Goldman Sachs usa Claude da Anthropic para automatizar reconciliação e onboarding

Em fevereiro de 2026, o Goldman Sachs revelou que engenheiros da Anthropic estiveram embutidos dentro do banco por seis meses, co-desenvolvendo agentes de IA baseados no modelo Claude para automatizar contabilidade de operações e onboarding de clientes institucionais. Os agentes gerenciam operações vinculadas a US$ 2,5 trilhões em ativos sob supervisão, com testes mostrando 30% de redução no tempo de onboarding e mais de 20% de ganho de produtividade para desenvolvedores.

Não estamos falando de um piloto discreto. Estamos falando do maior banco de investimentos do mundo apostando em agentes de IA para back-office financeiro. Vamos dissecar o que está acontecendo é o que isso significa para o resto do mercado.

O que o Goldman Sachs esta automatizando

O projeto foca em duas areas de alto volume e alta complexidade operacional:

1. Reconciliação e contabilidade de operações (trade accounting)

O Goldman Sachs processa milhões de transações por ano em renda fixa, ações, derivativos, commodities e cambio. Cada transação precisa ser registrada, reconciliada e validada contra múltiplas fontes de dados. Quando há discrepâncias -- é sempre há --, analistas precisam investigar, identificar a causa e resolver.

Os agentes Claude fazem exatamente isso: revisam transações, cruzam registros entre sistemas, identificam discrepâncias e resolvem as mais simples automaticamente. Divergências complexas são escaladas para humanos, mas já com a análise preliminar feita. O resultado é menos tempo gasto em trabalho de comparação e mais tempo em resolução de problemas reais.

2. Onboarding e verificação de clientes (KYC/AML)

Abrir uma conta institucional no Goldman Sachs envolve verificar a estrutura societaria do cliente, validar documentos, checar listas de sanções, avaliar riscos de lavagem de dinheiro e determinar se documentação adicional e necessária. É um processo que, manualmente, pode levar semanas.

Os agentes Claude automatizam a cadeia: extraem entidades de documentos, determinam se há documentação faltante, avaliam estruturas de propriedade e disparam verificações adicionais de compliance quando necessário. Segundo a CNBC, os testes mostraram 30% de redução no tempo de onboarding de clientes institucionais.

Como a implementação foi feita

O que torna esse caso especialmente relevante e a abordagem de implementação:

Engenheiros embutidos por seis meses

A Anthropic não vendeu uma licença de software e mandou um manual. Engenheiros da empresa trabalharam dentro do Goldman Sachs por seis meses, lado a lado com as equipes do banco. Essa é uma abordagem de co-desenvolvimento que reflete a complexidade de implantar agentes em ambientes financeiros regulados.

Modelo Claude Opus com janela de 1 milhão de tokens

Os agentes foram construídos sobre o Claude Opus, que oferece uma janela de contexto de 1 milhão de tokens. Na prática, isso significa que o agente pode processar documentos extensos -- contratos inteiros, históricos de transações, dossies de compliance -- em uma única sessão, sem perder contexto. Para operações financeiras, onde o diabo mora nós detalhes e nas referências cruzadas, essa capacidade é transformadora.

"Digital co-workers", não substituição

O Goldman Sachs descreveu os agentes como "co-trabalhadores digitais" para tarefas de alto volume e intensivas em processo. A enfase não esta em substituir equipes, mas em liberar analistas de trabalho mecânico para que foquem em análise de maior valor.

Mais de 12.000 desenvolvedores usando Claude

Além dos agentes de back-office, o Goldman Sachs reportou que seus mais de 12.000 desenvolvedores estão usando Claude para tarefas de programação, com mais de 20% de ganho de produtividade. Isso mostra que a adoção não é pontual -- é uma estratégia de larga escala.

Os resultados concretos

Vamos consolidar os números reportados:

E importante notar que o Goldman Sachs declarou estar "nós estagios iniciais" do desenvolvimento, com expectativa de lançar os agentes em produção completa em breve. Ou seja, esses números vem de testes e implementação parcial -- o impacto total ainda esta por vir.

O que isso significa para o mercado financeiro brasileiro

A reação natural pode ser: "isso é o Goldman Sachs, com orçamento ilimitado e milhares de engenheiros. Não se aplica a nós." Essa leitura esta parcialmente correta -- é parcialmente perigosa.

