados em regras têm sido úteis por décadas e ainda são, mas não se engane, eles não são “agênticos” no sentido que a maior parte do marketing alega. Podemos argumentar isso por definição: onde fica a agência em um desses sistemas? Não está na máquina, está na pessoa cujo trabalho é observar a máquina funcionar.

O que leva ao problema: os sistemas baseados em regras são notoriamente rígidos. Se receberem entradas que não reconhecem, eles falharão imediatamente ou continuarão funcionando, resultando em todo tipo de caos.

Como exemplo, uma equipe de tesouraria configura uma varredura noturna destinada a consolidar saldos em uma conta central. Regra simples, gatilho simples.

Esse sistema funciona perfeitamente por quatro anos até que um feriado público cai no dia errado, o que faz com que a varredura envie fundos para uma conta que só será compensada na quarta-feira. O sistema não deveria ter disparado, mas disparou porque carece de uma noção do estado do mundo. Ele não sabe que dia é hoje, ele nem mesmo sabe que dias existem.

Caos.

Se o objetivo de um sistema “agêntico” é a adaptabilidade, isso está longe desse objetivo.

Nível Dois: Baseado em Regras com Tratamento de Exceções

Então, o que fazer se você não quer apenas um sistema que quebre sempre que as condições subjacentes mudem?

Você adiciona o tratamento de exceções. Isso não altera o fato de que o sistema em si ainda é fundamentalmente guiado por regras; em vez disso, adiciona metarregras para tornar o sistema mais robusto.

• Se algo não fizer sentido, aqui estão as etapas que você deve seguir.

• Antes de executar a tarefa A, certifique-se de acionar os sistemas B e C.

• Se você vir este código de erro, ajuste os parâmetros para as regras A, B e D.

O cozinheiro de linha pode ver que você não tem leite na geladeira e talvez consiga pensar em uma alternativa que ainda leve ao resultado esperado. Ele também pode perceber que o cartão do mural pode ter um erro de digitação sobre o tempo de cozimento, evitando incendiar a cozinha inteira.

Ele é capaz de adaptação e escalonamento, mas ainda assim não consegue criar um prato de peixe inteiramente novo do zero.

O tratamento de exceções tem sido, nos últimos 50 anos, um dos principais interesses daqueles que trabalham com automação. Por décadas, era isso que a "IA" significava: sistemas baseados em regras com um tratamento de erros robusto. Em muitos domínios (jogos, engenharia), ainda é.

Os mesmos sistemas de tesouraria descritos na seção anterior podem ser aprimorados com um tratamento de erros adequado. Em vez de executar a varredura em um horário específico do dia, você pode garantir que o sistema saiba que dia é hoje. Se a conta não estiver disponível por qualquer motivo, você pode configurar uma exceção que envie um alerta a alguém para avisar.

Isso é um tipo de inteligência limitada, limitada no sentido de que, para lidar com um erro, a pessoa que o constrói precisa saber exatamente o que está procurando. Lixo entra, lixo sai. O sistema em si não tem capacidade de determinar o que merece atenção fora dos limites estreitos do seu algoritmo.

O benefício aqui é que eles mantêm a previsibilidade das ferramentas simples baseadas em regras. O problema é que eles são frágeis.

Muitos fornecedores que comercializam ferramentas automatizadas de tesouraria operam neste nível: regras e exceções, trazendo um ser humano se algo quebrado precisar ser consertado. Esta é uma maneira perfeitamente razoável de gerenciar uma mesa de tesouraria, preferível em muitos casos, mas não é “agêntica”.

Nível Três: Sistemas Baseados em ML com Supervisão Humana

Agora sim estamos progredindo.

Os sistemas de Aprendizado de Máquina (ML) são estatísticos. Eles recebem informações, extraem padrões e usam esses padrões para tomar decisões.

Alguns desses sistemas são bastante simples, como mecanismos de recomendação ou o que quer que aconteça nos aplicativos de namoro. Outros podem ser muito mais complexos, como os algoritmos interligados usados para pilotar veículos autônomos.

Os mecanismos subjacentes permanecem idênticos: observar, identificar padrões, decidir.

Esses sistemas geralmente se conectam a uma infraestrutura preexistente para encontrar os dados de que precisam para operar. Eles podem examinar seus fluxos de transações e perceber que sua execução de EUR/USD é consistentemente pior nas tardes de sexta-feira, ou que toda terça-feira as transações originadas em Londres são 25% mais caras.

