O futuro dos agentes de IA passa por pagamentos menos friccionados, diz Google Cloud

Por Pedro Almeida

O futuro dos agentes de inteligência artificial nos pagamentos será decidido menos pela qualidade da conversa e mais pela capacidade de concluir uma tarefa com autorização, segurança e resultado mensurável. Essa é a tese que emerge da conversa do podcast Future of Money com Rafael D’Ávila, head de finanças do Google Cloud, e Alessandro Luz, gerente de marketing da companhia. A discussão sobre agentes, open finance e a transformação econômica projetada até 2030 precisa ser lida como uma agenda de execução para empresas, não como promessa de automação instantânea.

O ponto é relevante porque o setor financeiro brasileiro já reúne duas condições para testar esse modelo: clientes que usam mais de uma instituição e uma infraestrutura de compartilhamento de dados baseada em consentimento. O obstáculo está em conectar essas camadas sem transformar conveniência em opacidade. Para o dono de negócio, a pergunta mais útil não é qual aplicativo de IA parece mais avançado. É qual etapa da jornada ainda consome tempo, gera abandono ou exige que o cliente repita informações.

O problema do pagamento é a coordenação, não a conversa

Uma compra pode começar em uma conversa, passar por uma recomendação e terminar em uma autorização financeira. Entre esses pontos existem identificação, consulta de dados, escolha de produto, verificação de limite, prevenção de fraude e confirmação. Um agente só entrega valor quando coordena essas etapas de forma compreensível. Se ele apenas responde com naturalidade, mas deixa o cliente preencher os mesmos campos, trocar de tela e resolver manualmente o pagamento, a fricção mudou de lugar, mas não desapareceu.

Essa distinção ajuda a interpretar o episódio do podcast. A Exame registra que D’Ávila e Luz discutiram a eliminação da fricção nos pagamentos, a ampliação do open finance e a transformação econômica que a inteligência artificial pode proporcionar até 2030. O material não apresenta uma implementação brasileira específica do Google Cloud que já tenha eliminado uma etapa para todos os usuários. Portanto, o dado jornalístico é a direção do debate, enquanto a aplicação precisa ser testada em cada operação.

O próprio Google Cloud descreve agentes como sistemas capazes de orquestrar fluxos de trabalho, em vez de limitar a IA a respostas isoladas. Na página oficial do relatório AI agent trends 2026, a empresa resume essa mudança como a passagem de tarefas pontuais para sistemas que executam fluxos completos de forma semiautônoma. A formulação é da companhia e deve ser tratada como posicionamento empresarial. Ainda assim, ela oferece um critério prático: medir o fluxo inteiro, da intenção do cliente à confirmação da operação.

Os dados do FinFacts mostram que a contratação digital ainda trava no atendimento

O caso concreto mais claro aparece no estudo FinFacts 2025, do Google Cloud, citado no conteúdo de marca publicado pelo Valor. A análise avaliou a contratação digital de serviços financeiros e encontrou 18 instituições com chatbot. Dessas, 15 ainda não utilizavam linguagem natural e apenas dois chatbots deram respostas adequadas a perguntas sobre produtos, desempenhando o papel de consultores financeiros.

O número muda o foco da discussão. A conta simples é 15 dividido por 18: 83,3% das instituições com chatbot avaliadas ainda recorriam a menus engessados. Do outro lado, dois divididos por 18 representam 11,1% com respostas adequadas nesse teste. Essa é uma conta feita a partir dos dois dados publicados, não um percentual apresentado pelo estudo. Ela mostra que a distância entre instalar um chatbot e oferecer orientação útil continua grande.

O mesmo conteúdo do Valor apresenta um caso empresarial específico: a Regnology, especializada em relatórios regulatórios, desenvolveu uma solução com múltiplos agentes para converter tickets de bugs em código acionável. Segundo o texto, o resultado foi uma redução de 60% no tempo gasto na resolução dos bugs, além de melhora de eficiência e precisão. O caso não é de pagamento ao consumidor, mas é uma evidência concreta de que agentes podem gerar valor quando são ligados a um processo delimitado e a uma métrica operacional.

A diferença entre os dois exemplos é instrutiva. No chatbot, a empresa oferece uma interface que pode continuar presa a menus. Na Regnology, o sistema foi associado a uma entrada definida, o ticket, e a uma saída verificável, o código acionável. Para pagamentos, a mesma lógica exigiria definir onde começa a responsabilidade do agente, qual autorização ele pode usar e qual evento comprova que a transação foi concluída corretamente.

Open finance amplia o campo de ação, mas o consentimento continua no centro

Open finance não significa entregar todos os dados financeiros a uma plataforma indistinta. O site oficial Open Finance Brasil explica que o cliente escolhe com qual instituição compartilhar informações, pode cancelar o acesso e decide o período dessa autorização. A operação ocorre entre instituições participantes autorizadas pelo Banco Central, dentro de regras de segurança e fiscalização.

Essa arquitetura pode apoiar experiências mais simples para pessoas e empresas com várias contas, cartões ou relacionamentos financeiros. Um negócio pode autorizar uma instituição a consultar informações necessárias para uma oferta, uma análise ou uma iniciação de pagamento. O ganho potencial está em reduzir a repetição de dados e permitir que uma decisão use um contexto mais completo. O risco aparece quando a interface esconde o que será acessado, por quanto tempo e para qual finalidade.

A simplicidade também precisa existir na revogação. Se a autorização é fácil de conceder, mas difícil de cancelar, a experiência não está realmente sob controle do cliente. Para agentes de IA, esse ponto ganha peso: uma instrução dada em linguagem natural pode ser interpretada como uma permissão ampla quando deveria valer para uma única compra, um único fornecedor ou um limite específico.

