A Anthropic lançou recentemente um agente de IA voltado a serviços financeiros, mirando cenários como bancos de investimento, gestão de ativos, seguros, análise de crédito e finanças corporativas. De acordo com o anúncio da Anthropic, esses modelos de agentes podem ser usados para elaborar pitchbook, fazer análise de KYC, fechar contas de fim de mês e outras tarefas demoradas e comuns na indústria financeira, além de integrarem o Claude Cowork, o Claude Code e os Claude Managed Agents.
Mas dizer que isso substitui pesquisadores de finanças pode ser prematuro. O podcast 《Hardcore 財經通識》, em sua página no Facebook, apontou um problema real da indústria de pesquisa financeira: a atualização de informações que é muito importante, mas tem um nível altíssimo de repetição. Só que, muitas vezes, os dados financeiros não apresentam erros explícitos. Com o tempo, um junior analyst desenvolve um “data sense”. Além de “conseguir obter” informações, é necessário saber o que a empresa mudou desta vez de abordagem, quais métricas não podem ser comparadas diretamente com períodos anteriores e quais números são apenas uma forma de “embalagem” feita pela gestão.
Anthorpic pode ajudar a indústria de pesquisa financeira na atualização de informações
Desta vez, a Anthropic lançou 10 agentes para serviços financeiros, capazes de executar tarefas como montar apresentações, revisar demonstrações financeiras, escrever credit memo e outras.
O apresentador do《Hardcore 財經通識》, Paku, que já atuou em uma mesa de trading de uma grande holding financeira local, disse que a reação do mercado a esse tipo de ferramenta tende a ir para dois extremos. De um lado, “o apocalipse do setor financeiro” e “o AI que quebra o santo graal dos investimentos”; do outro, uma enxurrada de usuários exibindo que construíram em poucas horas um motor de backtest com desempenho impressionante via vibe coding. Ainda assim, ele acredita que essas duas narrativas simplificam demais o trabalho real de pesquisa financeira.
Paku afirma que o problema exato da indústria de pesquisa financeira é a atualização de informações que é muito importante, mas com repetição extremamente alta. Na pesquisa fundamentalista, tanto no lado de compra quanto no lado de venda, demonstrações financeiras, earning call, bases de dados, apresentações, modelos e relatórios para clientes se conectam entre si. Antes de o analista construir um modelo, os dados precisam estar prontos; e como as características de cada empresa variam muito, quase sempre é necessário apoio para reorganizar informações de diferentes bases de dados e de diferentes documentos.
Especialmente na temporada de balanços, se um analista do lado de venda cobre um setor inteiro, ele precisa atualizar, ao mesmo tempo, uma grande quantidade de demonstrações financeiras, earning calls, indicadores-chave, modelos financeiros e relatórios de pesquisa. Mesmo com suporte de junior analyst, o processo inteiro ainda parece um inferno: métricas que cada empresa acompanha são diferentes, a forma de ajustar modelos também muda, e os clientes em geral são fundos grandes e caros em termos de tempo. Por isso, o analista precisa extrair, em pouco tempo, as melhores ideias realmente valiosas.
O maior absurdo da pesquisa financeira: 80% do tempo gasto em trabalho de baixo valor
Para Paku, o aspecto realmente paradoxal da pesquisa financeira é que os resultados muitas vezes dependem fortemente da direção adotada no começo: quais indicadores-chave olhar, quais tendências focar, como lidar com dados faltantes e como comparar entre empresas. Só que, na prática, analistas passam muito tempo capturando dados, puxando planilhas Excel, atualizando relatórios e montando apresentações.
Em outras palavras, o resultado do estudo pode depender 80% de decisões de direção, mas o tempo de trabalho fica 80% consumido por organização dos dados e atualização de formato.
Esse é justamente o ponto de entrada dos agentes financeiros da Anthropic. Não é para substituir o analista encontrando o santo graal dos investimentos de forma direta, e sim para produzir um workflow de pesquisa com cerca de 60% de completude: primeiro ajudar o analista a buscar dados, encadear bases de dados, atualizar modelos, organizar apresentações e documentos; depois, deixar que humanos apontem em linguagem natural onde está errado, o que precisa ser complementado e onde é necessário obter novos dados.
