CIFQA: framework multiagente eleva precisão de LLMs em finanças

O que aconteceu

O framework CIFQA (Calculation-Intensive Financial Query Answering) foi descrito em um artigo submetido ao arXiv em 5 de junho de 2026 (arXiv:2608.26114v1). O CIFQA é um sistema multiagente que separa a compreensão de linguagem da execução numérica, atribuindo agentes especializados para interpretação de consultas, roteamento, extração de parâmetros, planejamento de computação e geração de respostas. As ferramentas determinísticas baseadas em Python realizam os cálculos financeiros e a aplicação de regras.

Nos testes com um benchmark de consultas sobre depósitos fixos, o CIFQA alcançou 95,54% de acurácia em perguntas com cálculos intensivos e 90,87% de acurácia geral. Esses números superaram significativamente os LLMs diretos, mesmo quando esses modelos receberam fórmulas completas, tabelas de taxas e instruções do benchmark. Estudos de ablação mostraram que componentes determinísticos como busca exata de taxas, cálculo de prazo, ajuste de ano rolante e lógica de retirada antecipada são críticos para o desempenho.

O preprint, disponível na área de Inteligência Artificial do arXiv, destaca que um modelo de código aberto de 17B parâmetros operando dentro do CIFQA superou modelos fronteiriços substancialmente maiores avaliados com as mesmas informações financeiras.

Contexto

LLMs se saem bem em tarefas de linguagem natural, mas frequentemente produzem respostas numericamente incorretas e plausíveis ao resolver cálculos financeiros de múltiplas etapas. As operações sobre taxas estruturadas, condições temporais, fórmulas numéricas e restrições baseadas em regras exigem raciocínio exato, algo que modelos puramente baseados em linguagem não garantem. O CIFQA aborda essa limitação ao propor uma arquitetura que não depende do tamanho do modelo para obter confiabilidade numérica.

A separação entre entendimento de linguagem e execução numérica já é discutida na literatura, mas o CIFQA formaliza essa divisão com agentes especializados e ferramentas Python determinísticas, em vez de confiar em módulos de raciocínio interno do LLM.

Por que importa

Para instituições financeiras, fintechs e sistemas de atendimento ao cliente, a precisão em cálculos como juros de depósito, multas por retirada antecipada e ajustes de ano bissexto é obrigatória. Um erro numérico em uma resposta pode gerar custos legais e perda de confiança. O CIFQA mostra que é possível obter alta exatidão sem depender de modelos gigantes, reduzindo custos de infraestrutura e latência.

Para a comunidade de IA, o resultado reforça que a arquitetura do sistema é um determinante mais importante da confiabilidade numérica do que a escala do modelo. Um modelo de 17B parâmetros, dentro do framework, venceu modelos muito maiores na mesma tarefa, o que questiona a corrida por parâmetros em aplicações de raciocínio quantitativo.

Impacto

No curto prazo, o CIFQA oferece um caminho viável para sistemas de consulta financeira em produção, pois utiliza ferramentas determinísticas que são auditáveis e testáveis. Empresas que lidam com depósitos, empréstimos e seguros podem adaptar o framework a seus próprios produtos financeiros. No médio prazo, a generalização para outras tarefas de raciocínio intensivo em cálculos, como planejamento tributário ou análise de investimentos, pode reduzir a dependência de modelos proprietários de alto custo.

Um exemplo concreto: um banco que usa um LLM para responder dúvidas sobre rendimentos de CDB pode implementar o CIFQA com um modelo aberto de 17B e uma camada de regras em Python, obtendo acurácia superior à de um modelo fechado de 70B ou mais, sem expor dados sensíveis a APIs externas.

O que muda

O CIFQA muda a forma como se projeta assistentes financeiros baseados em LLMs: em vez de tentar melhorar o raciocínio numérico do modelo em si, a estrutura delega a computação a ferramentas determinísticas e mantém o LLM apenas para entender a intenção do usuário e formular a resposta. Essa abordagem reduz o erro numérico e permite que o sistema seja validado caso a caso, algo impossível com caixas-pretas tradicionais.

Além disso, a possibilidade de usar modelos open-source menores abre espaço para implantação on-premise, atendendo a requisitos de privacidade e regulação de dados financeiros no Brasil e em outros países.

O que vem agora

O artigo avalia o CIFQA apenas em consultas de depósito fixo. Os autores afirmam que o framework é generalizável para outras tarefas de raciocínio financeiro intensivo em cálculos. Próximos passos provavelmente incluem a disponibilização do código e dos benchmarks, a validação em novos domínios e a otimização da coordenação entre agentes. A comunidade pode acompanhar o preprint no arXiv para novas versões e eventuais publicações em conferências da área.