Goldman Sachs expande o uso operacional do Anthropic Claude na contabilidade de comércio e integração de clientes

Grandes instituições financeiras estão acelerando experimentos com IA generativa, e o Goldman Sachs está agora a expandir a plataforma Claude da Anthropic em vários fluxos de trabalho de back-office.

Goldman Sachs leva a IA generativa para o back office

O Goldman Sachs planeia implementar o modelo Claude da Anthropic na contabilidade de operações e na integração de clientes, posicionando o lançamento como parte de uma iniciativa mais ampla entre os grandes bancos para usar IA generativa em busca de ganhos de eficiência. A ênfase inicial está em processos operacionais que ficam no back office e que, historicamente, dependiam de grandes equipas responsáveis pela revisão de documentos, reconciliações e verificações de conformidade.

Vários bancos já aplicam IA generativa em trabalhos de conhecimento. O JPMorgan Chase oferece aos funcionários acesso a um conjunto de modelos de linguagem para recuperação de informações e análise de dados. Além disso, o Bank of America usa o assistente Erica para responder a questões internas de tecnologia e recursos humanos. Citi e Goldman dependem de ferramentas de IA para apoiar desenvolvedores em tarefas de codificação, destacando que as primeiras implementações focaram mais em pesquisa e desenvolvimento de software do que em operações.

No entanto, o relatório do American Banker observa uma tendência mais recente: o uso de IA generativa para atividades operacionais, como contabilidade de operações e verificações de Conheça o Seu Cliente (KYC). Isso marca uma mudança de casos de uso puramente analíticos para a automação de fluxos de trabalho com muitas transações que afetam diretamente as operações bancárias diárias.

Automatizando os casos extremos em KYC e reconciliação

Muitos processos bancários automatizáveis são baseados em regras, envolvendo coleta de dados, validação contra bancos de dados internos e externos, e criação de documentação necessária. Em teoria, softwares tradicionais já lidam com grande parte desse trabalho. No entanto, Marco Argenti, diretor de informação do Goldman, argumenta que, mesmo que uma plataforma baseada em regras resolva a maioria dos casos, uma pequena porcentagem de transações fica fora dos parâmetros predefinidos e gera milhares de exceções em escala.

Ele cita a verificação de identidade na conformidade KYC como um exemplo típico. Discrepâncias menores nos registros ou documentos próximos do seu vencimento podem gerar casos extremos que requerem julgamento humano. Além disso, essas exceções tendem a se concentrar em ambientes de alto volume, tornando a revisão manual cara e lenta.

Argenti afirma que redes neurais podem lidar com essas micro-decisoes porque aplicam raciocínio contextual onde regras fixas estão ausentes ou são ambíguas. Nesse cenário, a IA generativa complementa os motores de regras existentes, ao invés de substituí-los. Os ganhos operacionais vêm de reduzir a proporção de casos que requerem intervenção manual, o que, por sua vez, diminui o tempo necessário para resolver exceções e melhora o processamento direto.

Lições do desenvolvimento de software assistido por IA

O trabalho anterior do Goldman com Claude para desenvolvimento de software interno influenciou sua decisão de estender a IA para outros domínios operacionais. Os desenvolvedores do banco usam uma versão de Claude combinada com o agente Devin da Cognition para apoiar fluxos de trabalho de programação. Nesse processo, engenheiros humanos definem especificações e restrições regulatórias, o agente gera código, e os desenvolvedores revisam e refinam o resultado.

O agente Devin também executa testes e validações de código. Argenti descreve essa configuração como uma mudança estrutural nos fluxos de trabalho dos desenvolvedores, com agentes de IA operando sob instruções claramente definidas. Além disso, a combinação de codificação orientada por especificações e testes automatizados aumentou a produtividade dos desenvolvedores e reduziu os prazos de conclusão de projetos.

Essa experiência convenceu o Goldman de que agentes de IA podem lidar com tarefas bem delimitadas dentro de um ambiente regulado, desde que as responsabilidades sejam claramente divididas entre humanos e sistemas. No entanto, a camada de revisão humana continua central, especialmente quando os resultados têm implicações regulatórias ou de risco.

De codificação a fluxos de trabalho operacionais baseados em documentos

Para contabilidade de operações e integração de clientes, os líderes de projeto do Goldman e da Anthropic primeiro observaram os fluxos de trabalho existentes com especialistas do domínio para identificar gargalos. Os agentes de IA implementados agora revisam documentos, extraem entidades, determinam se é necessário mais documentação, avaliam estruturas de propriedade e acionam verificações adicionais de conformidade quando apropriado. Essas tarefas geralmente envolvem muitos documentos e exigem julgamento individual, tornando-se adequadas para suporte à decisão assistido por IA.

