O Ecosystem Agent Framework: orquestrando o futuro agêntico das finanças

Por décadas, o setor de serviços financeiros otimizou o acesso a dados. Mas o acesso nunca foi o objetivo em si: era uma restrição ao objetivo real, que é viabilizar ações inteligentes.

A evolução do setor seguiu uma progressão clara: da aquisição de dados à sua centralização, até torná-los utilizáveis por meio de análise de dados e IA. Cada fase reduziu o atrito, não como fim em si mesma, mas para permitir decisões mais rápidas e de maior qualidade.

A oportunidade não está em substituir o julgamento humano, mas em alocá-lo melhor. Ao eliminar trabalho não diferenciado, como coleta, reconciliação e preparação de dados, aumentamos o tempo e o foco disponíveis para o que realmente gera resultados: decisões mais rápidas e com maior convicção.

Esse mesmo princípio deve se aplicar aos próprios sistemas. Plataformas de IA não devem introduzir nova complexidade: devem ser invisíveis e sem atritos para construir e operar. O alpha não é garantido, mas quando tanto o esforço humano quanto o design dos sistemas são otimizados para a simplicidade, as condições para gerá-lo melhoram de forma significativa.

Estamos entrando agora na próxima fase, em que o objetivo não é mais apenas compreender os dados, mas agir sobre eles. Esta é a transição do insight para a execução, da compreensão para a ação. Esta é a Era Agêntica.

O peso histórico dos dados financeiros

Historicamente, resultados financeiros críticos dependiam de uma integração manual de dados institucionais próprios e de inteligência de mercado de terceiros. Na era de atrito anterior a 2015, a entrega de dados era arcaica. Transferências SFTP acionavam pipelines de ingestão massivos e complexos, caros de construir e frágeis de manter.

O "imposto sobre dados" era uma constante no balanço patrimonial, atrasando e degradando a capacidade de agir com base nas informações. As equipes eram obrigadas a gastar tempo integrando, transformando e reconciliando dados apenas para chegar ao ponto de partida da tomada de decisões.

O paradigma mudou quando o centro de gravidade migrou para a nuvem. O Snowflake redefiniu como as instituições gerenciam e acessam dados, substituindo esses pipelines herdados por data sharing direto e em tempo real.

Ao eliminar o ETL, não foi apenas uma mudança na forma como os dados se moviam: foi uma mudança na forma como o trabalho acontecia. Dados próprios e de terceiros agora podem coexistir no mesmo ambiente, permitindo que engenharia, análise de dados e aprendizado de máquina operem diretamente sobre uma base compartilhada.

Essa convergência fez mais do que reduzir o atrito: padronizou a forma como os workflows financeiros são construídos. Em gestão de ativos, banking e seguros, os workflows críticos seguem um padrão comum: combinar contexto interno proprietário com sinais externos de mercado para embasar decisões.

Essa consolidação não foi apenas uma conveniência técnica; foi o precursor necessário para a Era Agêntica. Ela criou um ambiente de alta velocidade em que o contexto já está presente no momento da execução, em vez de precisar ser montado sob demanda.

Agora, saímos de uma arquitetura que exige que humanos façam a ponte manualmente entre dados próprios e dados de terceiros, para uma em que essa integração é nativa, e portanto onde os Agentic Workflows podem ser executados diretamente sobre ela.

O Snowflake fornece a base para essa mudança ao unificar dados, controles de governança e processamento em um único ambiente. Como esses elementos agora residem juntos, a execução não é mais bloqueada pela movimentação ou reconciliação de dados. O que antes era um processo fragmentado e manual torna-se uma capacidade contínua e orientada pelo sistema.

De "pronto para IA" a "Agent-Active"

Nos últimos 24 meses, o setor se concentrou em tornar os dados "prontos para IA", basicamente habilitando consultas em linguagem natural sobre conjuntos de dados estruturados.

Embora valioso, mesmo um dado pronto para IA é apenas um ingrediente bruto, não o produto final. Um "chat" pode fornecer um insight rápido, mas não liquida uma operação, não reequilibra um portfólio nem processa uma solicitação de seguro complexa. O valor máximo só é alcançado quando os dados deixam de ser apenas uma fonte para conversas e passam a integrar um workflow maior e de múltiplas etapas para gerar um resultado específico e autônomo.

Estamos indo além da fase de "Buscar e Resumir" da IA e entrando na fase de "Orquestrar e Executar", transitando de dados simplesmente legíveis para dados que são Agent-Active.

A arquitetura de orquestração: O Ecosystem Agent Framework

A unificação do acesso a dados é o que tornou o Snowflake o ambiente natural para esses workflows, e o que agora o torna o ambiente natural para que os agentes os executem.

