Morgan Stanley

A maioria das implementações de inteligência artificial (IA) em empresas até agora se concentrou em assistentes de codificação e bots de atendimento ao cliente. No entanto, o Morgan Stanley adotou uma abordagem diferente, implantando agentes em um dos fluxos de trabalho mais críticos e com prazos apertados do setor bancário: a reconciliação de lucro e prejuízo (P&L). E, surpreendentemente, conseguiu reduzir o trabalho pela metade. A parte contraintuitiva é que isso foi alcançado tornando o sistema menos autônomo, e não mais. Os seres humanos permanecem fortemente envolvidos no processo, e suas decisões são iterativamente transformadas em regras repetíveis que o sistema pode aplicar por conta própria.

De acordo com Todd Johnson, Diretor Administrativo do Morgan Stanley, “é mais como um colega de trabalho do que um copiloto”. O sistema interno de produção de agentes, conhecido como FIXR, vai além das tarefas simples e diretas de “IA 1.0”. “Acreditamos que é onde está a oportunidade de realmente desbloquear trabalhos mais complexos na organização”, afirma Johnson. Todos os dias de negociação, as mesas de negociação do Morgan Stanley lidam com o trabalho importante em torno de transações, como ações ou investimentos em débito. E, no final de cada um desses dias, os controladores devem reconciliar o P&L em todos os sistemas da empresa, incluindo Finanças, Risco, Operações e Captura de Negócios. Todos esses dados devem ser reunidos, e, talvez não surpreendentemente, centenas de milhares de atributos frequentemente não correspondem.

Normalmente, isso significa que os controladores devem investigar manualmente cada incompatibilidade (ou “quebra”), tomar decisões sobre ajustes e, idealmente, assinar antes de enviar o número para a mesa. E tudo isso enquanto trabalham com um prazo matinal apertado. Anteriormente, isso podia levar até seis horas para um único livro. Agora, o FIXR executa a tarefa em duas a três horas, segundo Johnson. Com cerca de 100 controladores realizando esse trabalho, isso soma cerca de 1.500 horas economizadas por semana. Após a conclusão dos cálculos noturnos de P&L, o sistema analisa automaticamente as “quebras” e propõe resoluções com base em regras aprendidas. Vários agentes trabalham juntos: um interpreta orientações passadas para desenvolver resoluções de início de dia; outro aprende com o comportamento do controlador e documenta as regras que eles aplicam; e outro converte padrões repetidos em lógica automática duradoura.

Com o tempo, o sistema pode auto-sanear certas quebras que ele encontrou anteriormente, sugerir soluções para outras que podem ser menos familiares, pedir ajuda quando estiver incerto e sinalizar para investigação humana. Quando os itens são resolvidos repetidamente pelo mesmo método, ele pode criar regras firmes. Criticamente, os seres humanos não saem do loop, mas permanecem plenamente nele, afirma Johnson. Eles revisam, aprovam ou corrigem cada recomendação e, em seguida, alimentam essas decisões para melhorar a próxima execução. O agente aprende diariamente com os controladores o que está correto e errado e codifica esse conhecimento à medida que itera. “Você ainda preserva esse elemento de responsabilidade humana, mesmo quando começa a automatizar”, diz Johnson. “Com o tempo, você verá mais e mais desses itens resolvidos de forma automática”.

Johnson enfatizou que a autonomia exige uma grande quantidade de confiança; as empresas não verão ganhos de eficiência se todos estiverem verificando tudo o que um agente faz. O loop de feedback humano-agente foi fundamental para abordar o desafio da automação controlada, medida e repetível. “Reconhecemos que toda essa inteligência que está na mente de um controlador será difícil de colocar em um agente no dia um”, afirma Johnson. Foi fundamental estabelecer processos primeiro, antes de envolver qualquer IA, segundo Johnson. Sua equipe realizou uma avaliação de inteligência de processo “muito completa” que mapeou e minerou fluxos de trabalho para identificar onde a automação seria mais vantajosa: a resposta era agentes, automação tradicional ou simples reengenharia de um passo ineficiente?

“Se podemos consertar isso primeiro antes de adicionar agentes ao problema, então realmente vamos transformar a oportunidade”, disse ele. O processo de assinatura de P&L estava cheio de etapas manuais adequadas para automação, e os agentes assumindo algumas dessas tarefas demoradas estão liberando os controladores para “análises de valor agregado” e “considerações de risco mais profundas” de trabalho, segundo ele. A extensibilidade, no entanto, era tão importante quanto a economia de tempo. A equipe de Johnson escolheu esse caso de uso específico de reconciliação de P&L porque centenas de controladores estavam fazendo esse trabalho globalmente em todo o negócio (nas Américas, Europa, Ásia). “Então, comece com um caso de uso, prove-o, estenda-o, e, em seguida, a transformação será conforme a implantamos mais e mais em toda a organização”, disse Johnson.

Johnson disse que a equipe também deliberadamente limitou quanto do fluxo de trabalho dependia do julgamento do modelo. “Se você tiver a oportunidade de tornar as coisas muito prescritas e repetíveis, isso é mais barato em termos de consumo de tokens, é mais repetível em termos de controles — e faça com que o LLM faça as coisas onde você não precisa desse tipo de fluxo de trabalho determinístico”, disse ele. À medida que o sistema vê mais feedback do controlador sobre um determinado tipo de quebra, o Morgan Stanley converte esse padrão em uma regra fixa em vez de deixá-lo para o modelo. Essa abordagem permitiu que o Morgan Stanley alcançasse uma redução significativa no tempo de processamento e melhorasse a eficiência do fluxo de trabalho