O Banco Central é a referência regulatória do sistema, enquanto o Open Finance Brasil funciona como fonte de orientação ao público e às instituições participantes. A combinação das duas fontes ajuda a separar fato de expectativa. O sistema já oferece uma base de compartilhamento com consentimento. Isso não prova que qualquer agente de IA esteja autorizado a movimentar dinheiro de forma autônoma, nem que toda jornada bancária esteja pronta para essa integração.

Pagamentos autônomos já têm testes, mas ainda dependem de confiança

O movimento internacional descrito pela Visa ajuda a dimensionar a mudança. Em comunicado oficial, a empresa informou que centenas de transações iniciadas por agentes foram concluídas em colaboração com parceiros. A mesma publicação diz que 47% dos consumidores pesquisados nos 12 mercados analisados usavam ferramentas de IA em pelo menos uma tarefa de compras, como comparação de preços ou recomendações personalizadas.

A pesquisa da Visa foi conduzida pela Morning Consult entre 14 e 16 de outubro de 2025, com 1.000 adultos em 12 mercados, incluindo o Brasil, e margem de erro de mais ou menos 1 ponto percentual. O dado mede uso de ferramentas de IA em tarefas de compras. Ele não significa que 47% dos consumidores já autorizem agentes a concluir pagamentos. Essa diferença é decisiva para evitar uma leitura exagerada do número.

A Visa também informou que trabalhava com mais de 100 parceiros, que mais de 30 construíam soluções em seu ambiente de testes e que mais de 20 agentes ou habilitadores estavam integrados ao Visa Intelligent Commerce. Entre os exemplos citados estão o uso de um agente da Consumer Reports para demonstrar a compra de fones Bose e uma solução da Ramp voltada a pagamentos empresariais. São pilotos e transações controladas, não prova de adoção universal.

O padrão de segurança precisa acompanhar a automação. O Trusted Agent Protocol, apresentado pela Visa com parceiros em outubro de 2025, foi descrito como uma estrutura para ajudar comerciantes a distinguir agentes legítimos de bots maliciosos e transmitir informações de identidade, autenticação e intenção de compra. Para o pequeno negócio, isso significa que aceitar tráfego gerado por agentes pode exigir novas regras de identificação, limites de operação e tratamento de contestação.

O horizonte de 2030 só faz sentido quando a empresa mede o presente

Projeções sobre a economia até 2030 ajudam a organizar investimentos, mas não substituem evidência de campo. O material do Google Cloud sobre serviços financeiros relaciona inteligência artificial, personalização, agilidade e segurança. O conteúdo também registra que uma pesquisa da PwC apontou ganhos de eficiência no uso do tempo e incremento de receita para 59% dos líderes brasileiros do setor financeiro consultados. A estatística descreve percepção de executivos, não um retorno garantido para qualquer empresa.

O caminho mais seguro é tratar cada agente como uma hipótese operacional. A empresa pode escolher uma etapa de atendimento, registrar o tempo de resolução, a taxa de abandono e a quantidade de transferências para uma pessoa. Depois, deve comparar um período com o agente e outro sem ele, mantendo o mesmo tipo de solicitação. Se o ganho não aparecer, a causa pode estar no processo, nos dados disponíveis, na autorização ou no desenho da interface.

Essa disciplina também reduz o risco de confundir atendimento automatizado com consultoria financeira. Um agente pode localizar informação, comparar opções autorizadas ou acompanhar um pedido. Já a recomendação de um produto, a aprovação de crédito e a execução de uma transação exigem regras específicas, registros e responsabilidade definida. Quanto maior o impacto financeiro, mais visíveis precisam ser os limites da automação.

O dono do negócio pode começar na segunda-feira com um teste de sete dias

O primeiro passo é escolher um único gargalo, como perguntas repetidas sobre prazo de pagamento, segunda via ou status de pedido. Durante sete dias, registre quantas solicitações chegam, quanto tempo a equipe leva para responder, quantas precisam de transferência e em que ponto o cliente abandona a conversa. Sem essa linha de base, qualquer promessa de eficiência será apenas impressão.

O segundo passo é separar consulta de ação financeira. No início, o agente pode encontrar uma informação em uma base aprovada e explicar o próximo passo. Ele não deve movimentar dinheiro, alterar limite ou compartilhar dados apenas porque uma frase pareceu indicar essa intenção. Quando houver necessidade de consentimento, a tela precisa dizer quais dados serão usados, para qual finalidade e como cancelar.

O terceiro passo é definir uma métrica de decisão antes do teste. A empresa pode estabelecer, por exemplo, que a solução só avança se reduzir o tempo médio de resposta sem aumentar erros ou reclamações. O número de 60% observado no caso da Regnology não deve ser copiado como promessa. Ele serve como lembrança de que o resultado aparece quando existe processo delimitado, comparação e indicador.

Ao final da semana, revise dez atendimentos manualmente. Confira se o agente respondeu com base na fonte correta, se pediu autorização no momento adequado e se encaminhou casos fora do escopo. Só depois amplie o teste. Em pagamentos e open finance, crescer devagar é uma forma de proteger a confiança, o caixa e a relação com o cliente.

Fontes consultadas

• Exame, O futuro dos agentes de IA na visão da Google Cloud
• Valor, Inteligência artificial e a transformação no setor financeiro do Brasil
• Google Cloud, estudo FinFacts 2025
• Google Cloud, AI agent trends 2026
• Open Finance Brasil, informações oficiais sobre compartilhamento e consentimento
• Banco Central do Brasil, Open Finance
• Visa, Visa and Partners Complete Secure AI Transactions