Os workflows financeiros são fundamentalmente construídos sobre a combinação de dados próprios e dados de terceiros. Dentro de um único perímetro de governança, o Snowflake reúne esses dados com os primitivos necessários para agir sobre eles.

Por meio do Cortex Analyst e do Cortex Search, oferecemos recuperação de classe mundial em dados estruturados e não estruturados, permitindo que os agentes acessem o contexto completo de um problema em tempo real. Isso é complementado por produtos de dados prontos para IA do nosso ecossistema, entregues como Shared Semantic Views e Cortex Knowledge Extensions, tornando tanto a inteligência proprietária quanto a externa imediatamente utilizáveis.

Sobre essa base, o Cortex Agents e o Cortex Code oferecem a capacidade de construir e executar workflows diretamente onde esse contexto reside.

Esta é a mudança crítica: os agentes não estão mais costurando contexto entre sistemas, eles operam diretamente sobre ele.

O resultado é um ambiente em que dados, contexto e execução estão unificados. As empresas podem criar agentes que operam com dados próprios e de terceiros sem nenhuma movimentação de dados, sem vazamento de propriedade intelectual e com recursos de governança, mantendo rastreabilidade e avaliação completas.

Nesse modelo, os agentes não precisam "buscar" dados ou ferramentas. Eles são construídos onde os dados já residem, com os primitivos necessários para recuperar, raciocinar e agir.

É isso que torna o Snowflake um ambiente natural para workflows agênticos em serviços financeiros.

A arquitetura do ecossistema de agentes

Uma observação sobre o MCP

Embora suportemos padrões como o MCP com nosso servidor MCP hospedado no Snowflake, o consideramos uma entre várias abordagens para permitir que agentes acessem dados.

O MCP é adequado para ambientes em que os dados precisam permanecer distribuídos, embora em muitos casos essa distribuição reflita restrições históricas, e não uma necessidade atual.

Avanços em automação, desenvolvimento assistido por IA e formatos de tabela abertos tornaram significativamente mais fácil unificar o acesso a dados, sem a sobrecarga do passado e sem introduzir dependência de fornecedor, graças a padrões verdadeiramente abertos e interoperáveis.

Como resultado, as organizações têm mais flexibilidade para reduzir a fragmentação na origem, em vez de contorná-la.

Nossa perspectiva é simples: quando a unificação é viável, o caminho ideal é reunir dados, recursos de IA, governança e primitivos de agentes em um único ambiente coeso. Isso cria uma base direta, eficiente e governável para construir e operar agentes. Quando isso não é possível, o MCP serve como uma ponte valiosa entre sistemas.

Dado o papel central de dados, IA e governança nesse modelo, o Snowflake oferece uma base natural para essa abordagem unificada.

Nesse sentido, o MCP é melhor visto como uma exceção, não como o padrão.

Execução no mundo real: O analista moderno

Imagine um gestor de ativos global com um analista cobrindo o setor de biopharma. Tradicionalmente, esse analista passa o dia buscando sinais manualmente para orientar ações. Quando uma notícia surge, o processo de pesquisa é exaustivo: ele verifica sua tese de investimento interna (dados próprios não estruturados), confere posições e performance atuais (dados próprios estruturados) e realiza um "look-through" para entender a exposição total em ETFs e títulos (dados próprios e de terceiros combinados).

No The Ecosystem Agent Framework, todo esse processo é orquestrado por um Cortex Agent. Em vez de reativo, o processo é contínuo. O que antes era uma série de Tasks manuais e com prazo definido torna-se um workflow contínuo e orientado pelo sistema. O agente monitora continuamente os dados do ecossistema em busca de sinais, faz referências cruzadas entre dados internos e externos, e notifica o analista não apenas com um resumo, mas com sugestões de notas de pesquisa hawkish, dovish e neutras, com contexto completo.

Esta é a mudança crítica que impulsiona o Operational Alpha: minimizar o trabalho manual não diferenciado e maximizar a capacidade do analista de realizar trabalhos de ordem superior e diferenciados.

Ativando a força de trabalho

A diferença entre uma "demonstração de IA interessante" e um "workflow agêntico em produção" quase nunca está no modelo. Está na arquitetura de dados que o sustenta.

A era de conversar com seus dados acabou. A era da Orchestration começou, e a arquitetura construída para sustentá-la é o Snowflake com o Ecosystem Agent Framework. 

Ao escolher uma base que prioriza soberania e capacidade de ajustar a escala em vez de conectividade de curto prazo, garantimos que a próxima geração de sistemas agênticos não apenas funcione, mas execute com velocidade, controle e propósito.

Quer saber mais? Participe do Snowflake Summit e venha à minha sessão The Financial Services AI, Apps and Data Guide with Snowflake.