Paku descreve que isso se parece mais com um “junior muito rápido, mas que ainda precisa de um comando por ação”. O valor não está em substituir analistas sêniores, e sim em reduzir o volume de horas de baixo valor, fazendo com que as decisões de pesquisa de verdade voltem para as mãos humanas.
Maior risco: erros em dados financeiros costumam ser implícitos
Ainda assim, Paku ressalta que o maior desafio dos agentes financeiros não é escrever relatórios, e sim garantir que os dados estejam corretos.
Ele aponta que a atualização de dados financeiros é complicada porque os erros muitas vezes não são erros explícitos. Os números podem “parecer que estão todos lá”, mas, na prática, podem estar completamente deslocados, sem consistência lógica ou com definições equivocadas. O que torna ainda pior é que, quanto mais o erro se propaga para estágios a jusante, mais o custo de rastreamento cresce de forma exponencial. Quando modelos, apresentações, relatórios e investment memo são construídos sobre dados errados, no fim é preciso voltar e encontrar o erro, e isso custa muito mais do que quando humanos avaliam logo no início a fonte dos dados e suas definições.
É exatamente aí que o junior analyst melhora com o tempo: o chamado data sense. Muitas informações-chave não estão em bases de dados estruturadas; elas ficam escondidas em management presentation, earning call, notas explicativas dos balanços e nas métricas definidas pela própria empresa. Essas informações não são apenas “boas de pegar”; é preciso saber o que a empresa mudou de abordagem desta vez, quais indicadores não podem ser comparados diretamente com períodos anteriores e quais números são apenas uma embalagem da gestão.
Problemas semelhantes também aparecem em benchmarks de IA para finanças. Em um estudo recente do BankerToolBench, foi apontado que mesmo os melhores modelos de ponta, ao serem testados em fluxos de trabalho end-to-end do junior analyst em bancos de investimento, ainda não passam em quase metade dos itens de pontuação, e que as avaliações de banqueiros indicam que nenhuma saída atinge o padrão client-ready. Isso mostra que agentes de IA já conseguem lidar com parte do trabalho, mas ainda há uma diferença clara antes de entregar resultados financeiros de alto risco diretamente.
IA pode escrever SQL, mas não consegue atuar livremente em LTV e churn rate
Paku também aponta que, se a tarefa for apenas uma captura simples de dados, a IA realmente pode ser muito eficiente. Especialmente considerando que as ferramentas modernas de ETL já estão bem maduras, quando combinadas com boas interfaces e sistemas com intervenção humana, os agentes financeiros têm, sim, chances de melhorar a eficiência do workflow de pesquisa.
Mas o verdadeiro perigo surge quando o usuário pede que a IA calcule sozinha indicadores mais complexos ou altamente dependentes de definições, como LTV por cluster, churn rate e modelos de unidade econômica. Se humanos não injetarem antes fórmulas claras e benchmarks, e deixarem a IA “se virar” sem restrições, o resultado pode ser muito perigoso. Isso porque esses indicadores não são apenas exercícios matemáticos: dependem de definições de negócio, recortes de dados e do contexto da indústria. Um detalhe na fórmula errado pode distorcer toda a decisão de investimento.
Os agentes financeiros da Anthropic não são “o santo graal do investimento” e nem um brinquedo para fazer o usuário, em duas horas de vibe coding, criar um motor de backtest com retorno anual de 2000%. Em vez disso, é uma ferramenta da indústria tentando reorganizar o workflow de pesquisa financeira.
A mudança mais provável que eles trazem é liberar o analyst de uma grande quantidade de atualização de dados, organização no Excel, formatação de relatórios e produção de apresentações, para que os humanos voltem a gastar tempo com julgamentos: quais indicadores importam, quais tendências valem ser acompanhadas, quais dados não devem ser confiados e quais formas de comparação podem induzir a erro.
Esta matéria “Anthorpic推金融專屬 AI Agent，圈內人曝 Claude 不能取代分析師的關鍵” apareceu primeiro em 鏈新聞 ABMedia.
