Governança de agentes de IA vira o gargalo real do CX
Bradesco e Nuclea mostram que o desafio da IA agêntica não é mais fazer o agente funcionar: é a governança de agentes de IA, do custo à autonomia.
Na Febraban Tech 2026, Nuclea, Jabuti AGI e Bradesco descreveram o mesmo movimento: agentes já assumem decisões operacionais, e a governança de agentes de IA virou o fator que decide entre valor e risco.
IA agêntica é a categoria de sistemas que executam ações e tomam decisões com pouca supervisão humana a cada etapa, diferente dos chatbots de geração anterior, limitados a responder perguntas.
O que a Febraban Tech 2026 revelou sobre agentes em produção
Em painel conduzido pela TI Inside durante o evento, Eduardo Mato Amorin, VP of Technology da Nuclea, e Cecílio Cosac Fraguas, CEO da Jabuti AGI, descreveram a passagem de projetos experimentais de IA para aplicações em escala.
Segundo os executivos, fazer um agente funcionar deixou de ser o problema central. O que exige estrutura agora é acompanhar custo, desempenho e alucinações, além de garantir supervisão humana à medida que o agente ganha autonomia.
Alucinação, no jargão de IA, é a resposta que o modelo gera com aparência de certeza, mas que é factualmente errada.
A Nuclea batizou esse acompanhamento de “salário do agente”: uma categoria interna que monitora quanto cada agente consome em tokens (a unidade de processamento de texto pela qual os provedores de IA cobram), qual sua performance e a taxa de erro.
A arquitetura descrita no painel pode envolver agentes que supervisionam outros agentes, sem eliminar a checagem humana. A visão apresentada pelos executivos é a de que deve haver sempre uma pessoa supervisionando o agente ou, ao menos, o agente que supervisiona os demais.
Outro dado relevante veio de um experimento da Jabuti AGI, subsidiado pela AWS. Rodar um modelo próprio, em infraestrutura própria com GPU Nvidia, provou-se tecnicamente viável para reduzir a dependência de provedores externos.
O resultado financeiro, porém, foi o oposto: a operação soberana custou mais do que consumir IA como serviço na nuvem. Soberania tecnológica, nesse teste, teve preço.
Bradesco: do banco conversacional aos limites de autonomia
No mesmo evento, em painel com participação do Bradesco, o CDAO Rafael Cavalcanti apresentou o conceito de “banco conversacional”: agentes que compreendem o contexto de cada interação e personalizam jornadas de clientes, funcionários e parceiros.
CDAO é a sigla de Chief Data and Analytics Officer, o executivo responsável por dados e analytics do banco.
Segundo Cavalcanti, a BIA, assistente de IA do banco, completa dez anos de desenvolvimento. O Bradesco não detalhou o período de referência, mas, segundo o executivo, a BIA processa, em média, 70 milhões de interações e 8 milhões de tokens, com taxa de retenção próxima a 90%.
São números que o executivo usa para argumentar que a tecnologia já opera em escala real, não apenas em prova de conceito, em um banco cuja base é de 77 milhões de clientes, a mesma escala que, segundo Cavalcanti, torna o desenvolvimento da solução um desafio de alta complexidade.
Cavalcanti também amarrou a evolução a limites explícitos: “sabemos claramente até onde a máquina pode agir”, disse, ao descrever a estrutura de governança e critérios de risco que acompanham a expansão dos agentes.
Análise ContraPonto
Da prova de conceito ao orçamento: por que isso é pauta de CX, não só de TI
O relato da Nuclea e da Jabuti AGI descreve uma transição que qualquer líder de CX e CS deveria reconhecer. É a mesma transição que a área já viveu com chatbots, RPA (Robotic Process Automation, automação de tarefas repetitivas por robôs de software) e automação de atendimento.
Sair da demonstração técnica para a operação real custa mais do que o protótipo sugeria.
A diferença é que, com agentes agênticos, o custo não cai com escala como em software tradicional. Quanto mais o agente é usado, mais tokens consome. A curva de margem que uma empresa digital espera ver melhorar com volume pode andar na direção contrária.
Isso muda a conversa dentro das empresas. Governança de agentes de IA deixa de ser um tópico de segurança da informação e passa a ser um tópico de orçamento operacional.
O impacto recai direto sobre a área que responde pela experiência entregue ao cliente por meio desses agentes. Quando um agente consome mais tokens do que o previsto para resolver a mesma dúvida, quem sente o efeito primeiro é quem responde pela meta de custo por atendimento.
O “salário do agente” é a métrica que falta na maioria dos times de CX/CS
A analogia da Nuclea é mais útil do que parece à primeira vista. Times de CS já sabem tratar cada cliente como uma unidade de custo e retorno, por meio de métricas como CAC, LTV e health score.
CAC é o custo de aquisição de cliente. LTV é o valor total que um cliente gera ao longo do relacionamento.
Poucos times de CX, porém, aplicam a mesma disciplina aos agentes de IA que hoje conversam com esses mesmos clientes. Tratar cada agente como um “funcionário” com custo mensal, produtividade e taxa de erro fecha essa lacuna.
Isso obriga a área a responder perguntas que hoje costumam ficar só com o time técnico: quanto custa manter este agente ativo, e quantas resoluções ele realmente fecha sem escalar para um humano.
Sem essa métrica, decisões sobre expandir ou conter um agente ficam reféns de impressão, não de dado. A cota de consumo adotada pela Nuclea desde o início da experimentação reduz a liberdade dos times.
