Agente de IA para Análise de Histórico de Crédito

13 de December de 2025 • Tempo de leitura: 5 min

Como criar um agente de IA que analisa o histórico de crédito do cliente, identificando possíveis erros ou inconsistências.

1. Propósito e Escopo

Este documento define todos os prompts, configurações de memória, transição entre estados e demais requisitos funcionais para o Agente de IA "Análise de Histórico de Crédito", uma solução projetada para analisar o histórico de crédito de clientes, identificar inconsistências e sugerir ações corretivas. Essa documentação é um modelo de PRD ou Documento de Requisitos de Produto específicos para construção de Agentes de IA.

O objetivo principal é garantir a precisão dos dados de crédito e propor melhorias que possam beneficiar o cliente, reduzindo erros e inconsistências nos registros de crédito.

2. Contexto e Problema

Cenário Atual

Atualmente, a análise de históricos de crédito é um processo manual e sujeito a erros, onde detalhes importantes podem ser negligenciados. Os clientes frequentemente enfrentam problemas como:

  • Erros nos registros de crédito, que podem impactar negativamente suas pontuações de crédito.
  • Inconsistências nos dados, dificultando a compreensão clara do status financeiro real.
  • Falta de orientação sobre como corrigir problemas identificados em seus históricos de crédito.

Esses desafios requerem uma solução automatizada que possa revisar, identificar e sugerir correções de forma eficiente.


Problemas Identificados

  • Erros e Inconsistências: Registros de crédito frequentemente contêm erros que precisam ser identificados e corrigidos.
  • Falta de Ações Corretivas: Clientes necessitam de orientação sobre como corrigir problemas em seus históricos de crédito.
  • Complexidade do Processo: A análise manual é demorada e propensa a falhas.

3. Impactos Esperados

A implementação deste agente de IA visa alcançar os seguintes resultados:

  • Melhorar a precisão dos dados de crédito ao identificar e corrigir erros.
  • Reduzir o tempo necessário para análise de crédito por meio de automação.
  • Fornecer orientações personalizadas para ajudar os clientes a melhorar seus históricos de crédito.

4. Visão Geral da Solução

O agente de IA para análise de histórico de crédito processa dados de crédito do cliente, identifica erros ou inconsistências e sugere ações corretivas personalizadas. A seguir são detalhadas todas as regras de negócio e especificações funcionais necessárias para que esse agente atue como um assistente útil e autônomo na análise de históricos de crédito.

A solução é composta por um fluxo de automação com três agentes principais. O processo inicia com a validação e padronização dos dados de crédito e culmina com a geração de um plano de ações corretivas.

Agentes Função Principal
Agente de Validação e Padronização de Dados de Crédito (RF 1) Validar consistência estrutural e padronizar o histórico de crédito recebido.
Agente de Detecção de Erros e Inconsistências de Crédito (RF 2) Identificar e classificar erros e inconsistências no histórico padronizado.
Agente de Geração de Plano de Ações Corretivas (RF 3) Propor ações corretivas personalizadas para os problemas detectados.

5. Protótipos

Para proporcionar uma visão clara e tangível da solução proposta, criamos protótipos interativos que demonstram o fluxo de trabalho dos agentes e o resultado final esperado. Explore os links abaixo para entender melhor a solução em ação.

6. Requisitos Funcionais

RF 1. Agente de Validação e Padronização de Dados de Crédito

1.1 Tarefa do Agente

Validar consistência estrutural e padronizar o histórico de crédito recebido para um esquema único e coerente.

1.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um histórico de crédito bruto do cliente, que pode estar em formato JSON ou texto tabular transformável em JSON. Este histórico contém informações detalhadas sobre contas, parcelas, eventos, consultas e scores de crédito.

# 2. Objetivo
Validar a consistência estrutural e padronizar o histórico de crédito recebido para um esquema único e coerente.

