Como a Gradient Labs transformou SOPs bancários em workflows de AI (keep the English acronym) auditados

A precisão da trajetória é o número que realmente importa para eles

A maioria dos discursos sobre automação de suporte foca-se em índices de satisfação. A Gradient Labs foca-se em algo mais específico e mais exigente: saber se o sistema segue o procedimento correto do início ao fim, ao longo de toda a conversa. Chamam-lhe precisão de trajetória, e comparam fornecedores com base nos procedimentos bancários mais difíceis, em vez de casos médios.

Numa avaliação inicial, reportam que o GPT-4.1 atingiu 97% de precisão e consistência de trajetória, com o segundo melhor fornecedor nos 88%. A cofundadora Danai Antoniou coloca essa diferença em termos operacionais, e não como um resultado de tabela classificativa.

No setor financeiro, essa é a diferença entre resolver uma chamada e criar um incidente de compliance.Montana Labs

A distinção importa porque uma chamada de cancelamento de cartão pode estar correta em cada etapa individual e, ainda assim, terminar no local errado. Medir o percurso completo — verificar a identidade, bloquear o cartão, iniciar a substituição, responder a questões de seguimento — aproxima-se mais da forma como os auditores de um banco avaliariam um agente do que qualquer pontuação de resposta isolada.

Uma arquitetura híbrida construída em torno da latência e do estado

O resultado da avaliação moldou o design. A Gradient Labs encaminha as etapas que exigem mais raciocínio para modelos maiores da OpenAI e direciona tarefas mais rápidas e determinísticas para modelos mais pequenos, com um encaminhamento que se adapta à complexidade e aos limites de latência. Um agente de raciocínio central orquestra competências especializadas, permitindo que um caso complexo transite entre workflows sem perder contexto.

A voz é a restrição que está a impulsionar a migração atual. A empresa afirma estar a registar uma latência de 500 milissegundos no GPT-5.4 mini e nano, e está a migrar uma parte significativa do tráfego de produção para estes modelos. Antoniou descreve o requisito sem rodeios: o modelo tem de manter o estado do procedimento ao longo de interrupções, sinais de retorno e mudanças de tema, gerando ainda assim respostas suficientemente rápidas para uma conversa natural.

Precisávamos de três coisas em simultâneo: precisão no seguimento de instruções, taxas de alucinação baixas e fiabilidade na chamada de funções, tudo isto sob restrições de latência de voz. A OpenAI foi o único fornecedor que passou nos três critérios.Montana Labs

A fiabilidade é construída como um processo de lançamento, não como uma afirmação

A parte mais transponível deste anúncio é a disciplina de implementação. Quinze ou mais sistemas de salvaguarda funcionam em paralelo em cada interação, verificando deteção de aconselhamento financeiro, sinais de vulnerabilidade, reclamações e tentativas de contornar a verificação. É um design que parte do princípio de que o modelo irá ocasionalmente desviar-se, e que o deteta, em vez de confiar que isso não vai acontecer.

A avaliação reproduz conversas reais de clientes face aos procedimentos esperados e gera conversas sintéticas para testar casos-limite raros antes de qualquer lançamento. Os bancos escolhem depois quais as categorias de problemas que a AI (keep the English acronym) trata, começando pelos workflows de menor risco, simulam conversas primeiro e arrancam com uma pequena fração do tráfego real sob monitorização contínua. A cobertura só se expande enquanto o desempenho se mantém.

É isto que gera confiança num ambiente regulado: não uma demonstração, mas um percurso visível que vai da análise de dados históricos à simulação, até uma implementação gradual em produção com revisão humana das conversas assinaladas.

O que a automação de procedimentos — e não de respostas — desbloqueia a seguir

Os resultados reportados são sólidos: CSAT a atingir os 98%, taxas de resolução superiores a 50% no primeiro dia em workflows tão sensíveis como disputas e fraude, e um crescimento de receita superior a 10x ao longo do ano, à medida que a empresa expandiu do suporte inbound para trabalho outbound e de back-office.

A implicação específica é que a Gradient Labs apostou no cumprimento de procedimentos como a unidade automatizável, e essa aposta escala diretamente com a capacidade dos modelos. Cada melhoria na capacidade de um modelo manter o estado e seguir instruções amplia o conjunto de SOPs que podem ser tratados com segurança — razão pela qual o seu roteiro visa manter o contexto entre interações: histórico do cliente, problemas em curso e continuar exatamente onde uma conversa anterior terminou. Para equipas aplicadas, a lição é que o fosso competitivo duradouro não é a escolha do modelo, mas o conjunto de avaliações e de salvaguardas que permite alargar a cobertura da automação, um procedimento auditável de cada vez.