Uma Taxonomia para a Tesouraria Agêntica

O que significa a palavra "agêntica"?

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

Tudo quer ser "agêntico".

Foi em 2023, aproximadamente, que o mundo dos pagamentos a descobriu. Foi na mesma época em que os chatbots começavam a conquistar seu espaço na mente do público. Era o próximo aplicativo revolucionário, o futuro de tudo.

Desde então, seu papel se expandiu e englobou tudo o que veio antes; tornou-se um termo genérico que poderia, com o ajuste certo, descrever uma transferência de arquivos programada para ocorrer todos os dias à meia-noite, ou um sistema que ingere dados de mercado e os utiliza para reequilibrar posições de tesouraria em uma dúzia de moedas. Junto com seu primo próximo, os "pagamentos agênticos", essa palavra foi esticada além de qualquer 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 por chat e corretores para um onde as máquinas guiam nossas tesourarias com precisão perfeita.

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

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

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

Vamos voltar nossa atenção para algo um pouco mais concreto.

Uma Cozinha Equipada de Quatro Maneiras

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 segue tais regras. Alternativamente, você pode contratar um cozinheiro de linha; ao contrário do cara do mural, ele pode fazer muito mais, desde que haja um menu a seguir — tire o roteiro e a comida tem muito mais chances de queimar.

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

Finalmente, 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 você tem na geladeira, ele pode tocar todo o show sem precisar de um único segundo do seu tempo.

A automação da tesouraria funciona de maneira muito semelhante. Os níveis descrevem quanta capacidade o “agente” possui e de 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 teria sido chamada de algorítmico no passado. Na verdade, “algoritmo” pode estar dando crédito demais a muitos desses sistemas. A maioria dos sistemas algorítmicos tem uma certa modelagem de mundo embutida neles: eles armazenam informações e as recuperam para ajudar a tomar decisões. Eles estão muito mais próximos do próximo nível que discutiremos.

Estes são processos simples e mecânicos: você fornece um conjunto de condições e eles seguem essas condições até que não consigam mais.

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

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

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

Condições impulsionam ações, e essas ações são cegas para tudo, exceto para as condições que as impulsionam.

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 que a pessoa que lê as instruções as seguirá, podemos prever que a receita sairá como esperado. Mas se a receita pede leite e não temos nenhum, bem—

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

O que nos leva ao problema: sistemas baseados em regras são notoriamente rígidos; se receberem entradas que não conseguem reconhecer, falharão imediatamente ou continuarão funcionando cegamente, resultando em todo tipo de caos.

Como exemplo, uma equipe de tesouraria configura uma varredura noturna destinada a consolidar os 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 leva a varredura a enviar fundos para uma conta que não compensará até 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 os dias existem.

Caos.

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

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 mudarem?

Você adiciona tratamento de exceções. Isso não altera o fato de que o sistema em si ainda é fundamentalmente guiado por regras; em vez disso, adiciona meta-regras 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 consultar 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 propor uma alternativa que ainda leve ao resultado desejado. Ele também pode notar que o cartão do mural pode ter um erro de digitação sobre o tempo de cozimento e evitar que toda a cozinha pegue fogo.

Eles são capazes de adaptação e escalonamento, mas ainda não conseguem necessariamente criar um prato de peixe totalmente novo do zero.

O tratamento de exceções tem sido, nos últimos 50 anos, um dos principais interesses de quem trabalha com automação. Por décadas, era isso que "IA" significava: sistemas baseados em regras com 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 notifique alguém para avisar.

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

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

Muitos fornecedores que comercializam ferramentas de tesouraria automatizadas 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 Machine Learning com Supervisão Humana

Agora sim estamos cozinhando.

Os sistemas de Machine Learning (Aprendizado de Máquina) 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 interconectados usados para pilotar veículos autônomos.

Os mecanismos subjacentes permanecem idênticos: observar, padronizar, decidir.

Esses sistemas geralmente se conectam à infraestrutura preexistente para encontrar os dados de que precisam para operar. Eles podem olhar para os seus fluxos de transações e perceber que a sua execução 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 conseguem “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, este tipo específico de algoritmo de Machine Learning não pode agir com base nos insights que obtém sem que um ser humano verifique seu trabalho. Embora o algoritmo da Netflix possa lhe dizer 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 antes de mudar o menu.

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

Isso é agêntico? É discutível.

É prático? Diríamos que sim.

Você obtém a melhor parte de um sistema automatizado ao mesmo tempo que mantém um humano no circuito para decisões de grande impacto.

Nível Quatro: Sistemas Autônomos de Ponta a Ponta

É aqui que os puristas diriam que os verdadeiros sistemas agênticos vivem.

Estes são sistemas de Machine Learning 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 hoje em dia carecem de um ou mais desses recursos. Falta-lhes modelagem de mundo e a capacidade de “aprender”; eles estão muito mais próximos do Machine Learning 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 inovador é se adaptar a erros de uma forma que os algoritmos de Machine Learning 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 negociada 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 transação em resposta. Ele também estará conectado a sistemas para monitorar essa transação 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 a 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 gerenciar toda a cozinha dormindo, mas é muito menos provável que ele aceite instruções de bom grado do que as outras pessoas nesta cadeia.

Este nível de automação também levanta uma série de questões importantes: quem é o responsável quando um desses sistemas comete um erro grave? Onde recai o ônus legal e ético? Ainda mais do que as limitações técnicas, este é um limite severo para o quão longe os sistemas agênticos podem ser levados atualmente. Ninguém gosta muito da resposta "o chatbot fez isso".

Esse nível de automação requer ferramentas que simplesmente ainda não construímos e, francamente, exceto em certos casos muito específicos, não está claro se ele realmente melhora algum 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 toque em um algoritmo, isso não vai mudar — há muito dinheiro envolvido desse lado do futuro.

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

A infraestrutura necessária para operar no Nível Quatro é específica, e a maior parte dela ainda não foi construída. Portanto, a pergunta que vale a pena fazer hoje é uma variação daquela que fizemos antes: “o que exatamente você realmente precisa que seja automatizado?”

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