O que não se aplica diretamente:

• A escala de US$ 2,5 trilhões em ativos
• A capacidade de embutir engenheiros de uma empresa como a Anthropic por seis meses
• O volume de milhões de transações diárias

O que se aplica perfeitamente:

• O problema é o mesmo. Reconciliação de transações, matching de pagamentos, verificação de documentos, onboarding de clientes -- essas dores existem em empresas de qualquer porte. A diferença é de escala, não de natureza.
• A tecnologia esta acessível. O Claude que o Goldman usa e o mesmo disponível via API para qualquer empresa. Não é um modelo proprietario. A HighRadius, por exemplo, já oferece mais de 200 agentes pré-construídos para finanças corporativas, sem necessidade de equipe de IA interna.
• O custo de não agir e crescente. Quando seus concorrentes -- ou os bancos com quem você opera -- adotam agentes, o custo relativo de manter processos manuais aumenta. Onboarding de clientes que leva semanas quando o concorrente faz em dias é uma desvantagem competitiva real.

Lições de arquitetura para equipes financeiras

Mesmo sem o orçamento do Goldman, há lições de arquitetura que se aplicam a qualquer implementação de agentes em finanças:

1. Comece por processos document-heavy

Tanto a reconciliação quanto o onboarding são processos intensivos em documentos. É exatamente onde LLMs com grandes janelas de contexto brilham. Se você tem um processo financeiro que envolve ler, extrair dados e comparar documentos, esse é um candidato natural para agentes.

2. Defina claramente o que o agente resolve sozinho é o que escala

O Goldman não deu autonomia total aos agentes. Discrepâncias simples são resolvidas automaticamente; complexas são escaladas com a análise já feita. Essa separação e essencial. Defina: qual valor de discrepância o agente pode resolver? Quais tipos de documentos ele pode aprovar? Quando ele deve parar e chamar um humano?

3. Invista em integração, não em modelo

O modelo (Claude, GPT, Gemini) e importante, mas o valor real esta na integração com seus sistemas -- ERP, banking, CRM, sistemas de compliance. Um agente brilhante que não acessa seus dados é um chatbot caro.

4. Meca antes e depois

O Goldman reportou números específicos: 30% de redução no onboarding, 20%+ de produtividade. Isso só é possível porque mediram a baseline antes de implantar. Sem métricas de antes, você não consegue provar o valor depois.

O contexto mais amplo: Wall Street e IA agêntica

O Goldman não esta sozinho. O movimento de Wall Street em direção a agentes de IA e amplo:

• JPMorgan já reportou que sua IA preveniu US$ 1,5 bilhão em fraudes e economizou 360 mil horas de trabalho manual.
• Morgan Stanley implantou assistentes de IA para seus consultores financeiros, com milhares de consultas diárias.
• Bank of América opera o Erica, que já atingiu 2 bilhões de interações com clientes desde o lançamento.
• A McKinsey estima que 50 dos maiores bancos do mundo anunciaram mais de 160 casos de uso de IA agêntica só em 2025.

A tendência e inequivoca: instituições financeiras estão migrando de IA como ferramenta de análise para IA como agente operacional. É o back-office -- historicamente visto como centro de custo -- está se tornando o principal campo de aplicação.

Implicações para compliance e regulação

Um aspecto que merece atenção especial: o Goldman Sachs está usando agentes de IA em processos de KYC (Know Your Customer) e AML (Anti-Money Laundering) -- areas fortemente reguladas. Isso só é possível porque:

• Os agentes operam dentro de frameworks regulatorios definidos
• Há supervisão humana nós pontos críticos de decisão
• As decisões do agente são rastreáveis e auditaveis
• O banco mantem responsabilidade final sobre as decisões

Para empresas brasileiras, isso é relevante porque o Banco Central e a CVM tem requisitos específicos para processos de KYC e prevenção a lavagem de dinheiro. Agentes podem acelerar esses processos, mas a governança precisa estar no lugar.

Ações práticas para sua empresa

1. Identifique seu "trade accounting". Qual é o processo equivalente na sua empresa? Reconciliação bancária? Conciliação de cartões? Matching de faturas? Encontre o processo de alto volume que mais consome horas de analista em comparação e verificação de dados.
2. Teste a capacidade de processamento de documentos. Pegue um lote de documentos que sua equipe processa manualmente (faturas, contratos, comprovantes) e teste com a API do Claude ou GPT-4. Avalie: o modelo extrai as informações corretas? Com que acurácia? Isso dará uma ideia do potencial antes de investir em implementação.
3. Mapeie o fluxo de onboarding de clientes ou fornecedores. Quanto tempo leva? Quantas pessoas estão envolvidas? Quais etapas são puramente documentais? Se a resposta for "semanas" e "muitas", você tem um caso de uso claro para agentes.
4. Estabeleça métricas de baseline agora. Mesmo que você não implante agentes este mês, comece a medir: tempo médio de reconciliação, custo por transação processada, tempo de onboarding, taxa de erro humano. Esses números serão essenciais para calcular o ROI quando você decidir agir.