Os bancos brasileiros entram em uma nova etapa de adoção da inteligência artificial depois de ampliarem em 39% os investimentos específicos na tecnologia em apenas um ano. Os recursos destinados à IA passaram de R$ 596 milhões em 2024 para R$ 826 milhões em 2025, enquanto o orçamento total de tecnologia do setor deve atingir R$ 50,4 bilhões em 2026, alta de 8% sobre os R$ 46,8 bilhões registrados no ano passado.
A mudança de escala vem acompanhada de uma transformação arquitetural. Depois da primeira onda concentrada em chatbots e ferramentas de inteligência artificial generativa capazes de produzir textos, códigos e respostas, instituições financeiras começam a estruturar sistemas nos quais modelos recebem informações do negócio, consultam ferramentas, mantêm estado, executam etapas e podem transferir tarefas entre agentes especializados.
Esse movimento estará entre os principais temas do Febraban Tech 2026, marcado para 24 a 26 de agosto no Distrito Anhembi, em São Paulo. A programação oficial inclui uma trilha dedicada a agentes de IA em rede e, no dia 25, o painel “Engenharia de contexto, prompt engineering e AI orchestration: o novo stack de produção dos bancos”.
A discussão ocorre em um setor que já coloca a tecnologia entre as prioridades de investimento, mas ainda apresenta grande diferença entre experimentação e utilização em escala. A Pesquisa Febraban de Tecnologia Bancária 2026 mostra que 80% das instituições atribuem prioridade média ou alta à inteligência artificial e 84% fazem o mesmo com a IA generativa. Cibersegurança lidera, com 100%, seguida por cloud e IA generativa, ambas com 84%.
IA contextual não é simplesmente um novo modelo
A expressão “IA contextual”, utilizada na programação do Febraban Tech para descrever essa etapa, não representa necessariamente uma nova categoria de modelo comparável à passagem de sistemas preditivos para modelos generativos. Na prática, a transformação acontece principalmente na arquitetura construída ao redor do modelo.
Engenharia de contexto significa decidir quais informações devem chegar ao modelo em cada momento: histórico da interação, dados cadastrais autorizados, regras de negócio, documentos, resultados de consultas, permissões, memória da sessão e instruções operacionais. A Anthropic define context engineering como o conjunto de estratégias para selecionar e manter a informação adequada dentro do contexto usado pelo modelo durante a inferência, tratando-a como uma evolução do trabalho restrito ao desenho de prompts.
Em um banco, a diferença é relevante. Um assistente genérico pode receber uma pergunta sobre um financiamento e explicar as características de determinado produto. Um sistema contextualizado pode, dependendo das autorizações e da arquitetura implementada, receber a solicitação, consultar informações disponíveis ao cliente, identificar regras aplicáveis ao produto, acionar ferramentas internas e preparar a próxima etapa da operação.
Isso não significa entregar autonomia irrestrita ao modelo. O desenho técnico passa justamente a envolver quais informações podem ser recuperadas, quais ferramentas podem ser acionadas, quais operações dependem de aprovação e onde o fluxo precisa ser interrompido. A documentação da OpenAI para sistemas de agentes, por exemplo, diferencia arquiteturas nas quais um agente central permanece no controle e consulta especialistas daquelas em que a responsabilidade é transferida por meio de handoffs.
É nessa camada que a engenharia de contexto se encontra com a chamada orquestração de IA. O problema deixa de ser apenas conseguir uma boa resposta para uma pergunta e passa a incluir o gerenciamento de uma sequência de decisões, ferramentas, dados e agentes.
Bancos ainda têm baixa maturidade em IA
Os números da própria Febraban mostram por que a arquitetura virou tema central antes mesmo de a adoção atingir a maturidade observada em outras tecnologias bancárias.
Entre 25 instituições pesquisadas, 60% classificaram seu nível de maturidade em inteligência artificial como baixo, caracterizado pela pesquisa como uso experimental ou pontual, baixa integração e ausência de escala ou impacto relevante. Outros 16% estavam no nível médio e 24% no nível alto. Para IA generativa, 72% ainda estavam no estágio de baixa maturidade, 8% no intermediário e 20% no nível alto.
O contraste com tecnologias mais consolidadas é expressivo. Em cibersegurança, 96% das instituições possuem maturidade média ou alta; em cloud, o percentual chega a 72%. Para IA tradicional, são 40%, e para IA generativa, apenas 28%.
Esses dados indicam que a próxima etapa do investimento não depende apenas de adquirir modelos mais capazes. O desafio é converter protótipos em sistemas integrados aos processos bancários, com dados disponíveis, controle de acesso, monitoramento, rastreabilidade e regras claras para a execução de tarefas.
A discrepância entre prioridade e maturidade é um dos elementos mais relevantes da pesquisa de 2026. Enquanto 80% dos bancos consideram a IA uma prioridade e 84% atribuem prioridade à GenAI, a maior parte das instituições ainda não classifica essas tecnologias como maduras.
A leitura sugere que o setor entrou na fase em que o principal obstáculo deixa de ser demonstrar que um modelo consegue produzir uma resposta e passa a ser fazer essa resposta funcionar dentro de sistemas críticos sem romper controles existentes.
IA começa a produzir ganhos mensuráveis
Apesar da baixa maturidade média, as instituições que avançaram na implementação já reportam efeitos mensuráveis sobre a operação.
A Pesquisa Febraban mostra que o ganho médio de eficiência associado à utilização de IA e IA generativa em processos bancários passou de 8,4% em 2024 para 11,8% em 2025. No backoffice, avançou de 7,4% para 11,5%, enquanto no desenvolvimento de aplicações passou de 7,6% para 11,3%.
