Citi Stylus Workspaces: como o banco criou uma plataforma agêntica interna para finanças

O Citigroup, um dos maiores bancos do mundo com operações em 83 paises, já registrou mais de 7 milhoes de interacoes de seus funcionarios com ferramentas de IA proprietarias. A plataforma por tras desses numeros se chama Citi Stylus Workspaces — e ela representa uma das implementacoes mais ambiciosas de IA agêntica no setor financeiro global. Lancada em dezembro de 2024 e expandida com capacidades agênticas em setembro de 2025, a plataforma esta disponivel para 182 mil funcionarios e esta redefinindo como um banco global opera internamente.

De chatbot a agente: a evolucao do Stylus

O Citi Stylus comecou como muitas iniciativas de IA corporativa: uma ferramenta de perguntas e respostas. Funcionarios podiam fazer consultas, obter resumos de documentos e buscar informacoes internas. Util, mas limitado.

A evolucao para Stylus Workspaces representou uma mudanca fundamental. Em vez de responder perguntas isoladas, a plataforma passou a executar tarefas complexas multi-step — sequencias de acoes que antes exigiam que um funcionario navegasse entre multiplos sistemas, coletasse dados de diversas fontes e sintetizasse resultados manualmente.

A diferenca pratica e enorme. Compare:

Antes (chatbot):

• Funcionario: "Quais são as 5 maiores empresas de cartoes nos EUA?"
• Resposta: Uma lista com nomes e dados basicos

Agora (agente):

• Funcionario: "Identifique as 5 maiores empresas de cartoes nos EUA, resuma suas estrategias atuais e traduza o resultado para espanhol"
• O agente: Pesquisa dados publicos, acessa bases internas do Citi, analisa relatorios de mercado, sintetiza as estrategias de cada empresa, gera um relatorio estruturado e traduz tudo para espanhol — tudo em uma unica interacao

Esse tipo de tarefa, que levaria horas de trabalho manual de um analista, agora e concluido em minutos.

Arquitetura tecnica: multi-modelo e multi-sistema

Uma das decisões mais interessantes do Citi foi nao se amarrar a um unico modelo de IA. O Stylus Workspaces opera com uma arquitetura multi-modelo, combinando:

• Google Gemini: Para tarefas que exigem processamento de grandes volumes de dados e analise multimodal
• Anthropic Claude: Para tarefas que demandam raciocinio complexo, interpretacao de documentos e geracao de texto de alta qualidade

Essa abordagem multi-modelo não e apenas uma questao tecnica — e uma decisao estrategica. Diferentes modelos tem diferentes pontos fortes, e o Citi optou por usar o melhor para cada tipo de tarefa em vez de aceitar as limitacoes de um unico fornecedor.

Além dos modelos de linguagem, o Stylus Workspaces se integra com sistemas internos do banco:

• Diretorio global de funcionarios: Para identificar especialistas, contatos em filiais e responsaveis por areas especificas
• Plataformas de gestão de projetos: Para acessar status de iniciativas, cronogramas e documentação de projetos
• Ferramentas de analise de dados: Para processar datasets internos e gerar insights
• Capacidades de pesquisa web: Para complementar dados internos com informacoes publicas atualizadas

Essa integração e o que transforma o Stylus de uma ferramenta de IA em uma plataforma agêntica de verdade. O agente não apenas processa linguagem natural — ele acessa, combina e opera sobre dados de multiplas fontes para executar tarefas completas.

Casos de uso em finanças

Embora o Citi não tenha publicado metricas detalhadas de cada caso de uso (compreensivelmente, dado o setor regulado), podemos inferir e extrapolar os cenarios mais relevantes para operações financeiras com base no que foi divulgado:

Pesquisa e analise de mercado

Analistas de investimento e gestores de relacionamento podem solicitar analises completas de setores, empresas ou mercados. O agente combina dados internos (historico de transações com o cliente, posicao de credito, operações anteriores) com dados publicos (relatorios de mercado, filings regulatorios, noticias) para produzir briefings completos.

Antes: Um analista passava 4-6 horas compilando informacoes de 8-10 fontes diferentes para preparar um briefing de cliente. Agora: O agente produz um rascunho completo em minutos, que o analista revisa e refina.

Due diligence e compliance

Em operações de credito e investimento, a due diligence requer coleta de informacoes de multiplas fontes, verificação de dados e identificação de riscos. O agente pode automatizar grande parte desse trabalho:

• Buscar informacoes publicas sobre empresas e seus diretores
• Verificar listas de sancoes e restricoes regulatorias
• Compilar historico de credito e operações anteriores
• Gerar um relatorio estruturado com flags de risco

Geracao de relatorios regulatorios

Bancos globais como o Citi precisam gerar relatorios para reguladores de dezenas de paises, cada um com formatos e requisitos diferentes. Agentes de IA podem:

• Extrair dados dos sistemas relevantes
• Formata-los conforme requisitos regulatorios especificos
• Gerar narrativas explicativas
• Traduzir para o idioma exigido pelo regulador local

Operações multi-jurisdicao

Com presenca em 83 paises, o Citi lida constantemente com operações que cruzam fronteiras — cada uma com regras fiscais, regulatorias e operacionais diferentes. A capacidade do Stylus de operar em multiplos idiomas e integrar fontes de dados de diferentes regioes e particularmente valiosa aqui.

