Oculi: plataforma com IA automatiza análise de risco de crédito

O que aconteceu

No dia 28 de agosto de 2026, o pesquisador Hossein Hajimirsadeghi submeteu ao arXiv o artigo "Oculi: A Conversational Agentic Platform for Automated Credit Risk Analysis" (código arXiv:2608.28944, versão 1). O trabalho, classificado na área de Computer Science > Artificial Intelligence (cs.AI), descreve uma plataforma que usa agentes de IA para responder perguntas sobre risco de crédito em linguagem natural. O Oculi, segundo o resumo, executa consultas em bases de dados, aplica testes estatísticos e gera visualizações interativas sem que o analista precise escrever SQL ou montar dashboards manualmente. A avaliação foi feita em uma carteira de hipotecas com mais de 200 características (features). O estudo afirma que a ferramenta conseguiu identificar segmentos de risco materiais que seriam difíceis de encontrar com exploração manual, com redução significativa do tempo até a obtenção de respostas (time-to-insight), mantendo auditabilidade e rigor estatístico.

Contexto

A análise de risco de crédito em instituições financeiras tradicionalmente exige que analistas escrevam consultas SQL, rodem cálculos estatísticos e construam dashboards. Esse fluxo é demorado e, na prática, limita a exploração de dados a recortes conhecidos. O Oculi ataca exatamente esse gargalo. A plataforma usa uma arquitetura de três camadas que separa raciocínio, execução e apresentação. A camada de raciocínio é comandada por um agente baseado em modelo de linguagem (LLM). A camada de execução usa servidores de ferramentas do Model Context Protocol (MCP), um padrão que permite ao agente chamar ferramentas externas de forma padronizada. A camada de apresentação é uma interface agêntica que mostra os resultados ao analista.

Por que importa

Para bancos e financeiras, o tempo entre uma pergunta de negócio e a resposta com dados é crítico. Hoje, um analista que quer saber, por exemplo, quais subgrupos de tomadores de hipoteca concentram risco elevado precisa formular hipóteses, escrever SQL, validar os números e criar um gráfico. Com o Oculi, a mesma pergunta pode ser feita em linguagem natural e a plataforma cuida da consulta, do teste estatístico e da visualização. Também há um ganho de cobertura: a descoberta de segmentos deixa de depender da intuição do analista e passa a combinar métodos estatísticos determinísticos com seleção de recursos guiada pelo LLM. Isso significa que o modelo usa tanto conhecimento semântico do domínio quanto métricas vindas dos dados para achar agrupamentos relevantes e acionáveis.

Impacto

O impacto de curto prazo é principalmente sobre o processo de trabalho dos times de risco e crédito. A redução do time-to-insight permite que decisões de aprovação, precificação e provisionamento sejam tomadas com base em evidências atualizadas com mais rapidez. A arquitetura separada em três camadas também favorece a manutenção e a auditoria, já que cada etapa pode ser verificada de forma isolada. Um ponto de atenção é que o teste foi feito em um único domínio, uma carteira de hipotecas, com mais de 200 variáveis. Ainda não há dados públicos sobre desempenho em outros tipos de crédito, como rotativo, consignado ou financiamento de veículos. O artigo também não detalha métricas quantitativas de redução de tempo, como "X% mais rápido", o que limita a comparação com métodos tradicionais.

O que muda

O Oculi muda a interface entre analistas e dados. Em vez de escrever código, o profissional passa a conversar com um agente de IA que executa as etapas técnicas. Isso reduz a barreira para explorar segmentos fora do conhecimento habitual. Para instituições que já usam modelos de linguagem internamente, a arquitetura com Model Context Protocol oferece um caminho de integração com ferramentas existentes. O artigo também propõe um pipeline inédito de descoberta de segmentos que combina estatística determinística com o conhecimento semântico de um LLM, o que pode ser reaproveitado em outras tarefas analíticas além de risco de crédito.

O que vem agora

O artigo está na versão 1 do arXiv, o que indica que pode passar por revisões antes de uma eventual publicação em conferência ou periódico. Os próximos passos naturais incluem a liberação de código ou dados de demonstração (o arXiv ainda não lista repositórios públicos do projeto), a validação do Oculi em outras carteiras e a comparação quantitativa com análises manuais. Enquanto isso não acontece, o estudo serve como evidência inicial de que agentes conversacionais podem assumir parte relevante do trabalho de análise de risco de crédito, com ganho de velocidade e sem abrir mão da auditabilidade.

FONTES

• arXiv: Oculi: A Conversational Agentic Platform for Automated Credit Risk Analysis (https://arxiv.org/abs/2608.28944)