Deepak Kinger, diretor de estratégia e cofundador da EvoluteIQ — Série de entrevistas

Deepak Kinger, diretor de estratégia e cofundador da EvoluteIQ, é um experiente líder de tecnologia e negócios, com mais de duas décadas de experiência em transformação empresarial, serviços financeiros, automação e inteligência artificial. Na EvoluteIQ, ajuda a definir a estratégia geral da empresa e lidera alianças tecnológicas importantes, parcerias de soluções, marketing e o relacionamento com analistas. Antes de cofundar a EvoluteIQ, em 2019, Kinger ocupou cargos de liderança sênior na GALE Partners, na Virtusa, na Sapient, na Headstrong, na Wipro e na Mphasis, onde suas responsabilidades iam da gestão de negócios de serviços financeiros em toda a região da Ásia-Pacífico e da consultoria a executivos de alto escalão em transformação digital à criação de novas linhas de negócios e à liderança de projetos tecnológicos de grande escala. Sua experiência abrange estratégia, desenvolvimento de negócios, gestão do relacionamento com clientes, gestão de lucros e perdas (P&L), operações e tecnologias emergentes, incluindo IA, aprendizado de máquina, automação robótica de processos, blockchain e ciência de dados.

EvoluteIQ é uma empresa de IA empresarial e automação inteligente que ajuda organizações a automatizar e orquestrar processos de negócios complexos de ponta a ponta. Sua plataforma EIQ reúne IA agêntica, IA generativa, automação de processos e decisões, RPA inteligente, processamento de eventos, malha de dados, análise de dados, conectores empresariais e desenvolvimento de aplicativos multicanal em um ambiente de baixo código/sem código. A plataforma foi projetada para permitir que as empresas conectem sistemas existentes, criem e implantem agentes de IA e fluxos de trabalho automatizados, monitorem resultados e ampliem a automação em áreas como experiência do cliente, finanças, operações, vendas e gestão da cadeia de suprimentos. Fundada em 2019, a EvoluteIQ ampliou seu foco em automação empresarial agêntica com tecnologias como o AI Workbench e a Agentic Mesh Architecture. Em 2025, anunciou um investimento minoritário de crescimento de US$ 53 milhões, liderado pela Baird Capital, para apoiar sua expansão global e ampliar os investimentos em suas operações de pesquisa e desenvolvimento em Bengaluru.

Antes de cofundar a EvoluteIQ, em 2019, você passou duas décadas trabalhando nos setores de serviços financeiros e tecnologia empresarial e com transformação digital. Que problemas recorrentes você observou em grandes organizações que acabaram convencendo você de que havia uma oportunidade para criar a EvoluteIQ? E o que queria fazer de outra forma?

Antes da EvoluteIQ, trabalhei 25 anos com consultoria, boa parte deles ajudando grandes instituições financeiras em iniciativas de transformação. Isso incluiu os primeiros programas de serviços bancários digitais, além de negociação, gestão de riscos e transformações mais amplas, de ponta a ponta. Com o tempo, percebi que a demanda por automação crescia, e ajudávamos empresas a implementar plataformas de alguns dos maiores fornecedores.

O que acabou nos motivando a criar a EvoluteIQ foi a oportunidade de deixar de implementar a tecnologia de terceiros e construir algo próprio. Vimos a possibilidade de adotar uma abordagem mais integrada à automação, em vez de exigir que as empresas reunissem diversas tecnologias, licenças e camadas de integração. Essa foi uma das motivações para fundar a EvoluteIQ em 2019.

Em nossa entrevista anterior da Unite.AI com seu cofundador Sameet Gupte, ele falou sobre a visão mais ampla da EvoluteIQ de ajudar as empresas a deixar para trás a automação baseada em tarefas e avançar para operações autônomas de ponta a ponta, nativas em IA. Como a gestão de mudanças regulatórias demonstra por que é necessário passar da automação de tarefas individuais à orquestração de processos de negócios inteiros?

As mudanças regulatórias raramente afetam uma única tarefa isolada. Em 2020, desenvolvemos uma solução para a transição da LIBOR. Os bancos enfrentavam uma mudança de grande escala que afetava contratos existentes e exigia que equipes de operações, assistentes jurídicos e equipes de negócios os revisassem e regularizassem. Muitas instituições, na prática, tentavam resolver o problema alocando mais pessoas. A lição que aprendemos com a LIBOR foi que a regulamentação específica muda, mas o desafio subjacente se repete. A mudança regulatória e a conformidade são exigências operacionais contínuas.

