A Anthropic lançou recentemente um agente de IA dedicado a serviços financeiros, mirando casos de utilização como bancos de investimento, gestão de ativos, seguros, análise de crédito e finanças empresariais. De acordo com o anúncio da Anthropic, este conjunto de modelos de agent pode ser usado na produção de pitchbook, em revisões de KYC, fechos contabilísticos mensais e noutras tarefas financeiras de elevado consumo de tempo, e pode ser integrado com o Claude Cowork, o Claude Code e os Claude Managed Agents.
Mas dizer que isto substitui investigadores na área de finanças pode ser prematuro. O podcast 《Hardcore 財經通識》, na sua página do Facebook, afirma que o ponto doloroso da Anthropic no setor de investigação financeira é o seguinte: uma enorme quantidade de trabalho de atualização de informação importante, mas com uma repetitividade muito elevada. No entanto, os dados financeiros nem sempre têm erros evidentes; um junior analyst, com o passar do tempo, vai desenvolvendo um data sense. Além disso, nem toda a informação serve apenas para “ser encontrada”: é preciso saber o que a empresa alterou desta vez de forma de apresentação, quais as métricas que não podem ser comparadas diretamente com o período anterior e quais os números que são apenas uma “embalagem” da gestão.
A Anthorpic pode ajudar na atualização de informação no setor da investigação financeira
A Anthropic lançou 10 agentes para serviços financeiros, que podem executar tarefas como criar apresentações, analisar demonstrações financeiras e redigir credit memo.
O apresentador do 《Hardcore 財經通識》, Paku, que antes trabalhou na sala de trading de um grande grupo financeiro local, assinalou que a reação do mercado a este tipo de ferramentas pode facilmente cair em dois extremos: de um lado, o “fim do mundo” para a indústria financeira, o “AI que quebra o Santo Graal do investimento”; do outro, a ostentação de um grande número de utilizadores, que exibem que, com apenas algumas horas de vibe coding, criaram um motor de investimento com desempenhos de backtest surpreendentes. Ainda assim, considera que ambas as narrativas simplificam demais o trabalho real da investigação financeira.
Paku diz que o ponto doloroso exato da Anthropic na indústria da investigação financeira é a enorme quantidade de trabalho de atualização de informação importante, mas com uma repetitividade muito elevada. Na investigação fundamental, quer do lado buy-side quer do sell-side, relatórios financeiros, earning calls, bases de dados, apresentações, modelos e reportes aos clientes estão interligados entre si. Antes de um analista construir um modelo, os dados têm de estar disponíveis; e como as características de cada empresa variam muito, o processo de investigação quase inevitavelmente precisa de assistência para organizar informação através de diferentes bases de dados e diferentes documentos.
Sobretudo na época de resultados, se um analista do sell-side cobrir um sector inteiro, tem de atualizar, em simultâneo, um grande volume de relatórios financeiros, earning calls, indicadores-chave, modelos financeiros e relatórios de investigação. Mesmo com apoio de junior analyst, todo o fluxo continua a ser como um inferno: as metrics a que cada empresa dá prioridade são diferentes, os métodos de ajuste de modelos também variam e os clientes, em geral, são fundos grandes e com tempo extremamente caro; por isso, o analista tem de extrair, em pouco tempo, as melhores ideias realmente valiosas.
O maior absurdo da investigação financeira: 80% do tempo gasto em trabalho de baixo valor
Paku considera que o verdadeiro aspeto irónico da investigação financeira é que os resultados dependem muitas vezes das decisões iniciais, por exemplo, quais os indicadores-chave a ter em conta, que tendências focar, como lidar com dados em falta e como comparar entre empresas. No entanto, na prática, os analistas passam muito tempo a procurar dados, a puxar tabelas Excel, a atualizar relatórios e a preparar apresentações.
Por outras palavras, o resultado da investigação pode depender 80% da decisão, mas 80% do tempo de trabalho é consumido pela organização de dados e pela atualização de formatos.
É precisamente aqui que os agentes financeiros da Anthropic entram. Não é para substituir diretamente o analista na procura do Santo Graal do investimento; é antes tentar produzir um workflow de investigação com cerca de 60% de conclusão: primeiro ajudar o analista a recolher dados, a encadear bases de dados, a atualizar modelos, a organizar apresentações e documentos; depois, os humanos indicam em linguagem natural onde está o erro, o que falta completar e em que fase é necessário obter novos dados.
