Por que a complexidade do KYB não para de crescer e como as equipes podem finalmente sair na frente

As equipes precisam definir quais dados estão atualizados e como as diferentes evidências se relacionam entre si. O quadro completo está claro o bastante para o caso avançar? Nada disso é novo para equipes de onboarding experientes, mas a escala mudou. À medida que o volume e a variedade de evidências crescem, cresce também a quantidade de interpretação necessária.

Isso cria um problema de segunda ordem para stacks de KYB maduras. Adicionar mais dados não torna o processo automaticamente mais eficiente. Uma fonte extra não agrega valor se você não consegue integrá-la facilmente ao restante do caso.

É aqui que começam a surgir alguns dos casos de uso mais críveis de IA agêntica. O que vemos na Taktile é que a IA gera mais impacto nas áreas em que a informação de base já existe, mas os analistas precisam conectar as evidências e transformá-las em um próximo passo claro.

Principais conclusões

• A complexidade do KYB está crescendo porque as equipes precisam conciliar mais dados, evidências e fontes em cada caso.
• Mais dados de KYB não significam automaticamente mais eficiência se os analistas ainda precisam conectá-los e interpretá-los manualmente.
• A IA agêntica é mais útil quando as evidências já existem mas as equipes precisam de ajuda para investigar, sintetizar e decidir o que acontece em seguida.
• Os primeiros casos de uso incluem revisões de mídia negativa, resolução de estrutura societária, verificações de licenciamento e completude da solicitação.
• O melhor ponto de partida é um problema de KYB bem delimitado, com requisitos de evidência, resultados e regras de escalonamento claros.
• Fluxos de KYB agênticos bem-sucedidos ainda exigem supervisão humana, monitoramento e ajustes contínuos.

O custo da complexidade é fácil de esconder

À medida que as stacks de KYB ficam mais ricas, o custo de coordenar cada fonte adicional raramente aparece como um único gargalo. Ele se acumula ao longo do processo. Pequenas discrepâncias podem disparar revisões caras e demoradas, sem nenhum benefício relevante.

Para clientes empresariais complexos, esses custos podem se tornar significativos. Complexidade e risco não crescem necessariamente juntos, mas o esforço operacional muitas vezes cresce. Uma empresa com estrutura societária, presença geográfica ou histórico documental mais complicados pode, portanto, ficar cara de onboardar bem antes de se tornar difícil de aceitar do ponto de vista de risco.

Essa distinção importa porque muda de onde provavelmente virão os próximos ganhos de eficiência. Quando as verificações essenciais já estão automatizadas, uma fatia crescente da oportunidade está em um único ponto: tornar mais barato transformar as evidências existentes em um caso resolvido.

Onde os agentes já são úteis

Alguns dos primeiros casos de uso mais claros para agentes em KYB compartilham uma estrutura comum. A maior parte das evidências necessárias para resolver a tarefa já está disponível, e o resultado desejado pode ser definido.

A investigação de mídia negativa é um bom exemplo. O KYBench da Taktile Labs testou agentes de IA nessa tarefa em 47 empresas e 183 execuções de agentes. Em uma rubrica independente de 20 pontos, que avalia completude das evidências, precisão das entidades, qualidade das fontes e calibragem de risco, os analistas humanos tiveram média de 13,50 e os agentes de IA, de 14,60.

A experiência de Yuliya Kazakevich no Cash App traz um segundo exemplo de KYB. Sua equipe usou LLMs para sinalizar produtos que poderiam exigir verificações adicionais de licenciamento e, depois, usou um agente para executar verificações da entidade empresarial, buscar os dados de licenciamento relevantes e gerar uma narrativa pré-preenchida para as operações. Segundo Yuliya, a abordagem combinada reduziu o tempo dos casos de KYB em cerca de 70%.

Os fluxos são diferentes, mas a oportunidade de fundo é parecida. Nos dois casos, a informação em grande parte já existe; o peso operacional vem de transformá-la em uma resposta utilizável e revisável.