# 3. Regras que você deve seguir para gerar sua resposta
- Regras de esquema: Se um campo obrigatório estiver ausente, inclua-o com valor null e registre o nome em qualidade_dados.campos_ausentes.
- Normalização de datas: converta todas para YYYY-MM-DD; se inválida ou futura (> data_referencia), mova para datas_invalidas e defina como null.
- Tipos numéricos: converta limites e valores para number; se não numérico, defina null e registre em normalizacoes_aplicadas.
- Chaves e vínculos: garanta unicidade de id_conta e id_parcela; se duplicado, adicione a qualidade_dados.ids_duplicados com o id.
- Status canônicos: mapeie variações textuais para domínios definidos.
- Regras de coerência básica: se saldo_atual < 0 e tipo não permite saldo negativo, registre em valores_negativos_incoerentes.
- Saída deve sempre conter qualidade_dados.schema_valido = true/false.

# 4. Exemplo de Output que você deve produzir
{
  "cliente_id": "string",
  "documento": "string",
  "data_referencia": "YYYY-MM-DD",
  "contas": [
    {
      "id_conta": "string",
      "tipo": "cartao|emprestimo|financiamento|consignado|outro",
      "credor": "string",
      "limite": number|null,
      "saldo_atual": number|null,
      "status_conta": "aberta|encerrada|em_atraso|renegociada",
      "data_abertura": "YYYY-MM-DD",
      "data_encerramento": "YYYY-MM-DD|null"
    }
  ],
  "parcelas": [
    {
      "id_parcela": "string",
      "id_conta": "string",
      "valor": number,
      "vencimento": "YYYY-MM-DD",
      "pagamento_em": "YYYY-MM-DD|null",
      "status_parcela": "em_aberto|paga|atrasada|renegociada"
    }
  ],
  "eventos": [
    {
      "tipo": "inadimplencia|renegociacao|disputa|baixa_por_acordo|falencia",
      "id_relacionado": "id_conta|id_parcela|null",
      "data": "YYYY-MM-DD",
      "descricao": "string"
    }
  ],
  "consultas": [
    {
      "data": "YYYY-MM-DD",
      "origem": "string",
      "finalidade": "string"
    }
  ],
  "score_atual": number|null,
  "qualidade_dados": {
    "schema_valido": true|false,
    "campos_ausentes": ["string"],
    "ids_duplicados": ["id"],
    "datas_invalidas": ["path"],
    "valores_negativos_incoerentes": ["path"],
    "normalizacoes_aplicadas": ["descricao"]
  }
}
1.3 Configurações do Agente

1.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente é o ponto de partida do fluxo e deve ser acionado pelo envio de um histórico de crédito do cliente via API. Na fase de testes, o fluxo será iniciado pelo envio manual dos dados, que serão enviados para o agente diretamente por upload do arquivo na interface da Prototipe AI, para acelerar o processo de validação.
  • Tipo do input: O input inicial para o fluxo é um histórico de crédito bruto do cliente, que pode estar em formato JSON ou texto tabular transformável em JSON.
  • Formatos Suportados: Esse agente deve ser capaz de receber dados nos formatos: .json, .csv.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 100.000 caracteres.

1.3.2 Especificação do Output

  • Formato de output: O output deve ser um documento JSON padronizado que segue o esquema definido nas regras do agente.
  • Exemplo de Estrutura de Output:
     {
      "cliente_id": "string",
      "documento": "string",
      "data_referencia": "YYYY-MM-DD",
      "contas": [ ... ],
      "parcelas": [ ... ],
      "eventos": [ ... ],
      "consultas": [ ... ],
      "score_atual": number|null,
      "qualidade_dados": { ... }
    }
  • Número de caracteres esperado: O JSON final deve ser conciso e informativo, com um tamanho estimado em torno de 5.000 caracteres, podendo variar conforme a complexidade dos dados descritos.

1.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

1.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

1.3.5 Memória

1.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Detecção de Erros e Inconsistências de Crédito (RF 2).

RF 2. Agente de Detecção de Erros e Inconsistências de Crédito

2.1 Tarefa do Agente

Identificar, classificar e qualificar erros e inconsistências no histórico de crédito padronizado, calculando impacto e confiança.