Paku descreve que isto é mais parecido com um “junior muito rápido, mas que ainda precisa de uma palavra-passe e um comando por ação”. O valor não está em substituir analistas seniores, mas em reduzir o tempo massivo de trabalho de baixo valor, devolvendo ao ser humano as decisões de investigação verdadeiramente importantes.
Maior risco: erros em dados financeiros costumam ser implícitos
Ainda assim, Paku sublinha que o maior desafio dos agentes financeiros não é conseguir escrever relatórios, mas garantir que os dados estão corretos.
Ele aponta que o mais complicado na atualização de dados financeiros é que, muitas vezes, os erros não são evidentes. Os números podem “parecer estar todos lá”, mas na realidade estão completamente deslocados, não fazem sentido do ponto de vista lógico ou estão definidos de forma errada. O mais problemático é que, quanto mais o erro se propaga para jusante, maior se torna o custo de o rastrear, de forma quase exponencial. Quando modelos, apresentações, relatórios e investment memo são construídos sobre dados incorretos, no fim é necessário voltar atrás para detetar o erro; o custo é muito mais elevado do que se, desde o início, um humano tivesse verificado a origem e a definição dos dados.
É também aqui que um junior analyst evolui com o tempo — ou seja, no chamado data sense. Muitas informações essenciais não estão em bases de dados estruturadas; estão escondidas nas management presentations, nos earning calls, nas notas das demonstrações financeiras e nas métricas definidas pela própria empresa. E estas informações não servem apenas “para serem encontradas”: é preciso saber o que a empresa alterou desta vez no critério de apresentação, quais indicadores não podem ser comparados diretamente com os anteriores e quais números são apenas uma “embalagem” da gestão.
Problemas semelhantes surgem também em benchmarks de IA no setor financeiro. Recentemente, um estudo do BankerToolBench refere que, mesmo com os melhores modelos de ponta, num teste de fluxo de trabalho ponta-a-ponta no lado de um junior analyst de banco de investimento, quase metade dos itens de pontuação não é aprovada e, além disso, na avaliação dos banqueiros, a saída do modelo tem 0% de atingir o nível client-ready. Isto mostra que os agentes de IA já conseguem tratar parte do trabalho, mas ainda existe uma diferença clara antes de conseguirem entregar resultados financeiros de risco elevado de forma direta.
A IA pode escrever SQL, mas não consegue “soltar” LTV e churn rate à vontade
Paku também aponta que, se a tarefa for apenas simples recolha de dados, a IA pode ser bastante eficaz. Especialmente num cenário em que as ferramentas modernas de ETL já estão bastante maduras, se forem combinadas com uma interface bem desenhada e sistemas com intervenção humana, um agente financeiro tem mesmo potencial para aumentar a eficiência do fluxo de trabalho da investigação.
Mas o que é verdadeiramente perigoso é quando os utilizadores pedem à IA para calcular sozinha indicadores mais complexos ou altamente dependentes de definições — por exemplo, LTV por segmentação, churn rate ou modelos de unit economics. Se o humano não introduzir primeiro fórmulas e benchmarks claros, e deixar a IA atuar livremente, o resultado pode ser muito perigoso. A razão é que estes indicadores não são apenas problemas matemáticos: dependem de definições de negócio, critérios de dados e do contexto da indústria. Se a fórmula estiver errada, toda a avaliação de investimento pode ficar enviesada.
O agente financeiro da Anthropic não é um “AI Santo Graal do investimento”, nem um brinquedo para o utilizador usar duas horas de vibe coding e criar um motor de backtest com 2000% de retorno anualizado; é uma ferramenta da indústria que tenta reorganizar o workflow da investigação financeira.
A mudança mais provável que traz é libertar o analista de grandes volumes de atualização de dados, organização em Excel, formatação de relatórios e produção de apresentações, para que o tempo humano possa ser devolvido à avaliação: quais indicadores são importantes, que tendências vale a pena acompanhar, que dados não se devem confiar e que métodos de comparação podem induzir em erro.
Este artigo, Anthorpic lança AI Agent especializado em finanças; insiders revelam o ponto-chave de que Claude não substitui analistas, surgiu pela primeira vez em 鏈新聞 ABMedia.
