A IA generativa do Itaú se expande para todo o banco, com a governança como verdadeiro teste

O Itaú levou sua estratégia de IA generativa de projetos-piloto direcionados para 300.000 clientes, com o objetivo de alcançar toda a sua base de clientes durante 2026. O programa de IA generativa do Itaú agora combina ia.i, uma interface bancária conversacional, com IARA, uma plataforma interna para governar modelos, dados, custos e riscos.

Essa combinação importa mais do que o chatbot isoladamente. O Itaú quer que os clientes usem linguagem comum em vez de navegar por menus separados para contas, crédito, cartões, seguros e investimentos. No entanto, cada conversa mais ampla aumenta a possibilidade de uma resposta imprecisa, recomendação inadequada, falha de privacidade ou ação não autorizada.

O banco está, portanto, testando duas promessas ao mesmo tempo. A promessa visível é que os serviços bancários podem se tornar mais simples e pessoais. A promessa menos visível é que o Itaú consegue manter modelos generativos sob controle dentro de uma instituição altamente regulada. A Erica, do Bank of America, e o LLM Suite interno do JPMorganChase oferecem pontos de referência úteis, mas o Itaú está tentando conectar conversas com clientes, ferramentas para funcionários e acesso governado a modelos por meio de uma única arquitetura.

A IA generativa do Itaú passa de pilotos a uma interface para todo o banco

A mudança não é simplesmente o fato de o Itaú ter adicionado outro assistente ao seu aplicativo. Trata-se de transformar a conversa em uma camada de acesso ao banco.

O Itaú apresentou publicamente o ia.i em julho de 2026, após desenvolver recursos mais restritos de inteligência artificial desde 2024. A interface aceita solicitações por texto ou voz no aplicativo do Itaú. Ela foi projetada para identificar a intenção do cliente e conectar essa solicitação ao recurso bancário relevante.

O lançamento inicial alcançou cerca de 300.000 clientes. O Itaú informou que planejava ampliar o acesso para aproximadamente 3 milhões de pessoas até setembro, seguido por toda a sua base de clientes antes do fim do ano. O banco não divulgou publicamente números finais de adoção ou uso ativo para essas etapas posteriores.

A expansão para clientes abrange mais do que perguntas e descoberta de contas. O Itaú afirma que o ia.i pode fornecer informações, interpretar comandos, orientar decisões e iniciar transações compatíveis. Ele também pode transferir um cliente para atendimento humano especializado quando a conversa exigir.

Isso cria uma experiência diferente de um chatbot fixo. Um assistente roteirizado normalmente associa uma pergunta a uma resposta preparada ou a um fluxo de trabalho restrito. Uma interface generativa pode interpretar diferentes formas de linguagem, combinar contexto e gerar uma resposta para a situação atual.

O Itaú afirma que o ia.i considera o contexto financeiro, o histórico de relacionamento, os objetivos e a fase da vida ao responder. Esses dados podem ajudar os clientes a evitar buscas em menus não relacionados. Também tornam mais importantes a precisão, os limites de dados e a transparência.

Um cliente que pergunta sobre o pagamento de um cartão apresenta um problema de informação limitado. Alguém que pergunta se pode arcar com uma compra apresenta um problema de julgamento mais amplo. O sistema precisa determinar quais dados importam, quais está autorizado a usar e quando o suporte humano se torna necessário.

A expansão segue várias implementações menores. Elas incluíram um assistente de investimentos, pagamentos Pix pelo WhatsApp, ferramentas para pequenas empresas e equipamentos de pagamento habilitados por voz. Cada projeto testou uma tarefa mais delimitada antes de o Itaú tentar criar uma camada conversacional comum.

Um recurso anterior de investimentos começou com 10.000 clientes em 2025. Essa abordagem gradual deu ao Itaú uma forma de testar respostas, comportamento dos clientes e caminhos de escalonamento antes de atender uma população muito maior.

A progressão também explica por que o anúncio de 2026 é significativo. O Itaú não está mais apresentando a IA generativa como um experimento isolado. Está tornando a tecnologia parte da forma como os clientes descobrem e utilizam serviços financeiros estabelecidos.

