Enterprise agentic workflows and multi-agent systems for investment strategy: A JPMorgan argumenta que agentes de pesquisa de investimentos implantáveis exigem autonomia governada, não automação irrestrita

Visão geral

A Global Quantitative Strategy da JPMorgan resume um workshop de setembro de 2026 realizado com o Google sobre a construção de fluxos de trabalho agentic empresariais para pesquisa de investimentos. O relatório argumenta que o objetivo prático é autonomia governada e revisável: os agentes devem automatizar tarefas repetíveis e intensivas em dados enquanto operam dentro de ferramentas, fontes de dados, critérios de aceitação e caminhos de escalonamento aprovados.

Visões principais

O relatório distingue Agentic AI da automação tradicional, do aprendizado de máquina e da IA generativa. A automação fixa segue caminhos de código predefinidos, o aprendizado de máquina identifica padrões, e a IA generativa amplia a interação em linguagem natural com informações não estruturadas. Agentic AI, por sua vez, controla o próprio fluxo de trabalho: pode decompor um objetivo, selecionar ferramentas, executar ações, revisar o trabalho intermediário e iterar. A JPMorgan ressalta que isso não significa comportamento sem supervisão. Em fluxos de trabalho de investimento, a autonomia deve ser limitada por permissões, pontos de revisão e caminhos de escalonamento para que o processo permaneça explicável e defensável. A justificativa econômica é seletiva, e não universal. O relatório afirma que a IA tende a ter vantagem em trabalhos escaláveis e repetíveis, como classificação de documentos, redação e elementos de programação, enquanto os humanos mantêm vantagem estrutural em julgamento de alto risco, trabalho estratégico e criativo. A racionalidade da implantação depende dos custos de tokens em relação ao tempo humano, do tempo de conclusão, retrabalho, taxas de erro, consistência e supervisão. A pesquisa financeira é apresentada como um caso de uso adequado por ser composta de várias etapas e intensiva em ferramentas, mas sua ligação direta com decisões de investimento torna essenciais a confiabilidade e a rastreabilidade. O primeiro agente especializado do workshop usou uma ferramenta de dados de mercado em tempo real para recuperar dados atuais de preços de ações e executar cálculos no momento da consulta. Isso reduz a diferença entre o conhecimento do modelo na data de treinamento e um mercado em evolução, substituindo o processo manual de obter dados separadamente e colá-los em prompts. O relatório enfatiza que velocidade não é o único benefício: restrições a fontes de dados permitidas e comportamento definido para dados ausentes, desatualizados ou inconsistentes são necessários para evitar resultados plausíveis, mas sem suporte. O protótipo usou uma função de preços que retornava 100 por padrão quando não encontrava um ticker, enquanto o relatório destaca separadamente que guardrails para dados indisponíveis reduzem o risco de alucinação. O segundo especialista foi um analista RAG para documentos privados. Os documentos são divididos em blocos, convertidos em embeddings semânticos e armazenados em um banco de dados vetorial; a consulta do usuário é incorporada da mesma maneira, e a busca por similaridade recupera as passagens relevantes para o contexto do modelo. O relatório diz que isso pode fundamentar respostas em políticas internas aprovadas, perspectivas de mercado ou documentos corporativos, ajudando o agente a manter consistência com as visões internas e restrições relevantes. Também enfatiza que o RAG só se torna confiável com testes deliberados: as equipes devem inspecionar as passagens recuperadas por trás de respostas representativas. Se a recuperação retornar os trechos corretos, mas a resposta continuar ruim, instruções e restrições de resposta devem ser reforçadas; se a recuperação não encontrar o material adequado, a fragmentação, os embeddings ou as configurações de busca devem ser ajustados. O agente RAG ilustrado usa um timeout de 30 segundos para evitar a busca interminável por informações que não constam no banco de dados. A orquestração liderada por um gestor é a etapa seguinte. Um gestor de roteamento interpreta o objetivo do usuário, planeja subtarefas, delega-as a agentes especialistas e consolida seus resultados. A JPMorgan argumenta que escopos mais estreitos reduzem a confusão e podem melhorar a qualidade dos resultados, enquanto direcionar subtarefas rotineiras a modelos mais rápidos e baratos e reservar modelos de maior capacidade para raciocínio complexo pode controlar custos. Seu valor aumenta quando o sistema cresce de algumas ferramentas para dezenas ou centenas de especialistas, pois as pessoas não conseguem acompanhar de forma confiável o escopo e o acesso a ferramentas de cada agente. Assim, a seleção de modelos, regras de roteamento, precisão, latência e custo devem ser testados e ajustados para cada fluxo de trabalho, em vez de padronizados em uma única configuração. A demonstração final reúne esses componentes em uma equipe de pesquisa autônoma governada por papéis explícitos e condições de parada. Um refinador de objetivos transforma uma solicitação ampla em um briefing de pesquisa preciso. Um ciclo de pesquisa combina um analista RAG, um responsável por compliance e um verificador de encerramento; este decide se o trabalho atende ao critério de aceitação ou exige outra iteração. O ciclo ilustrado tem no máximo 4 iterações. Em seguida, um agente redator produz um memorando executivo usando apenas o resultado do ciclo de pesquisa e recebe a instrução de não preencher lacunas com conhecimento externo próprio. Essa hierarquia busca controlar qualidade e consumo de tokens, mantendo visíveis a responsabilidade e o fluxo de evidências. O relatório conclui que um "harness" de produção diferencia um protótipo inteligente de um sistema implantável. Um harness expõe planos, etapas intermediárias, chamadas de ferramentas, atividade de subagentes e uso de recursos, permitindo que usuários diagnostiquem problemas e intervenham. A JPMorgan identifica três alavancas práticas de ajuste: parâmetros de inferência, como temperatura, para reduzir a variabilidade; instruções mais completas e exemplos few-shot para padronizar resultados; e testes para decidir quando funções devem permanecer como ferramentas ou se tornar subagentes delegados. A governança é caracterizada como uma exigência de engenharia, não como algo posterior: os sistemas precisam de permissões explícitas, pontos de revisão e escalonamento, limites de iteração e tempo de execução, e trilhas de evidência inspecionáveis à medida que escalam.