Com as mudanças mais recentes propostas pela FinCen para o combate à lavagem de dinheiro e ao financiamento do terrorismo (AML/CFT), estamos observando um afastamento de um modelo de conformidade altamente prescritivo, de “marcar caixas”. Na verdade, isso eleva o nível de exigência da conformidade, em vez de torná-la mais simples, porque as instituições precisam interpretar a regulamentação, explicitar seus próprios riscos e determinar o que eles significam para seu modelo operacional. Essa mudança, por sua própria natureza, alcança diferentes departamentos e funções em toda a organização, e não apenas as equipes de conformidade e auditoria.

Você defendeu que os bancos deveriam deixar de tratar cada grande mudança regulatória como um novo projeto de transformação e, em vez disso, incorporar a gestão de mudanças regulatórias como uma capacidade operacional permanente. Como seria esse modelo operacional na prática e por que as instituições financeiras historicamente têm tido dificuldade para desenvolvê-lo?

O novo modelo operacional partiria do princípio de que a mudança é contínua; ela já não é um processo que precisa ser implementado a cada trimestre ou quando os auditores aparecem. A criação de uma solução para a LIBOR nos mostrou que, embora uma mudança regulatória possa ser implementada, mais cedo ou mais tarde, a necessidade de adaptação não desaparece. Compreender a mudança, traduzi-la em requisitos operacionais e atualizar os processos serão tarefas necessárias para a próxima mudança regulatória.

O novo modelo operacional também não deve ficar restrito à área de conformidade. Em um modelo mais baseado em riscos, a função de conformidade ainda pode ser, em última instância, responsável por assegurar o cumprimento das exigências, mas as áreas de operações e jurídica e, em alguns casos, a gestão do risco de contraparte também se tornam mais importantes. Um dos erros que as instituições podem cometer é subestimar o alcance dos efeitos das mudanças regulatórias na organização.

Historicamente, isso tem sido difícil porque as empresas acumularam ambientes tecnológicos fragmentados e modelos operacionais isolados. Quando diferentes unidades de negócio dependem de plataformas separadas de RPA, BPM, geração de relatórios e outras, responder a um novo requisito se torna, por si só, um projeto de integração.

Quando uma nova regulamentação é introduzida, um banco pode precisar determinar quais clientes, produtos, contratos, sistemas e processos são afetados. Em que pontos a IA pode melhorar significativamente essa análise de impacto, e quais partes do processo ainda exigem regras determinísticas ou julgamento humano?

A IA pode reduzir significativamente o trabalho manual necessário para compreender e implementar mudanças regulatórias. Mais especificamente, pode ajudar a analisar e categorizar grandes volumes de informações e a identificar em que pontos o foco humano deve se concentrar. Por exemplo, os recursos de resposta regulatória da EvoluteIQ podem categorizar e priorizar contratos por cliente e tipo de ativo, conectar essas informações a sistemas corporativos e fontes de dados externas e, em seguida, orquestrar as etapas subsequentes nas áreas jurídica, de riscos e de operações. Isso permite que as instituições deixem de apenas identificar o que pode ser afetado e passem a gerenciar as mudanças decorrentes ao longo de todo o processo.

O controle e a supervisão humanos continuam sendo essenciais. Em certas etapas de um processo regulamentado, a instituição precisa de regras de negócio, condições, exceções e vias de escalonamento claramente definidas. O modelo em que acreditamos combina a adaptabilidade da IA com a automação determinística e o julgamento humano, conforme apropriado. A IA pode ajudar a interpretar e sinalizar o que talvez exija uma ação; regras determinísticas podem reger a execução de decisões definidas; e exceções ou decisões que exijam julgamento podem ser encaminhadas à pessoa adequada.

A implementação de regulamentações muitas vezes envolve equipes jurídicas, de conformidade, de riscos, de operações, de dados e de tecnologia. Como a IA e a orquestração de processos podem ajudar esses grupos a trabalhar com base em uma interpretação comum de uma regulamentação, em vez de criar fluxos de trabalho separados e regras de negócio potencialmente conflitantes?

Uma das principais implicações de um modelo de conformidade mais baseado em riscos é que a responsabilidade se estende a mais áreas da organização. A prestação de contas ainda pode caber, em última instância, à área de conformidade, mas as equipes de operações, jurídica e de risco de contraparte também têm um papel importante. Isso significa que as instituições precisam evitar tratar a implementação como algo que a função de conformidade possa executar isoladamente.