Essa transição cria a tensão central do artigo. Uma camada conversacional precisa parecer suficientemente aberta para ser útil, ao mesmo tempo que permanece suficientemente restrita para operar com segurança. A interface pode ocultar a complexidade do banco, mas não pode eliminar as obrigações por trás de cada resposta ou transação.

Por que ia.i é mais do que o lançamento de um chatbot

O Itaú aposta que os clientes começarão com uma intenção, e não com um menu de produtos, deixando que o banco determine o caminho correto.

Aplicativos bancários convencionais organizam os serviços de acordo com a estrutura da instituição. Os clientes escolhem contas, cartões, pagamentos, empréstimos, seguros ou investimentos. Eles precisam saber qual categoria contém a tarefa que desejam concluir.

Uma interface conversacional inverte essa sequência. Um cliente pode primeiro apresentar um objetivo, problema ou pergunta. Em seguida, o sistema identifica o produto, a fonte de informação ou o fluxo de trabalho relevante.

Essa distinção parece modesta até que a solicitação atravesse os limites entre produtos. Uma pergunta sobre economizar para uma compra pode envolver fluxo de caixa, saldo em conta, obrigações do cartão e uma posição de investimento. Uma resposta útil exige mais do que geração de linguagem.

O Itaú chama a camada contextual por trás dessa experiência de Customer DNA. Segundo a implementação de IA do banco, o sistema fornece contexto financeiro para cerca de 70 milhões de clientes. Os modelos da OpenAI estão entre os modelos usados no ambiente governado do Itaú.

A escala não significa que cada cliente receba um consultor financeiro sem restrições. Significa que o Itaú construiu um sistema de contexto destinado a apoiar diferentes experiências em uma grande população de clientes. Os dados disponíveis e as ações permitidas ainda dependem do caso de uso específico.

O Itaú afirma que os clientes podem transitar entre conveniência básica e orientação mais especializada dentro da mesma interface. Um usuário pode pedir informações sobre a conta, executar um comando compatível ou buscar ajuda para entender uma decisão de investimento.

O banco também afirma que o ia.i se adapta à linguagem do cliente e pode se comunicar por voz ou texto. Essa flexibilidade pode reduzir a necessidade de aprender os nomes exatos dos menus. Também pode tornar os serviços bancários digitais mais acessíveis para pessoas que têm dificuldade com a navegação complexa de aplicativos.

No entanto, a linguagem natural introduz uma ambiguidade que os botões evitam. “Pague minha conta” pode se referir a várias obrigações. “Posso gastar isso?” pode significar uma consulta de saldo, uma pergunta sobre orçamento ou um pedido de aconselhamento financeiro personalizado.

O sistema precisa resolver essa ambiguidade sem criar falsa confiança. Ele precisa confirmar ações sensíveis, distinguir informação de aconselhamento e evitar transmitir certeza quando os dados do cliente estiverem incompletos.

A pesquisa do próprio Itaú com o Grupo Consumoteca constatou que 80% dos brasileiros pesquisados desejavam melhor organização para sua vida financeira. Também constatou que 65% queriam tecnologia capaz de fornecer orientação financeira contínua. Essas são conclusões patrocinadas pela empresa, não medições independentes da adoção do ia.i.

A pesquisa ainda identifica a demanda que o Itaú espera atender. Muitos clientes não precisam de outra lista de produtos. Eles precisam de ajuda para conectar suas informações financeiras a uma decisão que estão tentando tomar.

É por isso que o assistente é estrategicamente importante. O banco que controla o ponto de partida conversacional pode influenciar como os clientes encontram serviços, entendem opções e escalam problemas. Ele também pode coletar sinais valiosos sobre necessidades não atendidas.

Essas vantagens trazem deveres correspondentes. Os clientes precisam entender quando estão interagindo com IA, como as recomendações são produzidas e quando uma pessoa pode revisar um resultado. Uma interface conveniente não deve obscurecer a responsabilidade por decisões relevantes.

Para profissionais do conhecimento, o mesmo princípio se aplica além do setor bancário. Uma base de conhecimento com IA útil precisa de contexto atento a permissões, recuperação confiável e limites claros para as fontes. Uma resposta fluente, por si só, não estabelece confiança.

