Escolher mal um fornecedor de agentes de IA custa meses, não só orçamento. Com um generalista, levar um caso de uso bancário à produção leva de 9 a 18 meses; com um especialista que já traz skills e integrações construídas, o intervalo realista é de 4 a 8 semanas. Este checklist reúne os critérios de compliance, experiência e prazos verificáveis que um banco grande deveria exigir antes de assinar.
Toda área de tecnologia de um banco grande da América Latina está tendo, em algum momento de 2026, a mesma conversa: vamos levar IA conversacional à produção, mas com quem? A escolha não é pequena. Escolher mal um fornecedor de agentes de IA custa mais que orçamento. Pode significar meses perdidos, um projeto travado por Risco ou Compliance no meio do caminho, ou mais um chatbot que não resolve nada. Na Delto acompanhamos bancos como Ficohsa (Honduras), Banreservas (República Dominicana) e Banco Patagonia (Argentina), entre outros, nesse processo, e vemos os mesmos erros de avaliação se repetirem. Este guia reúne os critérios que um banco grande, com volume alto, exposição regulatória e uma marca a proteger, deveria exigir antes de assinar com qualquer fornecedor. Você está comparando um chatbot ou um agente de IA? Muitos processos de avaliação começam mal porque comparam coisas diferentes com o mesmo nome. Um chatbot tradicional responde dentro de árvores de decisão predefinidas. Um agente de IA raciocina sobre o contexto do cliente, a política do banco e a regulação vigente, e executa operações reais no core: cobra, vende, resolve, transaciona. Dimensão Chatbot tradicional Agente de IA Lógica Árvore de decisão rígida Raciocínio sobre contexto e políticas Alcance Responde perguntas frequentes Executa operações no core bancário Manutenção Regras manuais para cada caso novo Skills reutilizáveis e treinadas por domínio Continuidade Perde contexto entre canais Mantém o fio entre WhatsApp, web e voz Se o fornecedor não consegue explicar em qual canal executa ações reais, e não apenas informa, provavelmente está vendendo um chatbot com nome novo. É a mesma razão pela qual tantos "chatbots inteligentes" ainda frustram os clientes dos bancos . Os critérios que separam um fornecedor bancário de um generalista Compliance by design, não compliance adicionado por cima. Peça ao fornecedor que mostre, não que descreva: mascaramento de dados pessoais antes de chegarem ao modelo, rastreabilidade imutável com retenção de pelo menos 7 anos, residência de dados por país e controles de autenticação (MFA, SSO, RBAC granular). Se isso for resolvido "depois", o projeto já nasceu com risco. Vale lembrar que rastreabilidade e qualidade do dado não são uma exigência nova criada pela IA: são matéria supervisionada desde que o Comitê de Basileia publicou seus princípios de agregação de dados de risco e reporting . Um agente que atua sobre o core entra exatamente nesse perímetro. Experiência bancária real, não genérica. Um fornecedor que vem do e-commerce ou do varejo vai ter que aprender, com o dinheiro do seu banco, o que significa uma contestação de cartão, um motivo de inadimplência ou uma política de KYC. Pergunte quantos bancos atende hoje, em quantos países e com que volume de usuários finais. Uma biblioteca de skills comprovada, não um desenvolvimento do zero. Cada fluxo bancário tem regras e exceções que já foram resolvidas em algum outro banco: resolver uma contestação, oferecer um produto, gerenciar uma cobrança inicial. Um fornecedor com centenas de skills bancárias já construídas e auditadas economiza meses. Um que começa do zero cobra por eles. Prazos de produção verificáveis. Com fornecedores gerais, levar um caso de uso bancário à produção leva de 9 a 18 meses. Com um fornecedor especializado, com skills e integrações já construídas, o intervalo realista é de 4 a 8 semanas. Peça referências de clientes bancários com data real de go-live, não data de assinatura de contrato. E preste atenção ao que acontece depois do lançamento: é aí que a maioria dos projetos fica no caminho entre o piloto e a produção . Continuidade entre canais. O cliente começa a contestação pelo WhatsApp e termina por voz sem repetir nada. Isso exige que o agente, e não o canal, seja a unidade de design. Se cada canal tem o seu próprio bot desconectado, não existe banking conversacional de verdade: existem vários chatbots com o mesmo logo. Escalonamento para humano sem fricção. Às vezes os agentes de IA não resolvem um caso, e em bancos isso é aceitável. O que não é aceitável é o cliente perder o contexto ao passar para um atendente. Exija que o handoff transfira a conversa completa, não um ticket vazio. Portabilidade e saída organizada. Perguntar o que acontece no dia em que o banco decidir sair não é desconfiança, é diligência. Os fluxos conversacionais, o histórico de interações e as regras de negócio configuradas são ativos do banco. Se o fornecedor não consegue explicar como são exportados, o custo de