É por isso que uma plataforma integrada é fundamental. Em uma grande organização, os diferentes sistemas de registro e as regras de negócio precisam ser integrados nesse novo modelo, mas isso também exige levar em conta as complexidades de segurança. Uma abordagem unificada pode reduzir o risco de diferentes áreas da organização implementarem a mesma mudança usando pilhas tecnológicas completamente separadas.

A IA generativa pode interpretar documentos regulatórios complexos, mas os bancos não podem se dar ao luxo de lidar com alucinações ou interpretações inconsistentes quando estão em jogo decisões de conformidade. Que salvaguardas devem ser implementadas nos sistemas de IA usados para lidar com mudanças regulatórias, e em que pontos especialistas humanos devem continuar participando das decisões?

Primeiro, não implemente agentes de IA isoladamente, pois eles podem levar à proliferação descontrolada de agentes sem a governança adequada.

Segundo, o que uma organização pode automatizar não é limitado apenas por suas capacidades técnicas, mas também pela regulamentação, pela privacidade e pelos dados que podem ser compartilhados legalmente.

O princípio fundamental de projeto a seguir é que a IA deve acelerar o trabalho de interpretação, sem ser responsável pela decisão. A responsabilidade pela conformidade continua cabendo a pessoas identificadas, como esperam os órgãos reguladores. As salvaguardas se dividem em dois grupos: controles sobre o que a IA produz e a definição deliberada dos pontos em que as decisões cabem a pessoas. Cada resultado produzido pela IA precisa estar fundamentado em uma fonte oficial, com mecanismos de proteção definidos para as entradas e saídas no sistema de IA.

Por fim, para cada resultado, deve ser mantido um registro de auditoria das cláusulas de origem, das versões do modelo e dos prompts, do nível de confiança, do revisor, da decisão e da justificativa.

A capacidade de auditoria é especialmente importante nos serviços financeiros. Se a IA ajudar a interpretar uma regulamentação, gerar regras de negócio, identificar clientes afetados e iniciar fluxos de trabalho, como as instituições podem preservar um registro claro de evidências que mostre aos órgãos reguladores exatamente como e por que cada decisão foi tomada?

Em setores altamente regulamentados, a rastreabilidade precisa ir além de documentar a decisão final. É muito mais valioso poder reconstruir o caminho que levou a essa decisão, mostrando quais informações foram usadas, quais regras foram aplicadas, quais decisões foram tomadas, que alterações ocorreram ao longo do processo, onde houve intervenção humana e o que foi aprovado pelas pessoas envolvidas.

À medida que vários agentes, regras de negócio e fluxos de trabalho interagem, a rastreabilidade se torna ainda mais importante. A capacidade de auditoria deve estar incorporada à camada de orquestração. Os registros de decisões podem acompanhar as decisões, as alterações nas regras e suas justificativas, enquanto a rastreabilidade dos agentes de ponta a ponta oferece visibilidade sobre uma cadeia de ações autônomas.

Se um órgão regulador perguntar por que determinado cliente, contrato ou transação foi tratado de uma certa maneira, a instituição financeira deve conseguir rastrear o resultado desde os dados e as regras até as decisões orientadas por IA, as aprovações e as ações que o produziram. É isso que transforma a explicabilidade de uma questão no nível do modelo em uma capacidade operacional.

Os grandes bancos operam há décadas com uma infraestrutura legada, e dados essenciais de clientes e transações estão distribuídos por diversos sistemas. Como podem criar uma camada reutilizável de conformidade orientada por IA sem tentar substituir, a um custo elevado, toda a infraestrutura tecnológica subjacente? 

Qualquer nova capacidade empresarial precisa funcionar na infraestrutura existente. Não é razoável esperar outra coisa. A consolidação também é importante, pois ouvimos cada vez mais clientes dizerem que têm várias plataformas de RPA ou um sistema BPM legado, além de várias tecnologias de geração de relatórios independentes em toda a empresa. Nossos clientes têm se mostrado cada vez mais explícitos quanto à prioridade de se concentrarem nas ferramentas e nos sistemas que geram retorno sobre o investimento, em vez de buscarem uma substituição. Portanto, uma camada reutilizável de conformidade precisa funcionar no ambiente existente, em vez de presumir que tudo o que está por baixo será substituído.

