Arca entrega a agentes de IA tarefas financeiras de até 10 dias e deixa as transações com humanos

A Arca é uma empresa «AI-native» de gestão de patrimônio, e quase todo o trabalho de bastidor é feito por agentes de IA. Um único fluxo pode durar até dez dias: não se trata de trabalho contínuo, mas de um processo longo de calendário, com pausas, vários participantes e transferências de responsabilidade. Aman Singh, engenheiro líder de IA da empresa, contou na conferência AI Engineer, em Nova York, que a palavra final continua sendo dos assessores humanos. Ele resumiu assim: «os agentes dão sugestões aos humanos com mais frequência do que os humanos aos agentes». A Arca levantou recentemente US$ 48,5 milhões em uma rodada liderada pela General Catalyst, que também contou com a Index Ventures e a Venrock.

Horizonte longo, não trabalho longo

Singh distingue duas coisas: as tarefas financeiras são longas no calendário, mas o agente não fica rodando sem parar. Segundo ele, o trabalho acontece em surtos, e entre uma etapa e outra há muitos atores, pontos de decisão e transferências. Um dos exemplos discutidos no podcast é uma conta de impostos de US$ 100 000, em que os agentes preparam a análise e um humano dá as aprovações.

Para que o agente não perca o fio da meada em um intervalo tão longo, a empresa construiu um sistema de memória próprio. Para cada cliente, ele registra o que já aconteceu, o que será monitorado a seguir, o que precisa ser feito nos próximos dois dias e o que importa para o longo prazo. Também fica anotado qual pessoa é responsável por cada ação. Os agentes não apenas leem essa memória, como também a atualizam.

Harness próprio e escolha de modelos

A Arca usa modelos de laboratórios de fronteira, principalmente da Anthropic e da OpenAI, e o Claude segue como fornecedor principal. Quem escolhe o modelo para cada tarefa não é um engenheiro, manualmente: essa função cabe ao harness da própria empresa, que se baseia em benchmarks internos.

Singh justifica a decisão de ter o próprio harness pela flexibilidade. Um harness agêntico gerenciado por um fornecedor prende a equipe aos modelos dele, enquanto uma infraestrutura própria permite trocar de provedor se for preciso.

Há ainda um ciclo de automelhoria. O feedback dos assessores e os traces do trabalho dos agentes são reunidos, e um «metagente» os analisa e propõe mudanças no harness. O podcast também aborda a transformação das avaliações dos funcionários em evals, ou seja, verificações regulares de qualidade.

Restrições determinísticas e sandboxes

No setor financeiro, segurança é condição para entrar. O papel do agente na Arca se limita a analisar e propor decisões. Negociações e qualquer movimentação de dinheiro continuam com o assessor humano. «Todas as nossas restrições de segurança são totalmente determinísticas», diz Singh. «Elas tiram a tomada de decisão do agente.» O agente chama algumas ferramentas por conta própria, mas tudo o que representa risco para o cliente fica fora do alcance dele. A empresa também verifica vulnerabilidades conhecidas de sistemas de IA, incluindo injeções de prompt.

O agente em si não roda na sandbox, mas é lá que ele executa os cálculos. Para o acesso aos dados, foi criada uma camada extra de proteção. O código que o agente escreveu na sandbox é convertido para um formato rígido e previsível, e o código-fonte original é descartado. Restrições são aplicadas a esse formato antes que a requisição chegue ao back-end. Os agentes podem consultar dados por meio de código, agregá-los e transformá-los como quiserem, por exemplo para montar um plano financeiro.

O que dá para aproveitar na prática

A experiência da Arca serve como um modelo prático para setores em que o erro custa caro. Vale construir a memória em torno do cliente ou do caso, e não da conversa: assim, um processo de vários dias sobrevive às pausas e à passagem de bastão entre pessoas. As permissões devem ser fixadas por regras no código, e não por instruções no prompt. Converter o código escrito pelo agente em um formato intermediário verificável elimina parte dos riscos associados às sandboxes.

Há também ressalvas. O material é um resumo de entrevista e apresentação, e não uma auditoria independente: não há dados sobre erros dos agentes, economia de tempo dos assessores ou número de clientes. Entre os temas do podcast aparecem compliance e auditabilidade «por padrão», trabalho proativo com clientes e busca por taxas ocultas, mas o texto não traz detalhes. O quadro geral é claro: em um trabalho longo com dinheiro, o agente prepara a decisão e lembra o humano do próximo passo, mas quem decide continua sendo o humano.