trocar depois vai ser muito maior que a diferença de preço hoje. O que o seu banco deveria perguntar a qualquer fornecedor? O que acontece com os dados dos meus clientes antes de chegarem ao modelo de linguagem? Quantas skills bancárias vêm prontas para produção e quantas precisam ser construídas do zero? Qual é o prazo real de go-live do seu último cliente bancário, com data verificável? Como são auditadas as ações que o agente executa no core? O que acontece com os dados e os fluxos do banco se eu decidir trocar de fornecedor? O mesmo agente mantém o contexto se o cliente mudar de canal? Se o fornecedor responde com generalidades onde deveria responder com números, é um mau sinal. Um especialista tem esses números à mão porque os mede todos os meses. Quatro sinais de alerta em um processo de avaliação Além do checklist, alguns sinais costumam antecipar um projeto com problemas. Aparecem cedo, quase sempre na etapa de demo: O demo roda sempre sobre dados fictícios. Um fornecedor com experiência bancária consegue mostrar o agente operando contra um sandbox com a estrutura de dados de um core real, mesmo anonimizado. Não consegue explicar o que acontece com os dados no provedor do modelo. Se a resposta é "usamos o melhor modelo disponível" e não inclui o que é enviado, o que é mascarado e o que é retido, falta justamente a parte que Risco vai pedir. A proposta não separa o que já existe do que precisa ser construído. Quando tudo "é configurável", o cronograma é uma estimativa otimista disfarçada de catálogo. O time que vende não é o time que implementa. Peça para conhecer quem vai estar nos sprints. A diferença entre um demo bem feito e um go-live sustentado quase sempre está nesse time. Nenhum desses sinais desqualifica por si só. Dois ou mais juntos costumam explicar por que um piloto nunca chega à produção. O que torna a Delto diferente nesse processo? A Delto nasceu para bancos. Não é IA genérica com compliance adicionado depois. A suite roda sobre o BLAM, um Banking Large Action Model com mais de 340 skills bancárias comprovadas, e inclui cinco agentes especializados em WhatsApp, web e voz: Collections , Advisor , Customer Support , Retail Banking e Corporate Banking . O primeiro agente pode estar em produção em 4 a 8 semanas, com mascaramento de dados, auditoria de 7 anos e residência de dados por país resolvidos desde o primeiro dia. Hoje atendemos mais de 3 milhões de usuários finais em mais de 15 países da América Latina e do Caribe. Se quiser o detalhe de como esse compliance se sustenta, está na página de segurança , e se você está em uma avaliação mais ampla de IA generativa, escrevemos antes sobre como escolher a melhor empresa para implementar IA generativa no seu banco . Escolher um fornecedor de IA não é uma decisão de tecnologia. É uma decisão de risco, de marca e de tempo. Se o seu banco está nesse processo de avaliação, podemos mostrar como outros bancos da região resolveram isso, com nomes, datas e números. Vamos conversar .
Qual é a diferença entre um chatbot bancário e um agente de IA? Um chatbot responde dentro de regras predefinidas e não consegue sair do script. Um agente de IA raciocina sobre o contexto do cliente, a política do banco e a regulação, e executa operações reais no core: cobra, vende, resolve ou transaciona, não apenas informa.
Quanto tempo um banco leva para colocar o primeiro agente de IA em produção? Com um fornecedor especializado em bancos, que chega com skills e integrações já construídas, de 4 a 8 semanas para um caso de uso delimitado. Com um generalista que começa do zero, o intervalo habitual é de 9 a 18 meses. A diferença não está no modelo de linguagem, está em quanto precisa ser construído antes da primeira conversa real.
O que um fornecedor de IA precisa garantir para ser seguro em um banco regulado? Mascaramento de dados pessoais antes de chegarem ao modelo, rastreabilidade imutável com retenção mínima de 7 anos, residência de dados por país e controles de acesso como MFA, SSO e RBAC granular. Isso precisa vir embutido no produto, não adicionado no meio do projeto.
Que perguntas um banco deveria fazer antes de assinar com um fornecedor de IA conversacional? O que acontece com os dados antes de chegarem ao modelo, quantas skills bancárias estão prontas para produção, qual é o prazo real de go-live verificável em outro banco, como as ações do agente no core são auditadas e o que acontece com os dados e os fluxos se o banco trocar de fornecedor.
É melhor um fornecedor generalista de IA ou um especializado em bancos? Um generalista que vem do e-commerce ou do varejo vai aprender com o orçamento do banco o que significa uma contestação de cartão, um motivo de inadimplência ou uma política de KYC. Um especializado já resolveu esses fluxos em outras instituições e chega com as exceções mapeadas. Em bancos, onde o custo de um erro é regulatório e reputacional, a curva de aprendizado do fornecedor é paga pelo banco.