O mesmo princípio pode se estender a outras partes do onboarding. Um agente de resolução de estrutura societária pode revisar informações de registro e documentos do cliente para montar o quadro de propriedade e apontar inconsistências. Um agente de completude da solicitação pode avaliar as evidências recebidas antes de o caso chegar à fila de um analista, identificando lacunas cedo o bastante para resolvê-las na origem.

Para as equipes que decidem onde implantar agentes primeiro, isso sugere um teste relativamente específico:

• As evidências estão em grande parte disponíveis?
• O resultado necessário pode ser definido com clareza?
• Uma boa parte do esforço atual está na investigação e na síntese?

O modelo operacional importa tanto quanto a tarefa

Identificar a tarefa certa é só parte da oportunidade. Há também indícios de que o desempenho do agente é muito sensível à forma como a própria investigação é desenhada.

O KYBench mostrou que o desempenho pode variar conforme a configuração da investigação, incluindo a estratégia de busca e o desenho do prompt. Isso faz do desenho do fluxo, dos requisitos de evidência e das regras de escalonamento uma parte central do desempenho do agente na prática.

A experiência de Flora Zhang na operação do onboarding orientado por IA na Brex reforça esse ponto a partir da produção. Sua equipe mapeou a sequência de verificações de onboarding, determinou onde humanos ou agentes deveriam atuar e construiu a arquitetura ao redor dessas escolhas. Com o amadurecimento do sistema, o trabalho passou a ser monitorar, ajustar e manter o desempenho, em vez de tratar a implantação como um projeto concluído.

Nas palavras de Flora:

“Igualmente importante é toda a manutenção: manter o programa evoluindo por conta própria… e entregando constantemente o resultado ideal em produção.”

Para as equipes de KYB, isso muda o que é um bom primeiro caso de uso. A pergunta relevante não é apenas se um agente consegue chegar ao resultado certo. As equipes bem-sucedidas vão avaliar se ele usa as evidências adequadas, se se comporta de forma consistente em casos semelhantes, se escala a incerteza e se continua observável o bastante para entender por que um caso avançou ou parou.

Esses controles fazem parte da própria capacidade.

Um caminho crível começa com um problema bem delimitado

Para os bancos que exploram o onboarding agêntico, um bom ponto de partida é, portanto, um problema cujos contornos já sejam bem compreendidos e cujo resultado possa ser avaliado com precisão.

Pode ser uma investigação recorrente de mídia negativa, uma discrepância de beneficiário final ou outra categoria de revisão em que a equipe já entende os requisitos de evidência e o que constitui uma resolução satisfatória.

Um problema restrito cria um ambiente de teste melhor porque os limites podem ser explicitados: quais evidências o agente pode usar, em que condições um caso pode avançar, o que deve disparar uma investigação adicional e em que ponto a incerteza deve devolver o caso a um revisor.

Executar o agente em paralelo ao processo existente permite, então, comparar mais do que os resultados finais. A seleção de evidências, a consistência, o comportamento de escalonamento e a qualidade do próximo passo podem ser avaliados diretamente.

Um primeiro caso de uso bem-sucedido, portanto, entrega mais do que um fluxo automatizado. Ele dá à equipe evidências empíricas sobre onde a investigação agêntica é confiável no seu próprio ambiente operacional, quais controles são necessários ao redor dela e qual caso de uso adjacente faz sentido atacar em seguida.

Com o tempo, essas capacidades podem começar a se conectar. O resultado de uma investigação de estrutura societária pode alimentar uma decisão de triagem posterior; um agente de completude da solicitação pode eliminar lacunas evitáveis antes da revisão seguinte; um agente de pesquisa pode resolver uma questão antes mesmo de o caso entrar na fila de um analista.

Um fluxo de KYB mais agêntico pode surgir dessa progressão, com cada capacidade conquistando seu lugar primeiro por meio de um caso de uso delimitado e mensurável.

Para as equipes que querem se antecipar à crescente complexidade do KYB, a pergunta mais duradoura é onde a abundância de evidências ainda gera um custo desproporcional de resolução e se um agente consegue reduzir esse peso de forma confiável.