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 países, já registrou mais de 7 milhões de interações de seus funcionários com ferramentas de IA proprietarias. A plataforma por tras desses números se chama Citi Stylus Workspaces — e ela representa uma das implementações 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 está disponível para 182 mil funcionários e está redefinindo como um banco global opera internamente.

De chatbot a agente: a evolução do Stylus

O Citi Stylus começou como muitas iniciativas de IA corporativa: uma ferramenta de perguntas e respostas. Funcionários podiam fazer consultas, obter resumos de documentos e buscar informações internas. Útil, mas limitado.

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

A diferença prática e enorme. Compare:

Antes (chatbot):

• Funcionário: "Quais são as 5 maiores empresas de cartões nos EUA?"
• Resposta: Uma lista com nomes e dados básicos

Agora (agente):

• Funcionário: "Identifique as 5 maiores empresas de cartões nos EUA, resuma suas estratégias atuais e traduza o resultado para espanhol"
• O agente: Pesquisa dados publicos, acessa bases internas do Citi, analisa relatórios de mercado, sintetiza as estratégias de cada empresa, gera um relatório estruturado e traduz tudo para espanhol — tudo em uma única interação

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

Arquitetura técnica: multi-modelo é multi-sistema

Uma das decisões mais interessantes do Citi foi não se amarrar a um único 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 análise multimodal
• Anthropic Claude: Para tarefas que demandam raciocínio complexo, interpretação de documentos e geração de texto de alta qualidade

Essa abordagem multi-modelo não é apenas uma questão técnica — é uma decisão estratégica. Diferentes modelos tem diferentes pontos fortes, e o Citi optou por usar o melhor para cada tipo de tarefa em vez de aceitar as limitações de um único fornecedor.

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

• Diretorio global de funcionários: Para identificar especialistas, contatos em filiais e responsáveis por areas específicas
• Plataformas de gestão de projetos: Para acessar status de iniciativas, cronogramas e documentação de projetos
• Ferramentas de análise de dados: Para processar datasets internos e gerar insights
• Capacidades de pesquisa web: Para complementar dados internos com informações publicas atualizadas

Essa integração é 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 múltiplas fontes para executar tarefas completas.

Casos de uso em finanças

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

Pesquisa e análise de mercado

Analistas de investimento e gestores de relacionamento podem solicitar análises completas de setores, empresas ou mercados. O agente combina dados internos (histórico de transações com o cliente, posição de crédito, operações anteriores) com dados publicos (relatórios de mercado, filings regulatorios, notícias) para produzir briefings completos.

Antes: Um analista passava 4-6 horas compilando informações 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 crédito e investimento, a due diligence requer coleta de informações de múltiplas fontes, verificação de dados e identificação de riscos. O agente pode automatizar grande parte desse trabalho:

• Buscar informações publicas sobre empresas e seus diretores
• Verificar listas de sanções e restrições regulatórias
• Compilar histórico de crédito e operações anteriores
• Gerar um relatório estruturado com flags de risco

Geração de relatórios regulatorios

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

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

Operações multi-jurisdição

Com presença em 83 países, o Citi lida constantemente com operações que cruzam fronteiras — cada uma com regras fiscais, regulatórias e operacionais diferentes. A capacidade do Stylus de operar em múltiplos idiomas e integrar fontes de dados de diferentes regiões e particularmente valiosa aqui.

O rollout: gradual e com treinamento

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

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

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

Esse approach de rollout gradual é uma prática recomendada que muitas empresas ignoram na pressa de "implementar IA". O Citi, mesmo com recursos praticamente ilimitados, optou por ser cauteloso — reconhecendo que a adoção efetiva depende tanto da tecnologia quanto da preparação dos usuários.

A CEO Jane Fraser mencionou publicamente que o piloto com 5.000 funcionários já demonstrou resultados suficientes para justificar a expansão — embora números específicos não tenham sido divulgados.

Lições 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 úteis, mas o valor real esta em automação de workflows completos. Identifique tarefas que hoje requerem 5-10 passos manuais em múltiplos sistemas — essas são candidatas ideais para agentes.

2. Multi-modelo é uma estratégia, não indecisão

O Citi não escolheu entre Google e Anthropic — usou ambos. Para equipes menores, isso pode parecer excessivo, mas o principio e válido: diferentes tarefas podem se beneficiar de diferentes modelos. Teste mais de uma opção antes de se comprometer com um único 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 orçamento generoso, o Citi começou com 5.000 usuários. Para uma empresa com 500 funcionários, começar com 20-30 usuários-piloto e completamente apropriado. O feedback dessa fase inicial evita erros caros na expansão.

5. Treinamento não é opcional

O Citi investe em treinamento dedicado para cada fase do rollout. Isso não é 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 é tão 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: Lançou 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 geração de documentação de deals

O que diferencia o Citi e a escala da implementação (182 mil funcionários com acesso) e a arquitetura agêntica (não apenas Q&A, mas execução 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 é mais experimental — e infraestrutura. Bancos estão tratando plataformas de agentes como investimentos em infraestrutura tecnológica de longo prazo, não como projetos de inovação descartaveis.

O que você pode fazer agora

1. Mapeie suas tarefas multi-step: Liste as 10 tarefas mais frequentes que envolvem coleta de dados de múltiplas 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 tão 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. Você pode se surpreender com as diferenças.
4. Planeje um piloto com grupo reduzido: Selecione 10-20 usuários que lidam com tarefas repetitivas e multi-step. Implemente um agente para uma tarefa específica. Meca tempo gasto antes e depois. Use os resultados para justificar expansão.
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" é onde a maioria dos projetos de IA corporativa falha.