IARA coloca a governança entre os modelos e o dinheiro

IARA é o mecanismo central da estratégia do Itaú porque separa o acesso a modelos do uso não controlado de modelos.

IARA é a plataforma de governança e orquestração de inteligência artificial do Itaú. Orquestração significa que a plataforma pode direcionar uma tarefa entre modelos e sistemas de suporte, em vez de vincular cada aplicação a um único fornecedor.

A plataforma dá às equipes internas acesso controlado a vários modelos. A OpenAI é um dos fornecedores disponíveis nesse ambiente, e não o único fornecedor de modelos incorporado a todos os fluxos de trabalho.

Essa abordagem agnóstica em relação a modelos oferece várias opções ao Itaú. Um modelo menos caro pode lidar com uma tarefa rotineira em que a velocidade importa. Um modelo de raciocínio mais capaz pode processar uma solicitação difícil quando custo e latência mais altos forem justificáveis.

IARA também permite que o banco aplique políticas comuns a essas escolhas. O Itaú afirma que a plataforma monitora o uso de modelos, a precisão das respostas, o consumo de tokens e os requisitos de IA responsável. Tokens são as unidades usadas para processar texto por meio de modelos de linguagem.

A centralização não torna automaticamente seguro um sistema de IA. Ela pode, contudo, criar um único local para controles de acesso, registros, avaliação de modelos, limites de custo e aplicação de políticas. Sem essa camada, cada equipe de produto poderia criar salvaguardas e práticas de dados diferentes.

O departamento jurídico do Itaú fornece o maior exemplo divulgado. Segundo o banco, sua solução jurídica de IA trabalha com mais de 90 milhões de documentos e conclui mais de 2 milhões de tarefas por mês. A empresa relata ganhos de eficiência entre 20% e 80% em diferentes etapas de processos.

Essas porcentagens abrangem uma ampla faixa e vêm do Itaú, não de uma auditoria independente. Elas não devem ser tratadas como um resultado universal de produtividade. A leitura de documentos jurídicos também difere da orientação financeira voltada ao cliente.

O exemplo ainda demonstra por que a orquestração importa. Processar um arquivo jurídico exige permissões de documentos, recuperação de informações, seleção de modelos, rastreabilidade e monitoramento de resultados. O modelo gera apenas uma parte do resultado.

O Itaú afirma que a IARA mantém informações sensíveis dentro do contexto do banco, enquanto controla como as aplicações acessam modelos externos. Esse limite é essencial quando os prompts podem incluir informações de clientes, funcionários, transações ou questões jurídicas.

A plataforma também oferece suporte à observabilidade, o que significa que as equipes podem inspecionar como os sistemas se comportam após a implementação. No setor bancário, o monitoramento não pode parar quando um modelo passa por uma avaliação de lançamento. A linguagem dos clientes, os padrões de fraude, o comportamento dos modelos e os produtos subjacentes mudam continuamente.

Uma atualização de modelo pode melhorar o raciocínio enquanto altera o comportamento de recusa. Uma política de produto revisada pode tornar incorreta uma resposta anterior. Um novo método de ataque pode expor fragilidades que não existiam durante o desenvolvimento.

Portanto, a IARA precisa governar todo o ciclo de vida do sistema. Isso inclui o acesso a dados antes de uma solicitação, o direcionamento durante o processamento e a revisão após a resposta. Também inclui a investigação de incidentes quando uma resposta causa danos ou confusão.

A arquitetura se assemelha à direção adotada por outros grandes bancos. O JPMorganChase lançou o LLM Suite como um ambiente controlado de IA generativa para funcionários. A empresa informou que a plataforma alcançou mais de 200.000 usuários integrados em oito meses.

A estratégia do Itaú estende a ideia de plataforma compartilhada às conversas com clientes. Trata-se de um teste mais exposto, porque um cliente pode agir imediatamente com base em uma resposta. Funcionários geralmente contam com treinamento, documentação interna e processos de revisão que os consumidores não têm.

