Gradient Labs dá a cada cliente bancário um gestor de conta de IA

No setor bancário, resolver um problema de um cliente raramente é simples. Casos como fraude ou pagamentos bloqueados exigem o cumprimento rigoroso de procedimentos complexos em várias equipas. Quando os sistemas falham, os clientes são passados entre equipas, esperam em filas e enfrentam atrasos em momentos em que o que está em jogo é mais importante.

Gradient Labs⁠(abre numa nova janela) foi criada para lidar com esta complexidade. A empresa sediada em Londres está a desenvolver agentes de IA que dão a cada cliente bancário a experiência de ter um gestor de conta dedicado. Fundada por uma equipa que anteriormente liderou iniciativas de IA e dados na Monzo, a plataforma da empresa é construída com base em modelos da OpenAI e está agora a transferir tráfego de produção para GPT‑5.4 mini e nano.

«Estamos a ver uma latência de 500 milissegundos com GPT‑5.4 mini e nano, que é exatamente aquilo de que precisamos para conversas por voz naturais», afirma Danai Antoniou, cofundadora e cientista-chefe da Gradient Labs. «Estamos a transferir uma parte significativa da nossa carga de trabalho.»

No setor bancário, as interações com clientes são regidas por procedimentos operacionais padrão (SOPs) que definem o que deve acontecer em cada etapa.

Uma interação típica com um cliente pode ser assim:

1. Um cliente liga para comunicar o roubo de um cartão.
2. O sistema verifica a sua identidade, tratando correções e interrupções em tempo real.
3. Depois de verificada, bloqueia o cartão e inicia a substituição.
4. Responde a perguntas de seguimento, como o prazo de entrega, e sugere os passos seguintes.

Cada etapa segue um procedimento definido, com decisões tomadas em tempo real com base na introdução do utilizador, no contexto, nas guardrails em execução e nas respostas do cliente e do agente, para garantir conformidade.

«O modelo precisa de manter o estado do procedimento ao longo de interrupções, backchannels e mudanças de tema, ao mesmo tempo que mantém rápida a geração de respostas», diz Antoniou. «A maioria dos fornecedores nem sequer conseguia tentar.»

A Gradient Labs compara fornecedores com base nos seus procedimentos mais desafiantes e avalia-os segundo o que chama precisão da trajetória: se o sistema segue o percurso correto do início ao fim.

Numa das suas avaliações iniciais, o GPT‑4.1 foi o único modelo a atingir 97% de precisão e consistência da trajetória. O fornecedor seguinte mais próximo ficou nos 88%.

«Nos serviços financeiros, essa é a diferença entre resolver uma chamada e criar um incidente de conformidade», afirma Antoniou.

Este resultado moldou a forma como a Gradient Labs concebeu o seu sistema. A equipa construiu uma arquitetura híbrida que usa modelos da OpenAI para etapas intensivas em raciocínio e modelos mais pequenos para tarefas mais rápidas e determinísticas, com encaminhamento que se adapta com base na complexidade e nas restrições de latência.

Internamente, o sistema é composto por competências especializadas orquestradas por um agente central de raciocínio, permitindo que casos complexos avancem entre fluxos de trabalho sem perder contexto. 

Em cada interação, mais de 15 sistemas de guardrails funcionam em paralelo para garantir que as conversas permanecem dentro dos procedimentos definidos e dos limites de conformidade, incluindo deteção de aconselhamento financeiro, sinais de vulnerabilidade, reclamações e tentativas de contornar a verificação ou aceder a dados sensíveis. 

As instituições financeiras não implementam sistemas como este por fé. Precisam de ver, passo a passo, que se comporta corretamente em condições do mundo real.

«É preciso arquitetar de raiz para não haver alucinações», diz Antoniou. «Esse tem de ser o princípio orientador durante a construção.»

Para avaliar modelos novos e já existentes, a equipa reproduz conversas reais com clientes e compara o comportamento do sistema com o procedimento esperado. Também gera conversas sintéticas para testar casos-limite e cenários raros antes de qualquer implementação.

A Gradient Labs também dá às equipas controlo sobre a forma como o sistema é introduzido. Analisa dados históricos de suporte para mapear os tipos de problemas de clientes que um banco trata e a frequência com que ocorrem. As equipas podem depois escolher que categorias a IA deve tratar, começando por fluxos de trabalho de menor risco e expandindo ao longo do tempo.

Antes de entrarem em produção, os clientes podem simular conversas para rever como o sistema responde em diferentes cenários, ganhando confiança de que se comporta como esperado. 

A implementação começa normalmente com uma pequena percentagem do tráfego, com monitorização contínua e verificações automatizadas a sinalizar conversas que possam exigir revisão humana. Com o tempo, a cobertura expande-se à medida que o sistema demonstra um desempenho consistente.

Os clientes da Gradient Labs relatam pontuações de CSAT até 98%, em alguns casos superando os seus melhores agentes humanos. A maioria das implementações começa com taxas de resolução superiores a 50% logo no primeiro dia, mesmo em fluxos de trabalho complexos como litígios, verificação de conta e fraude. 

Esse impacto reflete-se no crescimento da empresa. A Gradient Labs aumentou a receita em mais de 10 vezes no último ano, expandindo-se do suporte de entrada para processos de saída e de back-office.

Olhando para o futuro, a Gradient Labs está focada em sistemas capazes de transportar contexto entre interações: compreender o histórico de um cliente, acompanhar problemas em curso e retomar onde conversas anteriores ficaram. Esta direção está estreitamente alinhada com a forma como a Gradient Labs encara a sua parceria de longo prazo com a OpenAI.

À medida que os modelos continuam a melhorar, expande-se o leque de procedimentos que podem ser automatizados em segurança. Para a Gradient Labs, isso significa aproximar-se de um sistema em que cada interação com o cliente é tratada com a mesma consistência, discernimento e continuidade de um agente humano de topo.