Estrutura de análise

O relatório progride da definição e da economia de Agentic AI para um especialista em dados em tempo real, um especialista RAG, o roteamento liderado por gestor e uma arquitetura completa de equipe de pesquisa. Ele usa protótipos do workshop para explicar como acesso aprovado a dados, fundamentação por recuperação, testes, separação de papéis, revisão de compliance e limites de ciclo podem tornar fluxos de pesquisa automatizados revisáveis e controláveis.

Notas metodológicas

• OutroOutro

  Geração aumentada por recuperação (RAG)

  O fluxo de trabalho recupera passagens relevantes de um conjunto de documentos aprovado e vetorizado e as fornece como contexto, buscando fundamentar as respostas em evidências das fontes, e não em conhecimento do modelo sem suporte.

• OutroOutro

  Orquestração multiagente liderada por gestor

  Um agente gestor decompõe uma solicitação, encaminha subtarefas a especialistas, combina os resultados e aplica controles explícitos de qualidade, custo e encerramento.

Dados principais

• Timeout de conexão do agente RAG30 secondsProjetado para impedir que um agente procure indefinidamente por informações que não estão em seu banco de dados.
• Máximo de iterações do ciclo de pesquisa autônomo4O ciclo termina quando o critério de aceitação é atendido ou o limite de iterações é atingido.
• Etapas da equipe de pesquisa autônoma3Refinador de objetivos, ciclo iterativo de pesquisa e redator.

Impacto e implicações

O relatório apresenta sistemas de agentes governados como uma forma de automatizar etapas repetíveis de pesquisa, preservando a rastreabilidade das evidências e a supervisão humana. Ele sugere que as organizações devem adaptar ferramentas, modelos, prompts, roteamento e controles a fluxos de trabalho específicos, em vez de implantar um agente autônomo genérico.

Riscos

• Alucinações podem se propagar por um fluxo de trabalho automatizado de ponta a ponta quando um erro inicial não é detectado.
• Os resultados podem parecer confiantes mesmo quando os dados subjacentes não foram recuperados, estão ausentes, desatualizados ou inconsistentes.
• Ciclos sem limites, chamadas excessivas de ferramentas e permissões de agentes mal definidas podem criar problemas incontroláveis de custo, segurança e confiabilidade.
• Os resultados de RAG podem não ser confiáveis se a qualidade da recuperação, a fragmentação, os embeddings, as configurações de busca e a fundamentação em fontes não forem testados.

Pontos a observar

• Se as empresas selecionam casos de uso de fluxos de trabalho nos quais ganhos mensuráveis justificam custos de tempo e dinheiro.
• Resultados de testes de seleção de modelos, configurações de inferência, instruções, configurações de ferramentas, precisão, latência e custo.
• Se os sistemas de produção expõem chamadas de ferramentas, resultados intermediários, fontes de evidência e uso de recursos para revisão.
• Se os fluxos de trabalho de agentes têm permissões explícitas, critérios de aceitação, caminhos de escalonamento e limites de iteração.