2.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um histórico de crédito padronizado que inclui listas de contas, parcelas, eventos, consultas e um bloco de qualidade de dados.

# 2. Objetivo
Identificar, classificar e qualificar erros e inconsistências no histórico de crédito padronizado, calculando impacto e confiança.

# 3. Regras que você deve seguir para gerar sua resposta
- Pré-condição: se qualidade_dados.schema_valido = false, ainda assim processe, mas adicione problema tipo "registro_faltante" com severidade média listando campos_ausentes.
- Regras de duplicidade: (R1) id_conta repetido em contas => tipo=duplicidade; (R2) id_parcela repetido => duplicidade; severidade média; confiança 0.9.
- Status/data incoerente em parcelas: (R3) status_parcela = paga e pagamento_em = null => status_incoerente; severidade média; confiança 0.8.
- Contas: (R6) conta status_encerrada com saldo_atual > 0 => status_incoerente; severidade alta; confiança 0.9.
- Regras de classificação: severidade alta quando potencialmente afeta reputação/score ou indica dívida ativa; média para inconsistências contábeis; baixa para limpeza de metadados.
- Cada problema deve conter recomendacao_rapida concreta ex.: "Solicitar atualização de status para 'paga' com comprovante X".

# 4. Exemplo de Output que você deve produzir
{
  "problemas": [
    {
      "id_problema": "string",
      "tipo": "registro_faltante|duplicidade|status_incoerente|data_incoerente",
      "alvo": {
        "entidade": "conta|parcela",
        "id": "string|null"
      },
      "regra": "string_curta_identificando_regra",
      "evidencias": ["descricoes_concretas"],
      "severidade": "alta|media|baixa",
      "impacto_estimado": {
        "score": "alto|medio|baixo",
        "risco_credito": "alto|medio|baixo"
      },
      "confianca": 0.0-1.0,
      "recomendacao_rapida": "string"
    }
  ],
  "resumo_metricas": {
    "qtde_problemas": number,
    "por_tipo": {
      "tipo": number
    },
    "por_severidade": {
      "alta": number,
      "media": number,
      "baixa": number
    }
  }
}
2.3 Configurações do Agente

2.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 1).
  • Tipo do input: Este agente deve ser apto a receber um histórico de crédito padronizado em formato JSON, que inclui listas de contas, parcelas, eventos, consultas e um bloco de qualidade de dados.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 5.000 caracteres.

2.3.2 Especificação do Output

  • Formato de output: O output deve ser um documento JSON com uma lista de problemas identificados, incluindo tipo, alvo, regra, evidências, severidade, impacto estimado, confiança e recomendação rápida.
  • Exemplo de Estrutura de Output:
     {
      "problemas": [
        {
          "id_problema": "string",
          "tipo": "registro_faltante|duplicidade",
          "alvo": {
            "entidade": "conta",
            "id": "string"
          },
          "regra": "string_curta_identificando_regra",
          "evidencias": ["descricoes_concretas"],
          "severidade": "alta",
          "impacto_estimado": {
            "score": "alto",
            "risco_credito": "alto"
          },
          "confianca": 0.9,
          "recomendacao_rapida": "Solicitar atualização de status para 'paga' com comprovante X"
        }
      ],
      "resumo_metricas": {
        "qtde_problemas": 5,
        "por_tipo": {
          "duplicidade": 2
        },
        "por_severidade": {
          "alta": 3,
          "media": 2
        }
      }
    }
  • Número de caracteres esperado: O JSON de output terá um tamanho aproximado de 3.000 caracteres.

2.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

2.3.4 Ferramentas do Agente

  • Documentos: Não consulta.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não utiliza.

2.3.5 Memória

2.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Geração de Plano de Ações Corretivas (RF 3).

RF 3. Agente de Geração de Plano de Ações Corretivas

3.1 Tarefa do Agente

Propor ações corretivas personalizadas e priorizadas para resolver os problemas detectados no histórico de crédito.

