A Capital One constrói sua própria plataforma multiagente sobre modelos open-weight — a validação continua entre agentes, nunca um humano que clica
Em um artigo publicado em 13 de agosto de 2026 pela VentureBeat — conteúdo patrocinado financiado pela própria Capital One — Kel Vanee, responsável pela engenharia de machine learning do banco, explica por que a Capital One optou por personalizar modelos open-weight em vez de comprar uma plataforma de orquestração genérica, e por construir seu próprio arcabouço multiagente, o MACAW, para as ligações de fraude bancária. Cada ligação passa por uma cadeia de quatro agentes especializados — compreensão, raciocínio, validação, explicação — mas o artigo nunca menciona um clique humano antes que uma decisão chegue a um cliente: apenas uma IA que verifica o trabalho de outra IA.
Em 13 de agosto de 2026, a VentureBeat publica uma entrevista realizada durante sua conferência VB Transform 2026 com Kel Vanee, que dirige a engenharia de machine learning na Capital One, entrevistada por Sam Witteveen. O ângulo da entrevista é direto: «Na Capital One, não nos limitamos a usar IA, nós a construímos», resume Vanee. Na prática, o banco fez três escolhas arquiteturais deliberadas em vez de comprar uma solução pronta: uma plataforma de IA centralizada em escala corporativa com governança integrada desde a concepção, modelos open-weight (incluindo o Llama, da Meta) ajustados com seus próprios dados em vez de um modelo de fronteira genérico, e seu próprio arcabouço de orquestração multiagente, batizado de MACAW. «Consideramos nossos dados uma vantagem enorme, que mais ninguém tem, que os modelos de fronteira genéricos não conseguem oferecer. Então pegamos esses dados e personalizamos profundamente esses modelos», explica Vanee — que também observa um efeito colateral inesperado: treinar um modelo open-weight com o vocabulário e as políticas internas de um caso de uso específico melhora seu desempenho em todo o portfólio de casos de uso do banco, não apenas naquele visado. O MACAW ilustra a arquitetura no terreno mais sensível: as ligações relacionadas a fraude bancária, milhões por ano, com duração de quatro a sessenta minutos. Um único modelo de linguagem grande se mostrou insuficiente; o banco então dividiu o trabalho em quatro agentes especializados que se revezam em cada ligação — um agente de compreensão que interpreta a intenção do cliente, um agente de raciocínio que constrói um resumo estruturado, um agente de validação que verifica factualmente esse resumo, e um agente de explicação que o formata antes de transmiti-lo. Esse documento chega então às mãos de várias centenas de consultores especializados em ligações de fraude complexas, que não precisam mais reconstruir o histórico da ligação manualmente.
A arquitetura não se limita à central de atendimento. O Chat Concierge, o assistente conversacional de compra de automóveis da Capital One voltado diretamente para os clientes, se apoia na mesma versão personalizada do Llama e na mesma divisão de trabalho: um agente que dialoga com o cliente, um agente que constrói um plano de ação a partir das regras de negócio, um agente que avalia a exatidão do resultado, um agente que o explica e o valida. A Capital One também aplica essa lógica internamente — um sistema agêntico autônomo que testa combinações de otimizações de infraestrutura de backend, executa os experimentos no lugar dos pesquisadores e entrega a eles uma síntese dos resultados, porque duas otimizações individualmente boas podem se contradizer quando combinadas. Vanee antecipa duas evoluções: um roteamento entre vários modelos para equilibrar custo e precisão em vez de apostar em um único, e uma transição para uma IA «proativa e orientada a eventos» que age assim que detecta uma condição, sem esperar que um humano a solicite — uma evolução que ela mesma apresenta como exigindo «testes e monitoramento rigorosos», não como algo natural. O que a entrevista não esclarece em nenhum momento é como o humano intervém concretamente antes que uma decisão desses agentes chegue a um cliente: o agente de validação do MACAW verifica a exatidão de um resumo, mas é uma IA controlando outra IA, não um consultor aprovando uma ação antes que ela seja executada. Para o Chat Concierge, a formulação é idêntica — um agente «avalia» e «valida» o resultado — sem que se saiba se um humano ainda está em algum ponto desse ciclo antes que o assistente aja perante o cliente. Um detalhe que também importa: este artigo é um conteúdo patrocinado, financiado pela própria Capital One, publicado por ocasião de sua própria conferência — citações reais, um evento real, mas uma história que a empresa conta sobre si mesma, não uma reportagem independente.
