O Banco do Brasil (BB) está avançando na adoção de agentes de inteligência artificial (IA) com uma abordagem que privilegia a autonomia gradual, a governança incorporada desde a concepção dos sistemas e a supervisão humana constante. Segundo reportagem do TI Inside, a instituição, que atende mais de 80 milhões de clientes, estabeleceu diretrizes inovadoras para o desenvolvimento de soluções baseadas em IA, com impactos diretos na gestão de riscos, dados e custos operacionais em larga escala.

Autonomia faseada: o novo paradigma para agentes de IA

O avanço da IA agêntica, sistemas capazes de executar tarefas e tomar decisões de forma autônoma, exige uma distinção clara entre assistentes conversacionais e agentes que participam ativamente de processos corporativos. Enquanto assistentes limitam-se a fornecer respostas para avaliação humana, agentes autônomos ou semiautônomos podem executar etapas inteiras de atividades, ampliando as possibilidades de automação, mas também os riscos associados.

De acordo com Giuliane Paulista, executiva de IA & Dados do Banco do Brasil, a instituição optou por uma estratégia de autonomia gradual, em que a capacidade de decisão dos agentes é expandida conforme os resultados dos testes, a segurança das interações e a confiabilidade da arquitetura. Essa diretriz, segundo a executiva, foi formalizada em um conjunto de princípios de IA ética e responsável, divulgado publicamente pelo BB. Giuliane afirma: “A autonomia dos agentes deve ser faseada”.

Na prática, isso significa que a ampliação da autonomia acompanha a maturidade dos controles e a comprovação de resultados seguros. O primeiro agente autônomo lançado pelo banco atingiu cerca de 90% de eficiência, conforme divulgado pela executiva durante o TI Inside Innovation Forum 2026.

Governança embarcada: controles desde a concepção

O modelo tradicional de governança, em que mecanismos de controle são aplicados apenas ao final do desenvolvimento de uma solução, já não atende à complexidade dos agentes de IA. Giuliane Paulista defende que os controles precisam ser incorporados à própria arquitetura dos sistemas, contemplando segurança, monitoramento, indicadores e mecanismos de proteção desde o início do projeto.

Essa abordagem de “governança embarcada” exige o envolvimento de múltiplas áreas da organização. Não apenas desenvolvedores, mas também gestores, responsáveis por produtos, proprietários de dados e profissionais das áreas de negócio devem participar ativamente da definição e manutenção dos controles. Giuliane resume: “A partir de agora, todos nós aqui trabalhamos com governança”.

Esse modelo se torna ainda mais crítico em estruturas multiagentes, nas quais diferentes sistemas atuam de forma coordenada, incluindo agentes responsáveis pela orquestração e verificação do ecossistema. A responsabilidade pelas decisões permanece com os profissionais e organizações, já que, como destaca a executiva, “a IA não tem CPF”.

Gestão de dados: semântica e contexto ganham protagonismo

A governança dos dados é apontada como pilar central da estratégia do Banco do Brasil para IA agêntica. A qualidade, atualidade e consistência das informações alimentam diretamente a confiabilidade das decisões automatizadas. O desafio se intensifica com a necessidade de administrar dados estruturados (como registros bancários) e não estruturados (como transcrições de conversas e imagens de contratos), distribuídos entre ambientes próprios e múltiplos provedores de nuvem.

Segundo Giuliane Paulista, a camada semântica dos dados, responsável por fornecer significado e contexto, torna-se fundamental para que os agentes interpretem corretamente as informações disponíveis. No modelo tradicional, era possível selecionar e qualificar dados para cada aplicação. Agora, com agentes acessando diferentes conjuntos de dados e tomando decisões, a estrutura de dados precisa ser capaz de orientar o uso adequado e evitar ações incorretas decorrentes de informações inadequadas.

Esse contexto é especialmente relevante para organizações que operam em ambientes híbridos e multinuvem, onde a coexistência de diferentes versões de uma mesma informação pode comprometer a integridade das decisões automatizadas.

Custos operacionais e previsibilidade: desafios para a escala

Outro aspecto destacado pela executiva do BB é a necessidade de incorporar a previsibilidade econômica à governança das aplicações de IA. Soluções de atendimento automatizado podem apresentar alta resolutividade, mas o aumento do volume de interações eleva o consumo de recursos computacionais (tokens) e, consequentemente, os custos operacionais.

Giuliane cita o movimento de instituições financeiras norte-americanas que, diante desse desafio, estão adotando estratégias híbridas e infraestrutura própria para controlar melhor os gastos. O exemplo ilustra o dilema enfrentado por organizações que buscam escalar o uso de IA sem perder de vista o controle orçamentário. A analogia utilizada pela executiva resume o cenário: “A gente ganhou um carro que acelera 300, 400 km por hora, só que o velocímetro não veio junto. O freio também não”.

Esse quadro reforça a importância de mecanismos que permitam monitorar o uso da tecnologia, estabelecer limites operacionais e garantir que a escalabilidade não comprometa a sustentabilidade financeira da operação.

Supervisão humana e capacitação: pessoas no centro da transformação

Apesar do avanço tecnológico, o Banco do Brasil mantém como diretriz a presença humana no acompanhamento das soluções de IA. Profissionais são responsáveis por avaliar as interações e o comportamento dos agentes, assegurando que decisões críticas não sejam delegadas integralmente à máquina.

O papel das pessoas vai além da supervisão operacional. A velocidade da evolução tecnológica exige capacitação constante, pensamento crítico e habilidade para conectar as possibilidades da IA à estratégia organizacional. Para Giuliane Paulista, o desafio não se limita ao domínio de novas ferramentas, mas envolve preparar profissionais e empresas para um modelo de trabalho em que a tecnologia assume novas responsabilidades sem eliminar a necessidade de julgamento humano.

Implicações para empresas: lições para quem busca escalar IA com segurança

A experiência do Banco do Brasil oferece aprendizados valiosos para organizações de qualquer porte que pretendem adotar agentes de IA em suas operações. A autonomia gradual permite testar limites, identificar riscos e corrigir rotas antes de ampliar a atuação dos sistemas. A governança embarcada, por sua vez, reduz a exposição a falhas e facilita a conformidade regulatória, especialmente relevante em setores como financeiro, saúde e administração pública.

O foco na qualidade dos dados e na camada semântica é um alerta para empresas que operam em ambientes distribuídos, como o Polo Industrial de Manaus, onde a integração de sistemas legados e novas plataformas é rotina. A previsibilidade de custos, por fim, deve ser tratada como prioridade desde o início dos projetos, sob pena de comprometer a sustentabilidade do investimento em IA.

Em todos esses aspectos, a infraestrutura de TI, conectividade robusta, baixa latência, segurança de dados e capacidade de integração entre ambientes locais e nuvem, emerge como fator crítico para o sucesso da estratégia. Organizações que negligenciam essa base podem encontrar obstáculos intransponíveis na escalada da IA agêntica.

O caso do Banco do Brasil ilustra que a adoção responsável de agentes de IA depende de diretrizes claras, controles embarcados e uma infraestrutura capaz de sustentar operações em larga escala. Para empresas que atuam em contextos complexos e regulados, investir em governança, qualidade de dados e conectividade não é apenas uma escolha estratégica, mas uma condição para transformar o potencial da IA em vantagem competitiva real.