Em troca, evita que a fase de testes consuma, em poucos meses, o orçamento de tokens planejado para o ano inteiro. É uma prática que qualquer operação de CX pode copiar antes de escalar um agente.
Soberania tecnológica tem preço, e o caso Jabuti AGI prova isso
O experimento da Jabuti AGI com infraestrutura própria é o dado mais subestimado desse cluster de notícias. Ele desafia um discurso comum no mercado de que rodar modelo próprio é sempre mais barato no longo prazo.
No teste realizado pela empresa, com apoio da AWS, isso não se confirmou. A operação soberana funcionou tecnicamente, mas custou mais do que consumir IA como serviço.
Para quem lidera CX, a lição não é “não vale a pena ter modelo próprio”. A decisão entre depender de um provedor externo e operar infraestrutura própria é uma escolha de risco financeiro, não uma escolha técnica.
Precisa ser tratada com o mesmo rigor que uma decisão de compra de plataforma de CCaaS ou CDP. Dependência total de preços subsidiados por grandes provedores é vulnerável se esses preços subirem, e soberania total tem custo de entrada.
CCaaS (Contact Center as a Service) é o contact center operado como serviço na nuvem. CDP (Customer Data Platform) é a plataforma que unifica dados do cliente vindos de diferentes sistemas.
O que fica opaco no otimismo do “banco conversacional”
Os números do Bradesco são reais e substanciais: dez anos de desenvolvimento da BIA, 70 milhões de interações em média, 8 milhões de tokens processados e retenção próxima a 90%.
Mas o painel, como a maioria das apresentações institucionais em eventos do setor, mede sucesso pelo volume processado e pela retenção, não pela qualidade percebida da experiência entregue.
Retenção de 90% descreve quantos clientes continuam usando o canal. Não descreve quantas dessas interações resolveram o problema na primeira tentativa, nem quantas foram escaladas para atendimento humano depois de o agente falhar.
Um time de CX que reportar apenas volume e retenção de um agente conversacional está reportando metade da história. A outra metade é taxa de resolução, tempo até resolução e CSAT específico do canal de IA.
CSAT, sigla de Customer Satisfaction Score, é a pesquisa de satisfação aplicada logo após o atendimento.
É isso que decide se o “banco conversacional” está de fato melhorando a experiência, ou apenas mudando o canal em que a fricção acontece.
Comparativo: dois modelos de governança no mesmo evento
| Nuclea + Jabuti AGI | Bradesco | |
|---|---|---|
| Foco declarado | Controle de custo e risco técnico | Personalização de jornada e escala |
| Métrica-chave citada | “Salário do agente” (custo, tokens, alucinações) | Interações, tokens processados, retenção |
| Papel do humano | Visão do painel: deve supervisionar o agente, ou ao menos o agente que supervisiona os demais | Define limites de atuação da IA por estrutura de risco |
| Ponto cego citado | Custo pode crescer junto com o uso, ao contrário do software tradicional | Retenção não equivale a resolução nem a satisfação |
Os dois relatos, lidos juntos, mostram a mesma governança vista por dois ângulos: um cuida do orçamento que sustenta o agente, o outro cuida da experiência que o agente entrega.
Uma operação madura precisa das duas métricas ao mesmo tempo. É exatamente esse cruzamento que falta na maioria dos times de CX que já usam IA generativa em produção.
Como aplicar: framework de governança de agentes de IA para CX e CS
- Crie o “salário do agente” antes de escalar. Defina, por agente, custo mensal em tokens, taxa de resolução sem escalonamento e taxa de erro. Revise mensalmente como se fosse orçamento de headcount.
- Estabeleça cota de consumo por jornada. Um teto de tokens por interação evita que a fase de experimentação consuma, em poucos meses, o orçamento planejado para o ano.
- Meça resolução, não apenas volume. Reporte taxa de resolução na primeira interação e CSAT específico do canal de IA junto com volume de interações e retenção, nunca isolando as duas últimas.
- Defina o limite de autonomia por escrito. Documente, por tipo de ação, até onde o agente pode agir sozinho e a partir de que ponto a decisão exige checagem humana, incluindo agentes que supervisionam outros agentes.
- Trate a decisão entre modelo próprio e modelo terceirizado como decisão financeira. Antes de investir em infraestrutura soberana, calcule o custo real de operação contra o custo de consumir IA como serviço na escala atual e na escala projetada.
Métricas para acompanhar: custo por resolução (não por interação), taxa de resolução na primeira tentativa, percentual de escalonamento para humano, CSAT do canal de IA versus canal humano, e consumo de tokens por jornada frente ao orçamento definido.
O que muda a partir de agora
O gargalo da IA agêntica no setor financeiro não é mais técnico. Nuclea, Jabuti AGI e Bradesco descrevem, de ângulos diferentes, o mesmo problema: depois que o agente funciona, alguém precisa decidir quanto ele pode custar e até onde pode agir.
Para quem lidera CX e CS, essa decisão deixou de ser delegável ao time técnico. É trabalho de governança de agentes de IA, e o time de experiência do cliente é quem mais tem a perder se ela ficar incompleta.
Para acompanhar como a IA agêntica está redesenhando a relação entre bancos e clientes, ouça o podcast ContraPonto e assine a newsletter do portal para receber essa cobertura de governança de agentes de IA antes da concorrência.
