Na esteira dos sites de comparação e agregadores, as interfaces conversacionais baseadas em Grandes Modelos de Linguagem (LLMs) estão se tornando um principal ponto de entrada para decisões financeiras. O risco para os bancos é específico: continuar a projetar e oferecer produtos, mas perder o controle sobre a interface, a recomendação e, em última instância, a assinatura. Trata-se do cenário da “cozinha oculta” aplicado ao setor financeiro, produzindo sem ser visto. Esse movimento está longe de ser especulativo. Já em 2024, 23% de consumidores utilizavam IA generativa para tarefas financeiras pelo menos uma vez por mês,(1) e os agentes poderiam se tornar o canal preferido para interações bancárias nos próximos três a cinco anos. A questão, portanto, não é mais se essas interfaces se posicionarão entre os bancos e seus clientes, mas como as instituições financeiras pretendem permanecer visíveis dentro delas.
Historicamente, os bancos controlavam toda a jornada do cliente por meio de seus próprios canais: agências, sites e aplicativos. A digitalização deu início a um processo inicial de desintermediação, facilitando a comparação e reduzindo os custos de mudança, sem, no entanto, ameaçar a centralidade dos ecossistemas das marcas.
As interfaces conversacionais estão transformando a própria natureza dessa dinâmica. Os clientes não buscam mais um produto específico; em vez disso, expressam um resultado desejado (otimizar economias, financiar um projeto) e delegam a pesquisa, a seleção e a execução a um agente. Esses agentes agora sabem como planejar, memorizar, orquestrar e executar jornadas financeiras com várias etapas de forma autônoma. Acima de tudo, a infraestrutura de pagamentos baseada em agentes já está sendo implementada: A OpenAI e a Stripe lançaram o Agentic Commerce Protocol no final de 2025 para permitir compras diretamente no ChatGPT;(2) a Visa, a Amazon e o Google lançaram, desde então, seus próprios canais de transações iniciadas por agentes. A assinatura diretamente na interface já é um recurso ativo em produção em determinados países.
Essas interfaces não se limitam mais ao histórico de transações. Elas captam intenções, projetos e escolhas, funcionando como um “CRM emocional” que os bancos nunca tiveram. À medida que esses fluxos se intensificam, eles vêm se estabelecendo como o principal ponto de agregação do relacionamento, servindo simultaneamente como o ponto de compreensão da necessidade e de orientação do usuário em direção à oferta.
O risco das “cozinhas ocultas” aplicado ao setor bancário
O risco, portanto, está se deslocando para um modelo de “cozinha oculta”: uma dissociação cada vez maior entre produção e distribuição. Os bancos continuam a desenvolver produtos e a arcar com os riscos e as exigências de conformidade associados, mas perdem o ponto de contato. Daí decorrem quatro consequências:
Perda de visibilidade. Os clientes já não interagem com seu banco e podem, com o tempo, ignorar o papel dele na cadeia de valor. A marca passa a ser um fornecedor em segundo plano.
Commoditização. Expostas a comparações constantes e reformuladas pela interface, as ofertas tornam-se intercambiáveis. O filtro é implacável: os modelos de recomendação geralmente mencionam apenas de uma a três marcas por consulta.(3) A sobrevivência ou o desaparecimento dependem de um espaço minúsculo.
Relações enfraquecidas. Mais fragmentada e transacional, a relação perde sua profundidade. A fidelização do cliente e as vendas cruzadas tornam-se mais complicadas, enquanto a volatilidade aumenta: em um ambiente orientado por agentes, o custo de mudança tende a zero.
Pressão sobre as margens. A transparência de preços e o poder de recomendação da interface intensificam a concorrência. E esse viés não favorece os participantes já estabelecidos: atualmente, os LLMs tendem a recomendar neobancos e credores nativos digitais, em vez de instituições tradicionais. Para um participante tradicional, o risco não é apenas ser desintermediado, mas ser sistematicamente marginalizado pela máquina.
Esse cenário não está, de forma alguma, muito distante. À medida que a adoção se generaliza e os agentes ganham autonomia, torna-se urgente dar início às transformações que manterão os bancos na cadeia de valor dos agentes já hoje.
