Goldman Sachs acelera implantação de agentes de IA e transforma trabalho de desenvolvedores

Goldman Sachs não está mais limitando-se a bots de IA internos para tarefas individuais. De acordo com o CIO Marco Argenti, o banco está reestruturando sua abordagem para implementação de IA em meio ao rápido crescimento de plataformas de agentes e novas ferramentas de desenvolvimento.

De Pilotos para Sistema

Há ano e meio, a conversa sobre IA no Goldman Sachs centrava-se principalmente em ferramentas internas e cenários de automação individual. Agora o foco é mais amplo: o banco vê a IA como uma camada de infraestrutura que deve ser incorporada no fluxo de trabalho diário das equipes, em vez de existir como um conjunto de serviços experimentais.

O surgimento de plataformas de agentes como Claude Code elevou as expectativas: o negócio precisa não apenas de respostas do modelo, mas de sistemas que possam executar cadeias de ações, trabalhar com código e acelerar processos reais.

Para um grande banco, isso significa requisitos arquiteturais mais rigorosos. Você não pode simplesmente conceder acesso a um novo modelo e esperar resultados. Você precisa entender onde o agente pode atuar independentemente, quais dados tem acesso, como suas ações são registradas e quem é responsável pelos resultados.

Portanto, implementar IA no banco não parece um lançamento rápido de uma funcionalidade na moda, mas uma construção gradual de uma plataforma controlada com regras, logging e restrições internas.

Como o Desenvolvimento Está Mudando

Um tópico separado é AI coding. Ferramentas que ajudam a escrever, revisar e reescrever código já estão mudando notavelmente como desenvolvedores e engenheiros trabalham. Não se trata apenas de acelerar tarefas rotineiras, mas de uma distribuição diferente de tempo: menos esforço em código de modelo, rascunhos iniciais e busca de soluções padrão, mais em review, especificação de tarefas, arquitetura e verificação do que o agente gerou.

Para um banco com grande equipe de engenharia, esta não é uma otimização cosmética, mas uma mudança no fluxo de produção.

• Protótipos de ferramentas internas surgem mais rapidamente
• Engenheiros trabalham cada vez mais como revisores e definidores de tarefas para agentes
• O valor da documentação de qualidade, testes e padrões de código cresce
• Erros mudaram da escrita de código para verificação, segurança e controle de acesso

Mas os benefícios não vêm automaticamente. Se uma equipe tem testes fracos, código confuso ou regras de desenvolvimento informais, AI coding começa a replicar caos tão rapidamente quanto soluções úteis.

Portanto, grandes empresas revisam processos em paralelo: onde human-in-the-loop é obrigatório, quais mudanças podem ser propostas automaticamente, como verificar segurança de código e como medir produtividade real em vez de número de linhas geradas.

É por isso que a implementação de tais ferramentas rapidamente esbarra na disciplina da equipe.

Dados e Regulamentação

A parte mais complexa de escalar IA em um banco—não a interface ou escolha de modelo, mas dados. Para um agente ou assistente ser útil, precisa de acesso ao contexto interno: documentos, sistemas, políticas, código-fonte, histórico de transações.

Mas é aqui que a indústria financeira enfrenta as restrições mais rigorosas. Cada novo cenário se depara com classificação de dados, limites de permissão, requisitos de armazenamento, auditoria e explicabilidade de decisões. Quanto mais poderoso o agente, maior o custo do erro e mais rigoroso o perímetro deve ser.

Daí a questão regulatória. Não é suficiente para o banco provar que o modelo funciona rápido e convenientemente. Deve mostrar que seu uso é reproduzível, controlado e em conformidade com requisitos internos e externos.

Em operação real, isso significa logs de ação, restrições no uso de dados sensíveis, verificação de fornecedores de modelos e rotas de escalação claras quando a IA comete erros ou ultrapassa limites permissíveis.

Para Goldman Sachs, implementar IA é simultaneamente um projeto de engenharia, um projeto de gestão de riscos e trabalho de conformidade a longo prazo.

O Que Isso Significa

A principal conclusão da posição do Goldman Sachs é simples: a era do "chatbot para experimentos" está terminando. O próximo estágio é IA como infraestrutura corporativa gerenciada, onde o valor vem não de demos individuais, mas de uma combinação de agentes, dados, processos de controle e um novo papel para engenheiros.