Você trabalhou com instituições financeiras ao longo de várias gerações de tecnologia, desde os sistemas bancários centrais tradicionais até a automação robótica de processos, o aprendizado de máquina e, agora, a IA agêntica. O que há de fundamentalmente diferente na atual transição para a IA e onde, na sua opinião, as instituições financeiras correm o risco de repetir erros de ciclos anteriores de automação?

As gerações anteriores de automação se destinavam a tarefas que já estavam bem definidas. Os sistemas bancários centrais codificavam registros e transações. A RPA automatizava sequências de teclas em diferentes telas. O aprendizado de máquina fazia previsões específicas, como pontuações de fraude e risco de crédito, com base em dados estruturados e com precisão mensurável. Em todos os casos, uma pessoa ou uma regra fixa determinava o que aconteceria em seguida, e a tecnologia seguia um percurso conhecido.

A IA agêntica muda esse cenário de algumas maneiras:

• Ela lida melhor com tarefas não estruturadas que exigem julgamento. Os bancos não estão mais apenas automatizando tarefas: estão delegando resultados, e o sistema escolhe o próprio caminho.
• Ela falha sem dar sinais claros. Quando um banco alterava o layout de uma tela, um robô de RPA parava de funcionar de forma evidente, e alguém o consertava. Já um modelo de linguagem que erra produz uma resposta fluente, plausível e confiante. Isso é um problema.
• Seu comportamento é probabilístico e, por isso, fundamentá-lo no contexto empresarial para evitar alucinações é absolutamente essencial.
• Por fim, desenvolver soluções com IA ficou barato, e agora os usuários de negócios podem criar agentes funcionais em uma tarde. Antes, a capacidade da equipe de TI era o gargalo da automação; agora, o gargalo é a capacidade de governança.

As instituições financeiras também devem tomar cuidado para não esquecer as lições da era da automação tradicional. Alguns exemplos são:

• Automatizar processos falhos. O maior legado da RPA foram milhares de robôs sobrepostos a processos que ninguém havia reformulado. Isso gerou uma dívida técnica frágil, cuja manutenção ainda custa caro aos bancos. Colocar agentes sobre os mesmos fluxos de trabalho fragmentados repete o erro em um nível mais sofisticado. Os bancos devem primeiro reformular o trabalho e, depois, decidir o que delegar.
• Perseguir métricas de vaidade: as provas de conceito ficam paralisadas quando não há um plano financiado para colocá-las em produção. Contar os agentes implantados repete o hábito da RPA de contar robôs, em vez de medir resultados concretos para os negócios.
• Investir pouco nas bases de dados. O aprendizado de máquina ensinou que a qualidade dos modelos é limitada pela qualidade dos dados. Agentes que consultam políticas desatualizadas, documentos duplicados ou fontes conflitantes raciocinam com confiança a partir de premissas incorretas.

Olhando para o futuro, você acredita que a conformidade regulatória evoluirá para um modelo contínuo ou até parcialmente autônomo, no qual sistemas de IA detectam mudanças regulatórias, avaliam seu impacto, atualizam fluxos de trabalho e encaminham apenas as exceções que exigem julgamento humano? O que precisaria acontecer para que bancos e órgãos reguladores se sentissem confortáveis com esse nível de autonomia?

Sim, mas a autonomia chegará por etapas. A detecção, a triagem, o mapeamento de impactos e as atualizações dos fluxos de trabalho relativas a mudanças bem definidas se tornarão, em grande medida, contínuos e automatizados. O julgamento sobre regras ambíguas, a aceitação de riscos e as posições regulatórias continuará nas mãos das pessoas. Um cenário final realista é o da «autonomia supervisionada», em que as máquinas executam o ciclo por padrão e as pessoas intervêm para governar as exceções.

Para que isso aconteça, os órgãos reguladores também precisam publicar regras em formatos estruturados e versionados, dando continuidade a iniciativas como o trabalho da FCA e do Bank of England sobre relatórios regulatórios digitais.

Também será necessário incorporar a reversibilidade e mecanismos de desligamento de emergência aos sistemas de execução, para que as alterações autônomas nos fluxos de trabalho sejam fáceis de reverter quando forem detectadas anomalias, taxas de erro ou mudanças nos modelos. A confiança aumentará mais rapidamente quando os supervisores também usarem ferramentas semelhantes. Isso cria uma linguagem comum para os testes e, com o tempo, pode levar à supervisão direta entre máquinas.

Obrigado pela excelente entrevista. Os leitores que quiserem saber mais podem visitar EvoluteIQ.