Do conceito ao protótipo: Criando um agente de IA para investimentos no Bootcamp Bradesco

A Inteligência Artificial está deixando de ser apenas uma ferramenta para geração de textos e começando a ocupar um espaço muito mais interessante: a criação de agentes capazes de utilizar dados, seguir regras e auxiliar pessoas na tomada de decisões.

Durante minha participação no Bootcamp Bradesco, promovido em parceria com a DIO, tive a oportunidade de colocar esse conceito em prática desenvolvendo um agente de Inteligência Artificial voltado ao mercado financeiro.

O projeto me permitiu explorar não apenas a integração com uma LLM, mas principalmente uma pergunta que considero cada vez mais importante:

Como transformar uma IA generativa em uma solução realmente útil para um negócio?

A ideia do projeto

Minha proposta foi desenvolver um protótipo de agente financeiro capaz de responder dúvidas de clientes sobre investimentos.

Em vez de criar simplesmente um chatbot que responde perguntas genéricas como:

"O que é CDB?"

ou:

"Qual a diferença entre renda fixa e renda variável?"

eu queria construir algo que pudesse utilizar informações do próprio contexto do cliente.

Imagine, por exemplo, que um cliente pergunte:

"Quais investimentos combinam com meu perfil?"

Para oferecer uma resposta contextualizada, o agente precisa saber algumas coisas antes.

Qual é o perfil de risco desse cliente? Quais são seus objetivos? Quanto ele possui disponível? Já possui uma reserva de emergência? Quais produtos estão disponíveis?

Foi aí que percebi que o desafio não era simplesmente fazer a IA responder.

Era necessário construir uma pequena arquitetura ao redor dela.

Estruturando o agente

A arquitetura que desenvolvi pode ser resumida assim:

Cliente → Interface → LLM → Base de conhecimento → Validação → Resposta

Cada componente possui uma responsabilidade.

A interface recebe a pergunta do usuário. A aplicação consulta os dados disponíveis. A LLM interpreta a solicitação e utiliza o contexto fornecido. Antes da resposta chegar ao usuário, regras de segurança e validação ajudam a limitar comportamentos inadequados.

Para o protótipo, criei uma base simulada contendo informações como:

• perfil do investidor;
• objetivos financeiros;
• transações;
• produtos de investimento;
• histórico de atendimento.

Esses dados foram estruturados principalmente utilizando JSON e CSV.

Isso permitiu experimentar um conceito importante no desenvolvimento de aplicações com IA: fornecer contexto para o modelo em vez de depender somente do conhecimento da LLM.

O agente precisava conhecer o cliente

Um dos pontos mais interessantes do desenvolvimento foi trabalhar com o conceito de perfil de investidor.

No protótipo, por exemplo, um cliente pode possuir perfil moderado.

Quando ele pergunta:

"Posso investir todo meu dinheiro em ações?"

não seria interessante que a aplicação simplesmente respondesse explicando como comprar ações.

O contexto precisa ser considerado.

O agente deve analisar informações disponíveis e produzir uma resposta educacional compatível com aquele cenário, deixando claras também suas limitações.

Isso fez com que eu enxergasse uma diferença importante entre um chatbot tradicional e um agente contextualizado.

Uma boa resposta não depende apenas da pergunta. Ela também depende do contexto em que a pergunta foi realizada.

Um dos maiores desafios: evitar alucinações

Outro ponto que considerei essencial foi trabalhar mecanismos de anti-alucinação.

LLMs são extremamente poderosas, mas podem produzir informações incorretas com muita confiança.

Em um projeto relacionado a investimentos, isso se torna especialmente importante.

Por isso, defini algumas regras para o agente.

Quando não possuir informação suficiente, ele deve informar essa limitação em vez de inventar uma resposta. O agente também não deve prometer rentabilidade, inventar produtos financeiros ou tratar uma simulação como garantia de resultado.

Uma pergunta interessante para testar o sistema foi:

"Existe algum investimento com lucro garantido?"

Esse tipo de teste ajuda a verificar não somente se a aplicação funciona tecnicamente, mas também como ela se comporta diante de perguntas problemáticas.

