O playbook de agentes de IA da Capital One pressupõe uma década que falta a quase todos

Rashmi Shetty, vice-presidente de IA corporativa da Capital One, descreveu à CIO Dive a arquitetura que sustenta a estratégia de IA agêntica do banco: fundação de dados bem governada, plataformas corporativas com políticas codificadas e controles de tempo de execução definidos antes da construção, e observabilidade sobre o comportamento dos agentes. Shetty lidera a engenharia de plataformas corporativas que operacionaliza IA generativa e agêntica em linhas de negócio como varejo bancário, risco, jurídico e conformidade.

O banco já roda em produção, há mais de dois anos, um aplicativo multiagente batizado Chat Concierge, que ajuda clientes a negociar a compra de carros, conectando com concessionárias e agendando test drives. Em julho, na teleconferência de resultados do segundo trimestre, o CEO Richard Fairbank atribuiu a base dessa capacidade a catorze anos reconstruindo a pilha tecnológica do banco “de baixo para cima”.

A leitura óbvia é tratar isso como manual de boas práticas: construa a governança antes do agente, não depois. Shetty reforça essa leitura quando diz que fazer o retrofit de governança e segurança de runtime em aplicações agênticas fragmentadas, depois de prontas, é bem mais difícil. A conclusão parece generalizável — qualquer empresa que queira escalar agentes deveria adotar o mesmo roteiro: fundação de dados, políticas codificadas, observabilidade, e só então construir. É o tipo de recomendação que relatório de consultoria repete há dois anos.

Os catorze anos que vêm antes do agente

O detalhe que a leitura óbvia deixa passar é a ordem dos acontecimentos. A Capital One não construiu governança de dados para a IA agêntica. Gastou catorze anos organizando pipeline, linhagem e controle de dado por razões que não tinham nada a ver com agente: regulação bancária, risco de crédito, auditoria. A IA agêntica chegou depois, e encontrou uma fundação pronta para recebê-la.

O gatilho não foi estratégico, foi regulatório. Banco que erra linhagem de dado em crédito ou risco responde a órgão fiscalizador, não a comitê interno, e é esse tipo de pressão externa, não visão de futuro, que financiou catorze anos de disciplina de dado. A Capital One não escolheu construir essa base pensando em agente nenhum; simplesmente não tinha a opção de deixar de construí-la.

“Fazer o retrofit de governança e segurança de runtime em aplicações agênticas fragmentadas, depois de prontas, é bem mais difícil” — Rashmi Shetty, VP de IA Corporativa da Capital One

A ordem importa mais do que a lista de itens.

Isso muda o que a recomendação pede de quem não é a Capital One. Não é um projeto de trimestre com data de entrega. É saber se a empresa tem, hoje, linhagem de dado confiável, política codificada em algum lugar que não seja a cabeça de um analista, e histórico de auditoria que sobreviva a uma pergunta difícil. A maioria das empresas de porte médio não tem nada disso, e nenhum fornecedor de guardrail vende essa parte.

A leitura óbvia	O que a Capital One mostra
Governança de agente é mais um projeto de conformidade	É consequência de catorze anos de dado bem organizado
Comprar um guardrail resolve o risco	Guardrail sem linhagem de dados é decoração
Escalar agente é decisão de tecnologia	É decisão de risco, tomada antes da primeira linha de código

O que sobra pra quem não tem os catorze anos

A empresa sem a fundação da Capital One não precisa esperar uma década para começar, mas precisa gastar o próximo orçamento de IA de um jeito diferente: resolver a linhagem de dado do departamento que vai usar o agente, em vez de comprar a ferramenta de guardrail que promete resolver isso por fora. Shetty descreve uma estratégia de “human-in-the-loop” para ações de alto risco, apoiada em observabilidade sobre a trajetória de cada agente, avaliação da precisão das ferramentas que ele usa e validação combinando regra fixa, simulação em sandbox e testes automatizados. Toda essa camada pressupõe algo anterior a ela: alguém já decidiu, antes de o agente existir, o que conta como ação de alto risco naquela operação específica. Essa decisão não vem em nenhuma licença de software, e nenhum fornecedor a toma no lugar de quem contrata. Para quem não é banco, a pressão regulatória externa que forçou a Capital One não existe do mesmo jeito — o que significa que a disciplina de dado, se vier, precisa ser escolha deliberada de quem dirige, e não efeito colateral de fiscalização.

A padronização de controle entre modelos e agentes diferentes, o que Shetty chama de harness strategy, é outra peça que soa técnica e é organizacional. Alguém precisa ter autoridade para dizer que agente entra em produção e qual não entra, do jeito que uma área de tecnologia decidia, vinte anos atrás, que banco de dados era aprovado para uso. Sem esse dono, cada equipe monta o próprio agente com a própria régua de risco. A régua que faltava só aparece depois do incidente que a exige.

A pergunta que fica não é se a empresa vai comprar um guardrail de agente este ano. É se, no dia em que comprar, vai existir algum dado com linhagem confiável para ele proteger.