A favor da AppH
- Um banco desse porte, com suas próprias equipes de engenharia e milhões de ligações reais para gerenciar, confirma a partir de um mercado totalmente diferente (banco americano, escala massiva) a mesma tese que a AppH defende desde o primeiro dia: o valor vem de uma plataforma construída e governada para um caso de uso preciso, não de um modelo genérico comprado de prateleira e apenas maquiado de forma diferente.
- A cadeia de agentes especializados do MACAW — compreensão, raciocínio, validação, explicação — reflete o mesmo instinto que a AppH aplica na escala de uma PME: nunca um único agente que faz tudo sem controle, mas uma etapa de verificação antes que o resultado chegue a quem precisa agir. A diferença está em quem verifica: na Capital One, uma IA verifica outra IA; na AppH, é sempre um humano que clica, registrado em uma trilha de auditoria somente-acréscimo.
Contra / o limite honesto
- A Capital One construiu o MACAW com equipes internas de engenharia de machine learning e uma plataforma corporativa dedicada — uma PME não pode reproduzir esse arcabouço caseiro, e não é isso que a AppH propõe a ela também. A comparação se refere a um princípio de arquitetura (governança integrada, especialização dos agentes), nunca a um produto equivalente: a AppH não constrói um arcabouço MACAW para seus clientes, ela entrega um agente único já governado, sem que eles precisem de uma equipe de engenharia para obtê-lo.
- O artigo citado aqui é um conteúdo patrocinado financiado pela própria Capital One, não uma reportagem independente da VentureBeat — as citações e o evento são reais, mas o banco conta sua própria história em seus próprios termos. E, no ponto que mais nos interessa, o artigo permanece em silêncio: nada indica se um humano aprova uma decisão do Chat Concierge antes que ela chegue a um cliente, apenas que uma IA valida outra. Ausência de detalhe não é ausência de salvaguarda — mas também não é prova de que existe uma.
Há algo reconfortante, ao ler essa entrevista, em ver um banco desse porte chegar à mesma conclusão que a AppH defende desde o início para PMEs francesas: um modelo genérico comprado de prateleira não basta, é preciso uma plataforma construída para o próprio negócio, com governança própria, não emprestada de outra pessoa. Não é coincidência que a Capital One tenha optado por personalizar modelos open-weight com seus próprios dados em vez de alugar a inteligência de outra empresa — é a mesma lógica que levou a AppH a construir uma vertical por negócio em vez de um chatbot genérico. Mas também é preciso nomear o que essa entrevista não diz, e é preciso nomear isso com precisão justamente porque é um conteúdo que a própria Capital One financiou para contar seu próprio sucesso: a «validação» de que fala Vanee é uma IA controlando outra IA, nunca explicitamente um humano que clica antes que uma decisão chegue a um cliente. Pode ser exatamente isso que acontece nos bastidores — o artigo não contradiz, simplesmente nunca confirma. Na AppH, essa pergunta não precisa ser adivinhada nos bastidores de um artigo patrocinado: nenhuma ação com consequência real — um orçamento, uma cobrança, uma consolidação contábil — parte sem que um humano tenha clicado para aprová-la, registrado, verificável. Construir seu próprio arcabouço de agentes governados é um verdadeiro avanço de engenharia, na escala de um banco como na de uma PME; mas governar por construção e fazer aprovar por um humano continuam sendo duas coisas diferentes, e só a segunda responde de fato à pergunta de quem disse sim antes que a ação partisse.
Verificado por um humano da AppH