Ao automatizar a extração e avaliação preliminar, os agentes reduzem o tempo que analistas gastam com comparações manuais. No entanto, eles não substituem a decisão final. Em vez disso, apresentam dados estruturados e passos sugeridos, permitindo que especialistas se concentrem em casos complexos ou de alto risco, ao invés de tarefas rotineiras de arquivamento.

Indranil Bandyopadhyay, analista principal da Forrester, explica que a reconciliação na contabilidade de operações exige comparar dados fragmentados de livros internos, confirmações de contrapartes e extratos bancários. Um fluxo de trabalho típico depende da extração precisa e do pareamento de números e textos de múltiplos documentos. Aqui, o Claude da Anthropic é posicionado como uma solução para lidar com essa etapa de pareamento intensiva em documentos em escala.

Por que Claude se encaixa em casos de uso de reconciliação e integração

Bandyopadhyay observa que a capacidade do Claude de processar janelas de contexto grandes e seguir instruções detalhadas o torna bem adequado para fluxos de reconciliação complexos. Para a integração de clientes, os analistas precisam interpretar passaportes e registros corporativos, cruzando todas as fontes. Além disso, a necessidade de interpretar documentos não estruturados aumenta a complexidade que ferramentas tradicionais baseadas em regras têm dificuldade de gerenciar de forma eficiente.

Nesse ambiente, a capacidade da IA de extrair dados estruturados, destacar inconsistências e sinalizar documentos ausentes oferece uma correspondência forte. O resultado é uma redução na carga de trabalho geral dos analistas e um ciclo de integração mais rápido para os clientes, mantendo os padrões de governança exigidos pelos bancos.

Importa destacar que plataformas de contabilidade e conformidade continuam sendo os sistemas de registro canônicos. O Claude atua na camada de fluxo de trabalho, responsável pela extração e comparação, enquanto analistas humanos lidam com as exceções que o código identifica. Na visão de Bandyopadhyay, o valor operacional em setores altamente regulados, como o bancário, reside nesta divisão de tarefas, ao invés de na automação total.

Gestão de risco, incerteza e supervisão humana

Jonathan Pelosi, chefe de serviços financeiros da Anthropic, afirma que o Claude foi treinado para identificar incertezas e fornecer atribuição de fontes, criando um rastro de auditoria que reduz o efeito de alucinações. Além disso, essas escolhas de design visam tornar o comportamento da IA mais transparente para equipes de risco e reguladores, vinculando os resultados às evidências que os suportam.

Bandyopadhyay também destaca a importância da supervisão e validação humanas, incentivando as instituições a projetar sistemas que detectem erros cedo no fluxo de trabalho. No entanto, ele reconhece que, quando devidamente monitorados, os agentes de IA podem lidar com uma grande parte das verificações e comparações repetitivas muito mais rapidamente do que a equipe humana.

Marco Argenti do Goldman rejeita a ideia de que sistemas de IA sejam inerentemente mais fáceis de enganar do que humanos. Ele argumenta que ataques de engenharia social exploram principalmente vulnerabilidades humanas, enquanto modelos de IA podem detectar anomalias sutis em escala. No entanto, reforça que a configuração ideal combina julgamento humano com escrutínio automatizado em equipes integradas.

Implicações para operações bancárias

Segundo Argenti, essa combinação implica um aumento significativo na capacidade operacional sem aumentos proporcionais na equipe, mesmo considerando os problemas conhecidos na implementação de IA. Além disso, permite que os bancos gerenciem o crescimento das obrigações regulatórias e de documentação, mantendo o controle sobre o crescimento do quadro de funcionários.

No setor bancário, a IA generativa está emergindo como uma ferramenta para melhorar o desempenho operacional, acelerando o processamento de documentos, reduzindo tempos de tratamento de exceções e aumentando o throughput em fluxos de trabalho de alto volume. No entanto, a necessidade contínua de supervisão humana significa que as instituições devem manter seus sistemas de registro e estruturas de governança existentes, usando a IA principalmente para otimizar as camadas superiores a eles.

Resumindo, o trabalho do Goldman com Claude e agentes relacionados sugere um modelo pragmático para IA generativa na área financeira: automatizar tarefas pesadas de documentos e próximas de regras; identificar claramente as exceções; e manter os especialistas humanos responsáveis pelas decisões críticas e conformidade regulatória.