Arca mostra como agentes de IA sustentam decisões financeiras por até dez dias

O horizonte longo não é o mesmo que execução contínua

Na Arca, uma empresa de gestão de patrimônio nativa em IA↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI → que levantou US$ 48,5 milhões numa rodada liderada pela General Catalyst (com participação da Index Ventures e da Venrock), os agentes não rodam em loop fechado por horas. Eles trabalham em ciclos que podem durar até dez dias, mas de forma intermitente: param, esperam um humano, retomam, mudam de responsável.

Aman Singh, lead AI engineer da empresa, descreveu esse padrão numa apresentação no evento AI Engineer New York, realizado em outubro, e detalhou a arquitetura numa conversa com o podcast Latent Space. A distinção que ele faz entre tarefa de horizonte longo e tarefa de execução contínua importa para quem projeta agentes: o desafio não é manter um processo vivo por dias, é reconstruir contexto depois de pausas, trocas de ator e pontos de decisão.

É muito stop-start, tem muitos atores no meio, muitos pontos de decisão, muitos handoffs.

Aman Singh, lead AI engineer da ArcaIt's very stop-start, there's many actors in between, many decision points, many handoffs.

Esse recorte muda o que vale a pena construir. Um agente que só segura uma janela de contexto longa dentro de uma única sessão, o que a maioria dos frameworks de agente resolve bem hoje, não ajuda aqui. O que resolve é um sistema de memória que sobrevive à sessão e aos trocas de responsável.

Memória como infraestrutura, não como feature

A Arca mantém uma camada de persistência por cliente, alimentada pelos próprios agentes a cada interação. Segundo Singh, esse sistema responde a perguntas que um histórico de chat comum não responde:

• O que já aconteceu até agora no caso desse cliente
• O que está sendo rastreado para os próximos passos
• O que precisa acontecer nos próximos dias
• O que é rastreado a longo prazo
• Qual indivíduo, humano ou agente, é responsável por qual ação

Isso é diferente de RAG tradicional, onde a busca recupera documentos relevantes para uma pergunta pontual. Aqui a memória é um registro de estado e de responsabilidade, mais parecido com uma máquina de estados de domínio financeiro do que com um banco vetorial de embeddings. Para quem constrói agentes B2B com múltiplos atores humanos no loop, essa talvez seja a lição mais transferível do case: vale menos tempo otimizando o prompt e mais tempo desenhando o esquema de dados que o agente escreve e lê entre uma execução e outra.

Harness próprio para poder trocar de modelo

A Arca usa modelos de laboratórios de fronteira (Claude, da Anthropic, como provedor principal, além de modelos da OpenAI), mas não depende de um harness gerenciado de terceiros. A empresa construiu o próprio roteador, que escolhe automaticamente qual modelo usar para cada tarefa com base em benchmarks internos.

A decisão de possuir o harness, em vez de usar algo pronto, tem um motivo prático: liberdade para trocar de provedor de modelo sem reescrever a camada de orquestração. Isso tem custo de manutenção, mas no caso de uma fintech que roda tarefas regularmente auditadas, depender de um harness fechado de terceiro seria um risco a mais.

Guardrails determinísticos: o agente propõe, o humano decide

Em serviços financeiros, segurança não é opcional. Na Arca, o papel do agente é limitado a análise e proposta de solução. Qualquer execução de negociação ou movimentação de dinheiro passa por um advisor humano.

Todas as nossas restrições de segurança são totalmente determinísticas. E elas tiram a tomada de decisão das mãos do agente.

Aman Singh, lead AI engineer da ArcaAll of our safety restrictions are fully deterministic. And they take the decision making off the agent's hands.

Na prática isso significa que existem ferramentas que o agente pode executar sozinho e outras que ele nunca executa, independentemente do que o modelo decida. O corte não é feito por instrução de prompt, é feito fora do modelo, num código que não dá brecha para o LLM contornar a regra numa resposta mal calibrada. O episódio cita como exemplo o caso de uma decisão envolvendo um imposto de US$ 100 mil, que passa por aprovação humana antes de qualquer execução.

O truque do sandbox: descartar o código, guardar o formato

A parte mais interessante do design para quem escreve agentes que tocam dados sensíveis é como a Arca deixa o agente consultar dados internos sem dar acesso direto ao backend↳Back-end49 conteúdosIntegração front-end com backend: 7 decisões que evitam caos entre APIs, BFF e GraphQLDev (Back & Front) · abr 2026Como criar uma FAKE API REST para testes — JSONPlaceholderDev (Back & Front) · set 2025Construindo um aplicativo de bate-papo de IA simples com Spring AI e AngularDev (Back & Front) · jul 2025Ver tudo em Dev (Back & Front) →. O agente escreve código para agregar e manipular dados do cliente, mas esse código nunca chega ao banco de dados↳Banco de dados134 conteúdosSQL ou NoSQL: eis a questão!!Data · mar 2020Banco de dados: como organizar e dar segurança para milhões de dados de loteriasData · mai 20215 serviços gratuitos na cloud para bancos de dados PostgresData · fev 2025Ver tudo em Data → real.

Como Singh descreveu, o sistema traduz o código escrito pelo agente para um formato estrito esperado, descarta o código original e só então aplica guardrails sobre esse formato antes de deixá-lo alcançar o backend. O agente ganha a flexibilidade de programar a consulta que precisa, mas o que de fato roda contra o dado real é uma representação validada, não o código arbitrário que o modelo gerou.

Em resumo: é uma versão financeira do padrão de não confiar no output livre do modelo e validar contra um schema, só que aplicado a código em vez de texto estruturado. A Arca também roda verificações específicas contra problemas conhecidos de segurança em IA, como prompt injection, antes de considerar qualquer ação segura.

O loop que transforma feedback em harness melhor

O retorno dos próprios advisors humanos, combinado com os traces de execução dos agentes, alimenta um meta-agente que analisa esses dados e sugere mudanças no harness. É um padrão de evals contínuos: em vez de só medir se o agente acertou, a Arca usa a correção humana como sinal para evoluir a camada de roteamento e as próprias regras do sistema.

O que isso diz para quem não trabalha com dinheiro de cliente

Nem toda aplicação de agente precisa desse nível de engenharia. Construir harness próprio, memória persistente por entidade e sandboxing de código com tradução de formato é caro em tempo de engenharia, e só se paga quando o custo de um erro é alto: dinheiro de terceiro, dado regulado, decisão irreversível.

Para protótipos internos ou ferramentas de produtividade, um framework de agente pronto e uma janela de contexto bem gerenciada resolvem a maior parte dos casos. O case da Arca vale como referência de arquitetura exatamente no ponto em que esse limite deixa de valer: quando o agente participa de um processo que dura dias, envolve múltiplos humanos responsáveis e não pode errar de um jeito que a empresa não consiga explicar depois para um regulador.

Fonte: Latent Space