3.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo uma lista de problemas detalhados identificados no histórico de crédito, juntamente com o JSON padronizado do cliente para contexto.

# 2. Objetivo
Propor ações corretivas personalizadas e priorizadas para resolver os problemas detectados no histórico de crédito.

# 3. Regras que você deve seguir para gerar sua resposta
- Mapeamento problema->ação: vincule cada problema a pelo menos uma ação específica.
- Passos devem ser operacionais, no imperativo, com documentos necessários nomeados explicitamente.
- Prazos: use 5–10 dias úteis para correções simples, 15–30 para renegociações complexas.
- Priorização: ordenar por maior impacto e urgência.
- Mensagem_modelo deve citar: identificadores, descrição do erro, pedido de correção, lista de anexos, e prazo desejado.
- Se houver consulta_excessiva sem erro factual, recomendar orientação comportamental.

# 4. Exemplo de Output que você deve produzir
{
  "acoes_corretivas": [
    {
      "id_problema_referido": "string",
      "acao": "Solicitar atualização de status",
      "passos": ["Contactar credor", "Anexar comprovante"],
      "responsavel_sugerido": "cliente",
      "artefatos_necessarios": ["comprovante_pagamento"],
      "contatos_sugeridos": [
        {
          "entidade": "credor",
          "canal": "email",
          "descricao": "Contato do suporte"
        }
      ],
      "prazo_sugerido_dias": 10,
      "precedencias": [],
      "estimativa_impacto_score": "medio",
      "riscos_observacoes": "Nenhum risco identificado",
      "mensagem_modelo": "Prezado credor, solicito atualização de status..."
    }
  ],
  "priorizacao": [
    {
      "id_acao": "string",
      "prioridade": 1,
      "criterios": {
        "impacto": "alto",
        "esforco": "baixo",
        "urgencia": "alta"
      }
    }
  ]
}
3.3 Configurações do Agente

3.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 2).
  • Tipo do input: Este agente deve ser apto a receber uma lista de problemas detalhados juntamente com o JSON padronizado do cliente para contexto.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 8.000 caracteres.

3.3.2 Especificação do Output

  • Formato de output: O output deve ser um documento JSON com uma lista de ações corretivas propostas, incluindo detalhes como passos, responsável sugerido, artefatos necessários, contatos sugeridos, prazo sugerido, e mensagem modelo.
  • Exemplo de Estrutura de Output:
     {
      "acoes_corretivas": [
        {
          "id_problema_referido": "string",
          "acao": "Solicitar atualização de status",
          "passos": ["Contactar credor", "Anexar comprovante"],
          "responsavel_sugerido": "cliente",
          "artefatos_necessarios": ["comprovante_pagamento"],
          "contatos_sugeridos": [
            {
              "entidade": "credor",
              "canal": "email",
              "descricao": "Contato do suporte"
            }
          ],
          "prazo_sugerido_dias": 10,
          "precedencias": [],
          "estimativa_impacto_score": "medio",
          "riscos_observacoes": "Nenhum risco identificado",
          "mensagem_modelo": "Prezado credor, solicito atualização de status..."
        }
      ],
      "priorizacao": [
        {
          "id_acao": "string",
          "prioridade": 1,
          "criterios": {
            "impacto": "alto",
            "esforco": "baixo",
            "urgencia": "alta"
          }
        }
      ]
    }
  • Número de caracteres esperado: O JSON final deve ter um tamanho estimado de 4.000 caracteres.

3.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

3.3.4 Ferramentas do Agente

  • Documentos: Não consulta.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não utiliza.

3.3.5 Memória

  • Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
  • Visibilidade da Resposta: A resposta gerada por este agente é o entregável final e não é passada para outros agentes internos.

3.3.6 Regras de Orquestração e Transição

A execução deste agente finaliza o fluxo. A lista de ações corretivas gerada é o resultado que deve ser disponibilizado ao usuário.

© 2025 prototipe.ai. Todos os direitos reservados.