Também aumentou a parcela de instituições que relatam ganhos considerados elevados, definidos pelo levantamento como melhoria de pelo menos 20%. Nos processos bancários, esse grupo passou de 17% para 28%. No backoffice, avançou de 15% para 25%; no desenvolvimento de aplicações, de 15% para 24%.
Os resultados ajudam a explicar por que o investimento específico em IA cresceu 39%, ritmo muito superior ao avanço do orçamento tecnológico consolidado. A despesa com migração para cloud, outra infraestrutura necessária para vários desses projetos, também aumentou: passou de R$ 3 bilhões em 2024 para R$ 3,9 bilhões em 2025, expansão de 30%.
Há, portanto, duas velocidades diferentes. A primeira é financeira: recursos estão sendo direcionados rapidamente para IA e infraestrutura. A segunda é operacional: transformar esses recursos em aplicações maduras exige integração com sistemas que já processam bilhões de operações e carregam requisitos de segurança muito superiores aos de uma aplicação experimental.
Agentes mudam a lógica da automação bancária
A próxima fronteira prevista na programação do Febraban Tech é formada pelos agentes de IA. Diferentemente de um assistente limitado a responder a uma solicitação, um agente pode ser configurado para executar uma sequência de etapas, utilizar ferramentas e decidir qual ação realizar em seguida dentro das regras definidas pelo sistema.
Em arquiteturas multiagentes, essa lógica é dividida entre componentes especializados. Um agente pode interpretar a solicitação, outro consultar determinado conjunto de dados, um terceiro executar uma tarefa específica e um componente coordenador consolidar o processo.
Documentação técnica atual para sistemas de agentes já prevê estruturas desse tipo. A OpenAI descreve tanto o modelo de um agente gerente que mantém o controle e consulta especialistas quanto fluxos descentralizados nos quais agentes transferem tarefas entre si. Seu Agents SDK também automatiza ciclos de chamadas a ferramentas, ramificações e transferências entre especialistas.
Para bancos, a consequência potencial vai além de substituir atividades manuais. Um processo que hoje depende de diferentes telas, consultas e etapas pode ser reorganizado para que agentes executem partes da sequência, desde que a instituição controle dados, permissões e critérios de saída.
É justamente nesse ponto que contexto passa a valer tanto quanto capacidade do modelo. Um agente que não recebe a política correta, consulta informação desatualizada ou tem acesso a uma ferramenta inadequada pode produzir uma resposta tecnicamente plausível e operacionalmente errada. Quanto maior a autonomia, maior se torna a importância da arquitetura que delimita o que o sistema sabe e o que pode fazer.
Painel reúne Santander, BTG, AWS e CrewAI
O debate dessa transição será realizado em 25 de agosto, às 14h, no Auditório Febraban Cinza. A sessão será mediada por Ivo Mósca, diretor-executivo da Febraban, e terá Julio Blanco Perez, CTO do Santander; Pedro Moura, diretor de vendas para a América Latina da CrewAI; Tatiana Orofino, responsável pelo desenvolvimento da indústria de serviços financeiros na América Latina da AWS; e Thabata Sakurai, Head de Data & Analytics do BTG Pactual (BPAC11).
O painel integra a trilha “Agentes de IA em rede: é o fim da Era dos Assistentes?”, uma das frentes em que o Febraban Tech pretende discutir a passagem de aplicações isoladas para sistemas capazes de coordenar diferentes agentes. O evento ocorre entre 24 e 26 de agosto, no Distrito Anhembi.
A discussão ganha dimensão econômica porque o orçamento tecnológico bancário brasileiro cresceu 58% em cinco anos. Saiu de R$ 29,6 bilhões em 2021 para R$ 46,8 bilhões em 2025 e deve alcançar R$ 50,4 bilhões neste ano, segundo a expectativa das instituições pesquisadas.
A pesquisa cobre instituições que representam parcela majoritária dos ativos bancários do país. Na primeira fase, 25 bancos responderam aos questionários e representavam cerca de 85% dos ativos da indústria; 53 executivos de tecnologia também foram entrevistados.
Próxima disputa será transformar IA em infraestrutura
Os dados apontam para uma mudança no critério de sucesso dos projetos. Na primeira fase da IA generativa, uma demonstração capaz de produzir textos ou responder perguntas já mostrava potencial tecnológico. Em sistemas financeiros, entretanto, a escala exige que o modelo funcione como parte de uma infraestrutura maior.
É por isso que prompt engineering, engenharia de contexto e orquestração aparecem juntos na agenda de 2026. O prompt continua sendo uma peça do sistema, mas passa a dividir espaço com memória, recuperação de dados, ferramentas, políticas, agentes especializados, registros de execução e mecanismos de aprovação.
A própria diferença de maturidade registrada pela Febraban mostra que essa transição ainda está no começo. Enquanto quase todos os bancos pesquisados já alcançaram maturidade média ou alta em cibersegurança, menos de um terço atingiu o mesmo patamar em IA generativa.
O investimento, porém, já se deslocou. Os R$ 826 milhões destinados especificamente à inteligência artificial em 2025 representam aumento de R$ 230 milhões em um ano, enquanto 80% das instituições colocam IA entre suas prioridades tecnológicas e 84% fazem o mesmo com IA generativa.
O próximo passo dos bancos, portanto, não será apenas gerar conteúdo com modelos mais sofisticados. Será determinar quanto contexto fornecer, quais sistemas conectar, quais decisões delegar e onde manter intervenção humana. É nessa passagem da resposta para a execução que agentes e engenharia de contexto começam a transformar a inteligência artificial de ferramenta isolada em componente da infraestrutura bancária.
