Modernizando o ciclo de vida do trade com dados governados e AI

As empresas do mercado de capitais estão modernizando o ciclo de vida do trade sob pressão de todos os lados: volumes crescentes de dados, maiores expectativas de insights em tempo real, iniciativas de AI avançando para a produção e ciclos de liquidação mais curtos. A esta altura, ninguém está discutindo se deve usar AI. A verdadeira questão é se as equipes de pesquisa, trading, risco, operações e compliance estão trabalhando com os mesmos dados governados — ou apenas fingindo que estão.

À medida que as empresas passam da experimentação para a produção, um padrão está surgindo: a vantagem duradoura não é um modelo isolado. É a capacidade de tornar os dados proprietários, como ordens, execuções, posições, pesquisas, riscos, clientes e dados operacionais, mais fáceis de descobrir, confiáveis e governados ao longo de todo o ciclo de vida.

Conversei com Andrea DeSosa, Global Head of Capital Markets GTM na Databricks, sobre as pressões operacionais que estão reformulando os fluxos de trabalho de pré-trade, execução, pós-trade e monitoramento, para obter insights sobre maneiras práticas de priorizar a modernização. Esta conversa foi editada para maior clareza e concisão e baseia-se em temas explorados no ebook Modernizing the Trade Lifecycle in Capital Markets.

Por que a pressão sobre o ciclo de vida do trade é cumulativa em 2026

Kim Hatton: O que está forçando os líderes de trading e pesquisa a revisitar o ciclo de vida do trade agora?

Andrea DeSosa: As empresas estão gerenciando mais dados alternativos, mais experimentação de AI, cronogramas operacionais mais curtos e uma fiscalização mais rigorosa sobre como as decisões são tomadas e controladas. Ao mesmo tempo, as equipes de pesquisa, trading, risco, operações e monitoramento geralmente dependem de sistemas separados e visualizações de dados inconsistentes.

Essa fragmentação atrasa a tomada de decisões, complica a análise de execução, limita a visibilidade dos riscos e dificulta a reconstrução do que aconteceu quando um regulador, cliente ou função de controle interno solicita informações.

Kim Hatton: Onde a fragmentação de dados aparece no ciclo de vida do trade?

Andrea DeSosa: No pré-trade, as equipes podem gastar um tempo considerável preparando e reconciliando dados de mercado, fundamentais, ESG e alternativos antes de poderem testar uma hipótese de investimento ou executar um backtest.

Durante a execução, as mesas precisam de visualizações oportunas da qualidade da execução, liquidez, fluxo de ordens e slippage por ambiente de negociação, estratégia e cliente. Mas a visualização no desktop de um trader pode não coincidir com os dados disponíveis para as equipes de risco, compliance ou operações.

No pós-trade, muitas empresas ainda dependem de processos de risco noturnos, reconciliações baseadas em planilhas e relatórios projetados para um ciclo de liquidação mais longo. Essas práticas se tornam mais difíceis de sustentar à medida que os prazos de liquidação diminuem e as expectativas de resiliência operacional e transparência aumentam.

Onde a AI se encaixa na modernização do ciclo de vida do trade

Kim Hatton: Onde a AI se encaixa na modernização do ciclo de vida do trade?

Andrea DeSosa: As empresas que obtêm valor recorrente da AI não são necessariamente as que executam o maior número de projetos-piloto. São aquelas que conseguem conectar e governar com segurança o contexto proprietário — fluxo de ordens, pesquisas internas, posições, resultados de risco, informações de clientes e dados operacionais — ao longo de todo o ciclo de vida.

Sem essa base, a AI pode criar outro fluxo de trabalho desconectado. Com ela, as empresas podem criar ferramentas que ajudam os funcionários a investigar exceções, analisar a qualidade da execução, sintetizar pesquisas ou identificar possíveis problemas de monitoramento, mantendo controles de acesso e rastreabilidade adequados.

A questão estratégica muda de “Qual modelo devemos usar?” para “Como conectamos nossos dados, análises e controles aos fluxos de trabalho de produção?”

Três sinais de que é hora de modernizar o ciclo de vida do trade

Kim Hatton: Quais sinais indicam que é hora de modernizar a arquitetura de trading?