Assumindo o controle: existir, ser funcional, ser escolhido
Diante dessa evolução, três posturas são possíveis: esperar para ver; aceitar a nova camada de interface e recuar para um papel de fornecedor de produtos; ou lutar para manter o relacionamento com o cliente por meio de plataformas próprias. As duas primeiras levam diretamente à “cozinha oculta”. Apenas a terceira preserva uma posição na cadeia de valor, e isso requer uma transformação de arquiteturas, jornadas e modelos relacionais, estruturada em torno de três batalhas:
Existir. À medida que as interfaces conversacionais se tornam pontos de entrada, o que está em jogo não são mais os canais proprietários, mas a visibilidade da oferta nesses ambientes: trata-se da Otimização de Mecanismos Generativos (GEO). Nas respostas dos LLMs, a visibilidade depende fortemente de fontes de terceiros (imprensa, resenhas, análises) em vez dos próprios ativos da marca. Para se manter presente, é necessário expandir a presença informativa muito além do próprio site. O paralelo com o SEO da década de 2000 é direto: as empresas que investiram desde cedo na otimização de busca construíram vantagens estruturais duradouras. Essa mesma janela de oportunidade está se fechando hoje.
Para ser funcional. Em um mundo de recomendações automatizadas, a interface privilegia as ofertas mais simples de entender e executar. A vantagem recai sobre os produtos “prontos para agentes”: interoperáveis, disponibilizados por meio de arquiteturas abertas e projetados para uma assinatura sem atritos. Isso requer serviços claros, confiáveis e “legíveis por máquina”. Além da visibilidade, a capacidade de ser distribuído sem atritos torna-se um fator decisivo.
A ser escolhido. Quando as ofertas se tornam comparáveis e tecnicamente integradas, a diferenciação passa a recair sobre a marca, tal como percebida pela máquina. Os LLMs super-representam as entidades mais citadas, seguindo uma lógica de “viés das grandes marcas”: para uma recomendação de compra, certos modelos revelam-se até 18 vezes mais propensos a sugerir uma marca já dominante.(4) Instaura-se um ciclo de retroalimentação: o modelo sugere, o usuário clica e o domínio é reforçado. Os participantes ausentes dos corpora editoriais e das plataformas de avaliações são automaticamente marginalizados. Construir uma presença ativa nesses ambientes e integrar as jornadas do usuário diretamente a eles torna-se a alavanca decisiva para manter o relacionamento com o cliente.
O comércio agênico não está apenas transformando o relacionamento com o cliente; está alterando seus equilíbrios fundamentais. O centro de gravidade está se deslocando em direção àqueles que controlam o acesso, a seleção e a priorização das ofertas. Os bancos capazes de se reintegrar nessa arquitetura de mercado fortalecerão seu papel. Os demais tornar-se-ão produtores invisíveis, mantidos afastados do ponto de contato e do local onde o valor é criado. A escolha está sendo feita agora. Em três a cinco anos, ela já estará definida.
Notas:
[1] McKinsey, “Como os agentes de IA generativa ameaçam as relações dos bancos de varejo com seus clientes’, 6 de maio de 2026. Adoção data: 23% dos consumidores relataram usar IA generativa para tarefas financeiras pelo menos uma vez por mês (2024).
[2] OpenAI e Stripe, Protocolo de Comércio Agentic e “Instant Checkout”, setembro de 2025. Plataformas concorrentes: Visa Intelligent Commerce (abril de 2026), parceria Visa-OpenAI (junho de 2026), “Buy for Me” da Amazon – AWS Agentic Shopping Assistant, Protocolo de Comércio Universal do Google.
[3] Estimativa de profissionais da área de otimização generativa (Searchable, C. Donnelly, 2026); os modelos de recomendação convencionais geralmente citam apenas uma a três marcas por consulta.
[4] Medição do “viés de entidade” relatada por L.-M. Lorin (abril de 2026): dependendo dos modelos, a propensão a recomendar uma marca já dominante chega a ser de até aproximadamente 18 vezes maior (smartphones). Ordem de magnitude indicativa, a ser cruzada com o estudo original.
