Goldman Sachs acelera adoção de agentes de IA e muda o trabalho dos desenvolvedores no banco

O Goldman Sachs não se limita mais a bots de IA internos para tarefas pontuais. Segundo o CIO Marco Argenti, o banco está reformulando sua abordagem de adoção de IA diante do crescimento acelerado das plataformas de agentes e das novas ferramentas de desenvolvimento.

Dos pilotos ao sistema

Há um ano e meio, a conversa sobre IA no Goldman Sachs girava principalmente em torno de ferramentas internas e cenários isolados de automação. Agora o foco é mais amplo: o banco enxerga a IA como uma camada de infraestrutura, que deve ser incorporada ao dia a dia das equipes, em vez de existir como um conjunto de serviços experimentais.

A chegada de plataformas de agentes como o Claude Code elevou o nível das expectativas. O negócio não quer apenas respostas de um modelo: precisa de sistemas capazes de executar cadeias de ações, trabalhar com código e acelerar processos reais.

Para um grande banco, isso significa exigências mais rígidas de arquitetura. Não dá para simplesmente liberar o acesso a um novo modelo e esperar o resultado. É preciso definir onde o agente pode agir por conta própria, a quais dados ele tem acesso, como suas ações são registradas e quem responde pelo resultado.

Por isso, a adoção de IA no banco se parece menos com o lançamento rápido de um recurso da moda e mais com a montagem gradual de uma plataforma controlada, com regras, logs e restrições internas.

Como o desenvolvimento está mudando

Outro tema é o AI coding. Ferramentas que ajudam a escrever, revisar e reescrever código já mudam de forma visível o trabalho de desenvolvedores e engenheiros. Não se trata só de acelerar tarefas de rotina, mas de uma distribuição diferente do tempo: gasta-se menos esforço com código repetitivo, primeiros rascunhos e busca por soluções típicas, e mais com revisão, definição de tarefas, arquitetura e verificação do que o agente gerou.

Para um banco com um grande quadro de engenharia, isso não é uma otimização cosmética, mas uma mudança no circuito de produção.

• Protótipos de ferramentas internas surgem mais rápido
• Engenheiros atuam cada vez mais como revisores e definidores de tarefas para agentes
• Cresce o valor de boa documentação, testes e padrões de código
• Os erros migram da escrita de código para a verificação, a segurança e o controle de acesso

Mas o ganho não vem automaticamente. Se a equipe tem testes fracos, código confuso ou regras de desenvolvimento não formalizadas, o AI coding passa a replicar o caos tão rápido quanto as soluções úteis. Por isso, as grandes empresas revisam seus processos em paralelo: onde o human-in-the-loop é obrigatório, quais mudanças podem ser propostas automaticamente, como verificar a segurança do código e como medir a produtividade real, e não o número de linhas geradas.

É justamente por isso que a adoção dessas ferramentas esbarra rapidamente na disciplina da equipe.

Dados e regulação

A parte mais difícil de escalar a IA em um banco não é a interface nem a escolha do modelo, mas os dados. Para que um agente ou assistente seja útil, ele precisa de acesso ao contexto interno: documentos, sistemas, políticas, código-fonte, histórico de operações. Mas é justamente aqui que o setor financeiro tem as restrições mais duras.

Cada novo cenário esbarra na classificação de dados, na separação de permissões, nas exigências de retenção, na auditoria e na explicabilidade das decisões. Quanto mais poderoso o agente, maior o custo de um erro e mais rígido precisa ser o perímetro.

Daí a questão regulatória. Não basta ao banco provar que o modelo é rápido e prático. É preciso mostrar que seu uso é reproduzível, controlado e compatível com as exigências internas e externas. Na operação real, isso significa registros de ações, limites ao uso de dados sensíveis, avaliação dos fornecedores de modelos e rotas claras de escalonamento para quando a IA erra ou ultrapassa o permitido.

Para o Goldman Sachs, adotar IA é ao mesmo tempo um projeto de engenharia, um projeto de gestão de riscos e um longo trabalho com compliance.

O que isso significa

A principal conclusão da posição do Goldman Sachs é simples: a era do "chatbot para experimentos" está chegando ao fim. A próxima etapa é a IA como infraestrutura corporativa gerenciada, em que o valor vem não de demos isoladas, mas da combinação de agentes, dados, processos de controle e um novo papel para o engenheiro.