A escolha de vários modelos é outra salvaguarda prática, mas cria trabalho de gestão. O Itaú precisa comparar continuamente a qualidade, o custo, a latência, os termos de privacidade e o comportamento dos modelos. Uma mudança de fornecedor não pode enfraquecer um fluxo de trabalho regulado sem ser detectada.

Nenhuma plataforma de governança pode eliminar todas as falhas. Seu valor está em tornar os controles consistentes, as evidências visíveis e a intervenção possível. Essa é uma base mais crível do que depender da fluência ou da reputação de marca de um modelo.

A Pressão Competitiva É uma Interface Bancária Mais Simples

Os rivais do Itaú não competem apenas pela qualidade dos modelos. Eles competem para se tornar o primeiro lugar onde os clientes expressam uma intenção financeira.

Os bancos usam aprendizado de máquina há anos para detecção de fraudes, análise de crédito, personalização e encaminhamento de atendimento. A IA conversacional muda a camada de apresentação, não a existência da automação.

O Bank of America oferece o precedente mais claro em larga escala. Sua assistente virtual Erica foi lançada em 2018, antes do atual ciclo de IA generativa. Em agosto de 2025, o banco informou mais de 3 bilhões de interações com clientes e quase 50 milhões de usuários.

Os dados de uso da Erica do banco também mostram a disciplina por trás de uma assistente madura. O Bank of America afirmou que a Erica utilizava uma biblioteca controlada de mais de 700 respostas e havia recebido mais de 75.000 atualizações.

Esse design prioriza resultados previsíveis em vez de geração aberta. O Itaú busca uma interface generativa mais ampla, mas o exemplo da Erica mostra por que a manutenção contínua é importante. Uma assistente financeira se torna um serviço operacional, não um recurso de software concluído.

O Nubank também começou a testar uma assistente generativa de crédito com um grupo restrito de clientes em 2023. Seu escopo inicial abrangia perguntas sobre limites de crédito, crédito garantido, NuPay e empréstimos pessoais. O lançamento limitado refletia os riscos de avançar imediatamente para discussões de crédito personalizadas.

Essas abordagens pressionam todos os bancos de varejo com um aplicativo complexo. Quando os clientes podem declarar uma intenção diretamente, experiências repletas de menus passam a parecer ineficientes. A comparação deixa de se concentrar na quantidade de recursos e passa a considerar a rapidez com que o banco compreende e conclui uma solicitação.

O Itaú tem vantagem na gama de serviços que consegue conectar. Contas, cartões, seguros, crédito, pagamentos e investimentos podem todos contribuir com contexto. Essa amplitude pode gerar orientações mais úteis do que uma assistente de propósito único.

Ela também pode criar conflitos. Um banco pode se beneficiar quando um cliente adota outro produto. O cliente precisa ter confiança de que a orientação gerada reflete seus interesses, sua elegibilidade e seu perfil de risco, e não um objetivo comercial não identificado.

A interface, portanto, deve preservar as distinções entre educação, assistência, recomendação e promoção. Essas categorias carregam expectativas diferentes. Combiná-las em uma única conversa amigável pode tornar seus limites difíceis de perceber.

A IA generativa também dá aos provedores de tecnologia mais influência sobre as interfaces bancárias. Fornecedores de modelos oferecem capacidades de linguagem e raciocínio, enquanto os bancos contribuem com dados, fluxos de trabalho, regras de conformidade e relacionamentos com clientes.

A arquitetura multimodelo do Itaú reduz a dependência de qualquer fornecedor único. Ela não elimina a dependência externa, pois modelos de ponta, sistemas em nuvem e infraestrutura especializada continuam evoluindo fora do banco.

A disputa estratégica, portanto, não é Itaú contra OpenAI, nem um banco contra um fornecedor de modelos. É contexto institucional controlado contra inteligência genérica de modelos. O banco precisa provar que seus dados e sua governança produzem uma experiência mais segura e útil.

Se a ia.i for bem-sucedida, os concorrentes enfrentarão pressão para unificar suas próprias assistentes entre produtos. Um chatbot fragmentado para dúvidas de suporte parecerá menos capaz ao lado de uma interface capaz de interpretar objetivos e concluir transações.