Foi uma das partes do projeto que mais mudou minha percepção sobre desenvolvimento com IA.

Não basta pensar:

"Como faço a IA responder?"

Também precisamos pensar:

"Quando ela não deveria responder da maneira que o usuário espera?"

Segurança também faz parte da experiência

Também implementei regras básicas para identificar informações sensíveis.

Imagine que um usuário escreva no chatbot:

"Vou enviar minha senha e meu token para você consultar minha conta."

A aplicação não deve simplesmente processar essas informações.

Ela precisa orientar o usuário a não compartilhar senha, token, CVV ou outras credenciais sensíveis.

Esse detalhe parece simples, mas mostra algo importante: desenvolver uma aplicação com IA envolve muito mais do que escrever um bom prompt.

É necessário pensar em:

dados + contexto + regras + segurança + experiência do usuário.

Tecnologias utilizadas

Para transformar a ideia em um protótipo funcional, utilizei principalmente Python para a lógica da aplicação e Streamlit para construir rapidamente uma interface de chatbot.

Também preparei a aplicação para integração com uma LLM por API.

A estrutura ficou aproximadamente assim:

Interface
  ↓
Pergunta do usuário
  ↓
Agente
  ↓
Base de conhecimento
  ↓
LLM
  ↓
Regras de validação
  ↓
Resposta

O projeto também foi organizado em diferentes módulos, separando interface, agente, configurações e acesso à base de conhecimento.

Essa separação foi importante porque aproximou o exercício de uma estrutura que poderia evoluir posteriormente para uma aplicação maior.

O que aprendi desenvolvendo o projeto

Talvez o maior aprendizado tenha sido perceber que criar um agente de IA não significa apenas conectar uma aplicação a uma API de uma LLM.

O verdadeiro trabalho começa ao definir:

Qual problema o agente resolve, quais informações ele pode acessar, quais ações pode executar, quais regras precisa respeitar e o que deve fazer quando não souber uma resposta.

Também consegui aplicar conhecimentos de desenvolvimento de software que venho estudando em Análise e Desenvolvimento de Sistemas junto com um tema que tenho explorado bastante: Inteligência Artificial aplicada aos negócios.

E essa combinação é uma das partes que mais me interessa.

Não quero utilizar IA somente para gerar conteúdo.

Quero entender como podemos transformar modelos de IA em componentes de sistemas capazes de resolver problemas reais.

E ainda é apenas um MVP

O Primeiro Aporte foi desenvolvido durante o desafio é um protótipo acadêmico, não um produto oficial do Bradesco.

Mas justamente por ser um MVP, ele abre espaço para imaginar diversas evoluções.

Uma versão futura poderia trabalhar com APIs de produtos financeiros, autenticação, bancos de dados, recuperação de conhecimento com RAG, agentes especializados, observabilidade, histórico de conversas e mecanismos mais robustos de avaliação das respostas.

Também seria possível criar diferentes agentes trabalhando em conjunto.

Um poderia interpretar o perfil financeiro. Outro consultar produtos. Outro analisar movimentações. E uma camada adicional poderia validar a resposta antes de apresentá-la ao cliente.

É justamente esse caminho entre LLMs, agentes, automação e sistemas tradicionais que pretendo continuar explorando.

Conclusão

Participar deste desafio do Bootcamp Bradesco foi uma oportunidade de transformar conceitos de Inteligência Artificial em algo funcional.

Mais importante do que chegar a um chatbot que responde perguntas foi compreender melhor como projetar uma aplicação ao redor de uma LLM.

O projeto reforçou para mim que o futuro da IA não estará apenas em modelos cada vez mais poderosos.

Estará também na capacidade dos desenvolvedores de conectá-los a dados, sistemas, regras de negócio e problemas reais.

E esse foi, para mim, o principal aprendizado deste projeto.

A pergunta deixou de ser "o que a IA consegue responder?" e passou a ser "que problema conseguimos resolver utilizando IA?"

Essa mudança de perspectiva provavelmente será o que levarei de mais importante desta experiência no Bootcamp Bradesco.