O rollout: gradual e com treinamento

O Citi adotou uma abordagem deliberadamente gradual para o lancamento das capacidades agênticas:

Fase 1 — Setembro 2025: Piloto com 5.000 funcionarios selecionados. Foco em coletar feedback, identificar problemas e refinar a plataforma antes da expansao.

Fase 2 — Expansao gradual: Rollout progressivo para os 182.000 funcionarios com acesso ao Stylus, acompanhado de treinamento dedicado para maximizar o uso das novas capacidades.

Esse approach de rollout gradual e uma pratica recomendada que muitas empresas ignoram na pressa de "implementar IA". O Citi, mesmo com recursos praticamente ilimitados, optou por ser cauteloso — reconhecendo que a adocao efetiva depende tanto da tecnologia quanto da preparacao dos usuarios.

A CEO Jane Fraser mencionou publicamente que o piloto com 5.000 funcionarios já demonstrou resultados suficientes para justificar a expansao — embora numeros especificos não tenham sido divulgados.

Licoes para equipes financeiras

O caso do Citi oferece insights valiosos que vão além do tamanho do banco:

1. Comece com tarefas multi-step, não com chatbots

A maior armadilha em projetos de IA corporativa e ficar na fase de chatbot. Perguntas e respostas são uteis, mas o valor real esta em automação de workflows completos. Identifique tarefas que hoje requerem 5-10 passos manuais em multiplos sistemas — essas são candidatas ideais para agentes.

2. Multi-modelo e uma estrategia, não indecisao

O Citi não escolheu entre Google e Anthropic — usou ambos. Para equipes menores, isso pode parecer excessivo, mas o principio e valido: diferentes tarefas podem se beneficiar de diferentes modelos. Teste mais de uma opcao antes de se comprometer com um unico fornecedor.

3. Integração com sistemas existentes e crucial

O Stylus só se tornou realmente poderoso quando se conectou aos sistemas internos do Citi. Um agente de IA isolado, sem acesso a dados e sistemas da empresa, tem utilidade limitada. Priorize ferramentas que oferecem APIs e conectores para seus sistemas existentes.

4. Rollout gradual reduz riscos

Mesmo com milhares de engenheiros e orcamento generoso, o Citi comecou com 5.000 usuarios. Para uma empresa com 500 funcionarios, comecar com 20-30 usuarios-piloto e completamente apropriado. O feedback dessa fase inicial evita erros caros na expansao.

5. Treinamento não e opcional

O Citi investe em treinamento dedicado para cada fase do rollout. Isso não e apenas "como usar a ferramenta" — e ensinar as pessoas a pensar em termos de tarefas multi-step que podem ser delegadas ao agente. Mudar o modelo mental e tao importante quanto implementar a tecnologia.

O contexto competitivo: Wall Street e a corrida agêntica

O Citi não esta sozinho. Outros grandes bancos estão em corridas paralelas:

• JPMorgan: Lancou o LLM Suite internamente e investe pesadamente em IA para operações, risk management e trading
• Morgan Stanley: Implementou o AI @ Morgan Stanley Assistant, baseado em GPT-4, para seus consultores financeiros
• Goldman Sachs: Desenvolve ferramentas de IA para automatizar processos de due diligence e geracao de documentação de deals

O que diferencia o Citi e a escala da implementação (182 mil funcionarios com acesso) e a arquitetura agêntica (nao apenas Q&A, mas execucao de tarefas completas). A maioria dos concorrentes ainda opera predominantemente no modo chatbot.

Esse movimento de Wall Street sinaliza algo importante para todo o setor financeiro: IA agêntica não e mais experimental — e infraestrutura. Bancos estão tratando plataformas de agentes como investimentos em infraestrutura tecnologica de longo prazo, não como projetos de inovação descartaveis.

O que voce pode fazer agora

1. Mapeie suas tarefas multi-step: Liste as 10 tarefas mais frequentes que envolvem coleta de dados de multiplas fontes, processamento manual e sintese de resultados. Essas são suas oportunidades imediatas para agentes de IA.
2. Avalie sua integração de dados: Antes de pensar em agentes, verifique se seus sistemas conversam entre si via API. Agentes de IA são tao bons quanto os dados que conseguem acessar. Se seus sistemas operam em silos, comece conectando-os.
3. Teste uma abordagem multi-modelo: Experimente o mesmo caso de uso com diferentes modelos de IA (GPT-4, Claude, Gemini). Compare resultados em termos de qualidade, velocidade e custo. Voce pode se surpreender com as diferencas.
4. Planeje um piloto com grupo reduzido: Selecione 10-20 usuarios que lidam com tarefas repetitivas e multi-step. Implemente um agente para uma tarefa especifica. Meca tempo gasto antes e depois. Use os resultados para justificar expansao.
5. Invista em treinamento desde o dia zero: Não lance uma ferramenta de IA sem ensinar as pessoas a usa-la efetivamente. O gap entre "ter acesso" e "usar produtivamente" e onde a maioria dos projetos de IA corporativa falha.