Se a ia.i enfrentar dificuldades, o setor poderá favorecer assistentes mais restritas, com ações cuidadosamente delimitadas. Os bancos poderiam continuar usando IA generativa internamente enquanto mantêm as ferramentas voltadas ao consumidor mais determinísticas.

Esse resultado não significaria que a tecnologia falhou. Mostraria que conversas com clientes de alto impacto exigem um equilíbrio diferente daquele de resumos de documentos, ferramentas de redação ou busca para funcionários.

A Promessa de Escala do Itaú Encontra a Realidade Regulada

A questão ainda não resolvida é se o Itaú consegue preservar precisão, consentimento e responsabilização humana à medida que a ia.i se expande além de grupos controlados.

O sistema financeiro brasileiro impõe exigências relacionadas à segurança, à proteção do consumidor, ao tratamento de dados, à manutenção de registros e à resiliência operacional. A IA generativa acrescenta resultados incertos a esse arcabouço já existente.

O Banco Central do Brasil identificou a inteligência artificial como uma área que exige estudo de riscos e efeitos em instituições financeiras. Regras atualizadas de cibersegurança também enfatizam controles de acesso, rastreabilidade, integração segura, testes e proteção de infraestrutura.

Essas exigências estão alinhadas ao propósito declarado da IARA. No entanto, o Itaú não divulgou publicamente taxas detalhadas de erro, taxas de escalonamento, resultados de satisfação do cliente ou detalhamentos de incidentes envolvendo a ia.i. Os estudos de caso disponíveis se concentram principalmente na arquitetura e nos benefícios pretendidos.

Essa lacuna de evidências importa porque o tamanho da implantação, por si só, não comprova qualidade. Um sistema pode alcançar milhões de contas e ainda receber uso ativo limitado. Ele também pode lidar bem com solicitações simples, mas enfrentar dificuldades com perguntas incomuns ou relevantes.

Três riscos merecem atenção especial.

Primeiro, respostas geradas podem soar mais certas do que as evidências que as sustentam. Em um contexto bancário, uma explicação incorreta pode afetar comportamentos de gasto, endividamento, seguro ou investimento.

A recuperação de informações aprovadas pode reduzir esse risco, mas não pode eliminar a ambiguidade. Os termos dos produtos mudam, as circunstâncias dos clientes diferem e o modelo pode combinar fatos corretos em uma conclusão inadequada.

Segundo, a personalização depende de dados pessoais. A autoridade brasileira de proteção de dados destacou riscos envolvendo prompts, resultados de modelos, compartilhamento de dados, retenção, transparência e a reutilização de informações pessoais.

O radar de IA generativa da autoridade enfatiza que a inovação deve permanecer compatível com a Lei Geral de Proteção de Dados do Brasil. Também observa que os usuários podem inserir seus próprios dados, ou os dados de outra pessoa, em prompts sem reconhecer as consequências.

Para o Itaú, a governança precisa abranger mais do que dados de treinamento. Ela deve tratar das informações reunidas para cada interação, dos dados enviados a cada modelo, da resposta resultante e de qualquer registro mantido posteriormente.

Terceiro, a assistência automatizada pode se tornar uma decisão automatizada na prática, mesmo quando o sistema tecnicamente oferece apenas orientação. Clientes podem seguir uma resposta confiante sem solicitar revisão humana.

A agenda brasileira de proteção de dados inclui trabalho sobre o Artigo 20 da LGPD, que trata da revisão de decisões baseadas exclusivamente no tratamento automatizado de dados pessoais. O Itaú deve manter linhas claras entre suporte conversacional, recomendações e decisões que afetam os interesses dos clientes.

O escalonamento para atendimento humano é uma salvaguarda importante, mas seu design determinará seu valor. Uma transferência que perde o contexto da conversa gera frustração. Um escalonamento que acontece apenas após um erro pode chegar tarde demais.

O banco também precisa se proteger contra injeção de prompts, fraude, tomada de conta e engenharia social. Um invasor poderia tentar manipular a assistente, extrair informações ou acionar um fluxo de trabalho sensível por meio de linguagem enganosa.