Andrea DeSosa: Três deles surgem repetidamente.

1. Ciclos de liquidação mais curtos. Aumentam a necessidade de visualizações oportunas e confiáveis do status do trade, financiamento, garantias, exceções e risco operacional. Na Europa, a transição para a liquidação T+1 está agendada para 11 de outubro de 2027, tornando a preparação uma prioridade de planejamento de curto prazo para empresas ativas nos mercados da EU e do EEA.
    
2. Requisitos de governança e auditabilidade. As empresas precisam demonstrar como os fluxos de trabalho automatizados e habilitados para AI são governados, testados, monitorados e investigados de ponta a ponta. Esse requisito abrange qualidade de dados, permissões, linhagem, avaliação de modelos e agentes, registros de decisão e a capacidade de investigar exceções.
    
3. Evitar ferramentas de shadow AI. As equipes querem aplicar AI em fluxos de trabalho de pesquisa, análise de execução, operações e monitoramento sem criar conjuntos de dados paralelos (shadow data), ferramentas não gerenciadas ou controles inconsistentes.

Essas pressões levam a um teste prático: quando as taxas mudam, os spreads aumentam, a liquidez diminui ou ocorre um incidente operacional, com que rapidez a empresa consegue visualizar suas posições, entender as exposições, identificar os fluxos de trabalho afetados e produzir um relatório auditável dos dados e das decisões envolvidas?

Como iniciar a modernização do ciclo de vida do trade: decisões antes da migração

Kim Hatton: Por onde as empresas devem começar a modernização do ciclo de vida do trade?

Andrea DeSosa: Comece com as decisões que os líderes já precisam tomar:

• Onde o custo de execução está divergindo das expectativas por ambiente de negociação, estratégia e cliente?
• Como um choque de taxa ou volatilidade afetaria o risco e a liquidez por mesa, região ou portfólio?
• Quais linhas de negócios, classes de ativos ou contrapartes estão associadas às maiores taxas de exceção, divergência ou falha de liquidação?

Uma vez claras as questões prioritárias, os domínios de dados necessários também se tornam mais evidentes.

Para a análise de qualidade de execução, isso pode significar dados de mercado e de referência, além de ordens, execuções, dados de ambientes de negociação e benchmarks. Para a resiliência pós-trade, pode significar trades, alocações, confirmações, status de liquidação, garantias, financiamento e exceções operacionais.

O objetivo não é modernizar todos os sistemas de uma vez. É estabelecer uma base de dados governada e reutilizável para um pequeno número de fluxos de trabalho de alto valor, comprovar resultados mensuráveis e expandir a partir daí.

Como a Databricks governa a AI em todo o ciclo de vida do trade

Kim Hatton: O que a Databricks Data + AI Platform possibilita nessa abordagem?

Andrea DeSosa: A plataforma apoia essa progressão ao reunir dados históricos e em tempo real, análises e AI em uma base comum.

Unity Catalog oferece governança centralizada, controle de acesso, descoberta e linhagem em ativos de dados e AI. O Agent Bricks pode ajudar as equipes a criar, implantar e governar agentes específicos de domínio, enquanto o AI/BI permite que os usuários de negócios explorem dados governados por meio de dashboards, visualizações e experiências em linguagem natural.

O valor não se limita a um único fluxo de trabalho. É a capacidade de as equipes de pesquisa, trading, risco, operações e compliance trabalharem com dados consistentes e governados, preservando os controles e o contexto que cada função exige.

Os modelos vão evoluir. As questões de negócios, os dados proprietários e os requisitos para controles confiáveis permanecerão. As empresas que tratam a modernização do ciclo de vida do trade como uma iniciativa de dados governados e modelo operacional — e não como uma coleção de recursos isolados de AI — estão mais bem posicionadas para melhorar a velocidade de decisão, a resiliência operacional e a capacidade de escalar novos casos de uso ao longo do tempo.

Saiba mais

Baixe nosso novo ebook Modernizing the Trade Lifecycle in Capital Markets para ver casos de uso práticos de pré-trade, execução, pós-trade e monitoramento, além de uma estrutura para priorizar dados governados e iniciativas de AI ao longo do ciclo de vida.

(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original