Eles podem “tomar decisões” de uma forma muito mais robusta do que qualquer um dos níveis puramente baseados em regras, e são conscientes o suficiente do mundo ao seu redor para fazer com que essas decisões pareçam fundamentadas.

Crucialmente, esse tipo específico de algoritmo de ML não pode agir com base nos insights que obtém sem que um ser humano verifique seu trabalho. Embora o algoritmo da sua Netflix possa sugerir que você pode gostar muito dos filmes da franquia Jogos Mortais, é você quem terá que clicar no play. O sous chef pode sugerir e sinalizar, mas se não quiser ser demitido, é melhor consultar o chef antes de mudar o menu.

Em muitos casos, este é o ponto ideal para a maioria das transações complexas, aumentando drasticamente a velocidade e oferecendo supervisão suficiente para evitar falhas em cascata.

Isso é agêntico? É discutível.

É prático? Nós diríamos que sim.

Você obtém a melhor parte de um sistema baseado em máquina enquanto mantém um ser humano no circuito para decisões importantes.

Nível Quatro: Sistemas Autônomos de Ponta a Ponta

É aqui que os puristas diriam que os verdadeiros agentes vivem.

Estes são sistemas de ML sem a supervisão.

Eles têm objetivos em vez de regras. Eles podem se deparar com situações novas e reagir a elas com bom senso. Eles são capazes de aprender com os erros e de se autoaperfeiçoar.

Eles também não existem de verdade.

Mesmo os sistemas baseados em LLM mais robustos de hoje carecem de um ou mais desses recursos. Eles carecem de modelagem de mundo e da capacidade de “aprender”; estão muito mais próximos do ML tradicional do que a maioria dos entusiastas gostaria que você pensasse. Em certos aspectos, eles são muito menos “fundamentados”.

O que eles podem fazer de verdadeiramente novo é se adaptar a erros de uma forma que os algoritmos de ML simplesmente não conseguem. Eles são capazes de corrigir o rumo quando acontece algo que, de outra forma, arruinaria seus planos.

Se o seu agente de tesouraria identificar uma posição especialmente arriscada sendo transacionada às 3h da manhã, ele pode decidir fazer o hedge dessa posição. Ele terá acesso ao endpoint de cotação e terá autoridade para tomar a decisão de executar uma negociação em resposta. Ele também estará conectado a sistemas para monitorar essa negociação e criar um registro de toda a cadeia de ações que tomou. Tudo isso enquanto você está dormindo profundamente.

Esses sistemas não são determinísticos; a forma como lidam com o mesmo conjunto de problemas pode variar drasticamente dependendo das condições iniciais. É impossível prever precisamente o que farão em qualquer momento, e o raciocínio que impulsiona essas decisões é essencialmente opaco.

Isso parece perigoso porque de fato é, mas também é bastante poderoso, particularmente no caso descrito acima, quando surge um problema e não há nenhum ser humano disponível para gerenciá-lo.

O seu Chef Executivo pode ser capaz de comandar a cozinha inteira dormindo, mas é muito menos provável que ele aceite instruções de bom grado em comparação com as outras pessoas dessa cadeia.

Este nível de automação também abre uma série de questões importantes: quem é o responsável quando um desses sistemas comete um erro grave? Onde recai a responsabilidade jurídica e ética? Mais do que as limitações técnicas, este é um limite rígido para o quão longe os sistemas agênticos podem ser levados atualmente. Ninguém gosta de verdade da resposta "foi o chatbot que fez".

Este nível de automação exige ferramentas que simplesmente ainda não construímos e, francamente, exceto em certos casos específicos, não está claro se ele realmente melhora qualquer um dos processos que definem a tesouraria.

Por que estamos falando de taxonomia afinal

A palavra "agêntico" continuará a ser usada para descrever qualquer coisa que envolva um algoritmo, isso não vai mudar, há dinheiro demais envolvido desse lado do futuro.

Mas vale a pena saber pelo que você está realmente pagando. Um cartão de receita fixado em um mural de cortiça não é um chef executivo. E um sous chef, por mais talentoso que seja, não vai comandar a cozinha às 2h da manhã sem você.

A infraestrutura necessária para operar no Nível Quatro é específica, e a maior parte dela continua sem ser construída. Portanto, a pergunta que vale a pena fazer hoje é uma variação daquela que fizemos anteriormente: "o que exatamente você realmente precisa automatizar?"

Esperamos que agora você tenha uma estrutura muito melhor para encontrar essa resposta por si mesmo.