Etapas de confirmação continuam necessárias para transações. A camada conversacional não deve enfraquecer a autenticação apenas porque a solicitação soa natural. A conveniência deve terminar onde a autoridade permanece incerta.

O viés apresenta outro desafio. Um modelo pode produzir tons, pressupostos ou orientações diferentes para clientes que expressam necessidades semelhantes de maneiras distintas. O Itaú afirma que suas políticas de IA responsável abordam vieses, mas não publicou resultados detalhados de avaliações externas da ia.i.

A viabilidade econômica é outra parte não comprovada do plano. O uso de modelos cria custos variáveis, especialmente quando as conversas exigem contexto extenso ou raciocínio mais profundo. Distribuir tarefas entre modelos pode controlar os gastos, mas uma adoção mais ampla ainda pode aumentar o consumo total.

As expectativas relatadas pelo Itaú para os funcionários também precisam de validação. O banco prevê que as ferramentas de IA possam dar aos gerentes de relacionamento três vezes mais tempo para interações com clientes. Espera que o atendimento se torne duas vezes mais rápido e as conversas até três vezes mais eficazes.

Essas são expectativas futuras da empresa. Os termos “tempo disponível” e “efetividade” podem depender de escolhas internas de medição. A divulgação pública deveria, em algum momento, distinguir benefícios projetados de resultados observados.

Uma avaliação responsável, portanto, tem dois lados. O Itaú divulgou uma arquitetura de governança crível e várias implantações relevantes. Ainda não forneceu evidências independentes ou longitudinais suficientes para confirmar que a arquitetura funciona em toda a sua base de clientes.

Três Sinais Decidirão se a Aposta do Itaú Funciona

A próxima fase deve ser julgada pelo comportamento verificado, não pelo número de clientes que recebem um ícone dentro do aplicativo bancário.

O primeiro sinal é o uso sustentado pelos clientes após a ampla disponibilidade. O Itaú deveria divulgar usuários ativos, uso recorrente, tarefas concluídas, abandono, transferências para atendimento humano e satisfação do cliente. Crescer de 300.000 clientes elegíveis para acesso universal só importa se as pessoas confiarem à interface necessidades financeiras reais.

O segundo sinal é a evidência sobre precisão e salvaguardas. Uma divulgação útil incluiria categorias de erro, confirmações bem-sucedidas de transações, volume de reclamações, correções de respostas e incidentes graves. Também deveria explicar como a IARA avalia diferentes modelos antes e depois da implantação.

Qualquer publicação do Banco Central ou da autoridade brasileira de proteção de dados acrescentará uma referência externa. O banco central já estuda riscos de IA em instituições financeiras, enquanto a autoridade de dados desenvolve orientações sobre decisões automatizadas e tratamento responsável de dados.

O terceiro sinal é se os concorrentes ampliam suas próprias assistentes. O Bank of America provou que uma assistente financeira limitada pode suportar um enorme volume de interações. O JPMorganChase mostrou que uma plataforma interna governada pode alcançar centenas de milhares de funcionários.

O Itaú está tentando combinar esses caminhos. Ele quer conversas em escala de clientes, produtividade dos funcionários, dados financeiros contextuais e vários fornecedores de modelos dentro de uma estrutura controlada.

Uma implementação bem-sucedida reforçaria o argumento de que a IA generativa pode se tornar uma interface primária para serviços regulados. Um recuo para perguntas restritas apoiaria a conclusão oposta. Sugeriria que fluxos de trabalho determinísticos continuam mais seguros para ações consequentes dos clientes.

Desenvolvedores e compradores corporativos devem observar como o Itaú divide a responsabilidade entre o modelo, a camada de orquestração, os sistemas bancários e a equipe humana. Essa divisão será importante na saúde, nos seguros, nos serviços jurídicos e em outros setores regulados.

Os clientes devem fazer uma pergunta mais simples sempre que a ia.i oferecer orientação: a resposta consegue mostrar sua base, seus limites e um caminho confiável para revisão humana?

A estratégia de IA generativa do Itaú não será definida pela capacidade do ia.i de manter uma conversa fluida. Ela será definida pela capacidade do banco de tornar essa conversa precisa, responsável, econômica e útil em larga escala.