As perguntas sobre AI, governança, dados e custos que vale a pena fazer no Sibos em Miami.
por Junta Nakai, Erin Butler, Roshni Joshi, Antoine Amend, Jennifer Miller, Andrea DeSosa, Rajaram Suresh, Kim Hatton, Naeem Rehman, Spencer Cook, Ed Bullen e Felix Mutzl
No ano passado, no Sibos Frankfurt, a pergunta era se a AI funciona. Este ano: a sua AI consegue conquistar a sua confiança?
Os dados comprovam essa mudança. Na pesquisa Banking Insights AI Impact Survey de 2026 da Grant Thornton, metade dos executivos bancários disse que a governança e a conformidade já estavam limitando o desempenho da AI, mas apenas 18% disseram estar confiantes de que passariam por uma auditoria independente de seus controles de AI. Nossa própria pesquisa com a Economist Enterprise, o relatório de 2026 Making AI Deliver, encontrou uma lacuna semelhante especificamente para AI de agentes: menos da metade das organizações exige formalmente uma estrutura de governança para sistemas autônomos.
Estas são as cinco perguntas que mais ouvimos de diretores financeiros (CFOs), responsáveis por conformidade, líderes de tesouraria e gerentes de relacionamento. Vale a pena fazê-las, independentemente de você ir ou não ao Sibos este ano.
"Qual é a nossa real posição de liquidez agora, em cada entidade e moeda?" Essa é a pergunta que um profissional de tesouraria se faz todos os dias. É a pergunta que a AI finalmente deveria responder, sem a necessidade de uma maratona de três dias em planilhas.
Fazer com que um modelo resuma um relatório é simples. A parte mais difícil é colocar dados governados e AI nas decisões que as equipes de finanças tomam todos os dias em todo o balanço patrimonial, liquidez, gastos e operações. O objetivo é ajudar as equipes a identificar mudanças, investigar o que as está motivando e ir além da simples automação do ciclo de relatórios.
No estande da Databricks (#DISL25) no Sibos Miami, apresentaremos a palestra Trapped Capital, Released by AI: Reconciliation Your Regulator Can Audit. Ela identifica as quebras de dados de GL para Risk que inflam silenciosamente os ativos ponderados pelo risco, investiga-as com evidências citadas e libera capital regulatório retido, com um validador humano (maker-checker) no controle e uma trilha de auditoria que um examinador realmente consegue acompanhar.
Também vamos analisar o que acontece depois que o dinheiro é movimentado. As redes de liquidação tokenizadas resolvem parte do problema, mas a reconciliação, os controles de crimes financeiros e a gestão de liquidez intradiária ainda precisam acontecer fora da blockchain (off-chain). Nossa palestra rápida, Tokenization Moved the Money. It Didn't Move the Hard Part, aborda o modelo operacional para manter posições de tokens, sub-razões de depósitos e contas de financiamento continuamente alinhadas. Além disso, você verá de perto um painel de controle de reconciliação de depósitos tokenizados ao vivo.
"Este alerta é um risco real ou apenas ruído?" Essa é a pergunta que um analista de AML se faz dezenas de vezes ao dia, e é ela que separa a AI que realmente ajuda daquela que apenas adiciona mais um sistema no qual ninguém confia.
A AI pode investigar casos, conectar contextos e apoiar as decisões dos analistas. Mas cada recomendação precisa de uma origem rastreável: quais dados a alimentaram, o que ela recomendou, se uma pessoa revisou o resultado e se a instituição pode reconstruir a investigação para uma auditoria ou revisão regulatória. Governança não pode existir apenas em um documento de política. Ela precisa estar integrada aos próprios dados, aos controles de acesso e ao fluxo de trabalho.
Teremos uma versão ao vivo disso em nosso estande: um agente trabalhando em alertas reais de AML no próprio lakehouse do banco, visualizando apenas o que o analista tem permissão para ver. Ele elabora o rascunho do Relatório de Atividade Suspeita (SAR) e deixa o envio para um humano, com cada etapa registrada em relação às evidências de KYC/AML e ao modelo executado. É o mesmo tema que abordaremos em nossa sessão no Discover Stage, How financial institutions are governing AI in financial crime operations, na quinta-feira, 1º de outubro, às 11h, provando o que a AI fez, e não apenas o que ela é capaz de fazer.
"O que este cliente realmente precisa de nós agora?" Todo gerente de relacionamento faz alguma variação dessa pergunta antes de uma ligação, e a resposta sincera geralmente depende de dados espalhados por três sistemas diferentes e de uma pasta de pesquisa que ele não teve tempo de ler.
A RBC Brewin Dolphin usa AI generativa para automatizar a preparação de pacotes de reuniões de revisão de clientes, economizando cerca de 4.700 horas anualmente. Outras empresas estão indo além. Em uma gestora global de ativos, fluxos de trabalho multiagentes geram comentários de investimento em centenas de fundos, ampliando a cobertura dos consultores enquanto a equipe de conformidade acompanha tudo de perto. Em outra, agentes combinam a pontuação proprietária de fundos com documentos internos para produzir análises de portfólio prontas para auditoria em segundos, revelando oportunidades que a equipe não teria tempo de encontrar por conta própria.
O objetivo não é afastar as pessoas das decisões de alto valor. É reduzir o trabalho operacional em torno dessas decisões para que mais tempo seja dedicado ao julgamento e ao relacionamento em si.
"Por que acabamos de recusar uma transação legítima?" É isso que um chefe de transações bancárias pergunta quando as decisões de risco são baseadas em dados com minutos de atraso, e não milissegundos.
A maioria das instituições já possui os dados. Eles apenas estão espalhados por vários sistemas, atrasados por processos em lote (batch) ou são difíceis de usar de maneira governada. A Coinbase executa detecção de fraudes em tempo real na Databricks com latência P99 abaixo de 100 ms, uma referência útil para o que "tempo real" realmente precisa significar.
A viabilidade econômica da AI parece controlável em um projeto piloto, mas muda muito em produção. Em um briefing recente do CFO da Bloomberg, um CFO chamou os gastos com tokens de AI de um "número insignificante" para o primeiro semestre de 2026, observando também que nem toda tarefa precisa do modelo mais caro. Isso não continuará insignificante por muito tempo, seja nesse banco ou em qualquer outro lugar. A disciplina de custos precisa começar antes que os gastos se tornem difíceis de rastrear, e não depois.
Para ver mais de perto como as equipes de engenharia já estão resolvendo esse problema, consulte o post do blog da Databricks, Managing AI Coding Costs at Scale, que detalha os recursos, desde o roteamento de modelos até a visibilidade de gastos, que evitam que os custos de AI superem o valor que elas geram.
Se essas são as conversas que sua equipe já está tendo, preferimos conversar pessoalmente. A Databricks estará em Miami para o Sibos 2026, de 28 de setembro a 1º de outubro. Envie um e-mail para sibos@databricks.com ou visite nossa página do evento para ver a agenda completa e agendar uma reunião.
(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original
Assine nosso blog e receba os posts mais recentes diretamente na sua caixa de entrada.