Agente de IA para Análise de Tendências de Inadimplência

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

Como criar um agente de IA que analisa dados históricos de crédito e comportamento financeiro para identificar padrões e prever tendências de inadimplência.

1. Propósito e Escopo

Este documento define todos os prompts, configurações de memória, transição entre estados e demais requisitos funcionais para o Fluxo de Agentes "Análise de Tendências de Inadimplência", uma solução de automação projetada para identificar padrões complexos de inadimplência e prever tendências futuras a partir de dados históricos de crédito e comportamento financeiro. Essa documentação é um modelo de PRD ou Documento de Requisitos de Produto específicos para construção de Agentes de IA.

O objetivo principal é transformar grandes volumes de dados em insights acionáveis que ajudam a mitigar riscos financeiros.

2. Contexto e Problema

Problemas Específicos

O cenário atual apresenta dificuldades significativas na identificação de padrões complexos de inadimplência devido ao volume e diversidade dos dados históricos disponíveis. As empresas enfrentam desafios em prever tendências futuras de inadimplência, o que é crucial para a mitigação de riscos financeiros. Além disso, a integração de dados de múltiplas fontes é necessária para uma análise completa e precisa.

Para resolver esses problemas, o agente de IA deve ser capaz de:

  • Utilizar algoritmos de machine learning para detectar padrões de inadimplência em dados históricos.
  • Aplicar modelos preditivos para antecipar tendências futuras de inadimplência.
  • Integrar dados de diversas fontes, como históricos de crédito e comportamento financeiro, para uma análise abrangente.

3. Impactos Esperados

A implementação deste fluxo de automação visa alcançar os seguintes resultados:

  • Identificação precisa de padrões complexos de inadimplência em grandes volumes de dados.
  • Previsão antecipada de tendências de inadimplência para mitigar riscos financeiros.
  • Análise abrangente através da integração de dados de múltiplas fontes.

4. Visão Geral da Solução

O agente de IA para análise de tendências de inadimplência utiliza algoritmos de machine learning para analisar dados históricos de crédito e comportamento financeiro, identificando padrões complexos e prevendo tendências futuras de inadimplência. 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 identificação e previsão de inadimplência.

A solução consiste em um fluxo de automação composto por 6 agentes de IA. O processo inicia com a coleta de dados de crédito e comportamento financeiro e termina com a previsão de tendências de inadimplência.

A execução dos agentes é sequencial e linear, seguindo a ordem definida na tabela abaixo.

Agentes Função Principal
Agente de Execução de Chamada à API - Dados de Crédito e Comportamento (RF 1) Realizar chamadas às APIs/sistemas fontes para obter dados históricos de crédito e comportamento financeiro.
Agente de Normalização e Qualidade de Dados de Crédito (RF 2) Unificar, padronizar e qualificar dados provenientes de múltiplas fontes para compor um dataset analítico único de inadimplência.
Agente de Execução de Chamada à API - Indicadores Macroeconômicos (RF 3) Obter séries temporais de indicadores macroeconômicos relevantes para contextualizar a inadimplência.
Agente de Engenharia de Variáveis de Inadimplência (RF 4) Construir variáveis agregadas e derivadas por cliente, contrato e portfólio para suportar a análise de padrões e a previsão de tendências.
Agente de Análise de Padrões de Inadimplência (RF 5) Identificar padrões complexos de inadimplência em grandes volumes de dados históricos e explicar fatores associados.
Agente de Previsão de Tendências de Inadimplência (RF 6) Projetar tendências mensais de inadimplência no curto e médio prazo e sinalizar riscos emergentes por segmento.

5. Protótipos

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

6. Requisitos Funcionais

RF 1. Agente de Execução de Chamada à API - Dados de Crédito e Comportamento

1.1 Tarefa do Agente

Realizar chamadas às APIs/sistemas fontes para obter dados históricos de crédito e comportamento financeiro.

1.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo parâmetros de chamada para acessar APIs de dados de crédito e comportamento financeiro.

# 2. Objetivo
Executar chamadas às APIs para obter os dados necessários para análise de inadimplência.

# 3. Regras que você deve seguir para gerar sua resposta
- Utilize as credenciais e endpoints fornecidos para acessar as fontes de dados.
- Certifique-se de que as janelas de data e filtros especificados sejam aplicados corretamente nas chamadas.
- Registre metadados de coleta, como fonte e timestamp.

# 4. Exemplo de Output que você deve produzir
Coleção de datasets brutos por fonte, em arrays separados, contendo registros e metadados de coleta.
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 parâmetros de chamada via API. Na fase de testes, o fluxo será iniciado pelo envio manual dos dados, que serão enviados para o agente diretamente por upload na interface da Prototipe AI, para acelerar o processo de validação.
  • Tipo do input: O input inicial para o fluxo é um conjunto de parâmetros de chamada para APIs, incluindo endpoints e credenciais.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json (JSON).
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 10.000 caracteres.

1.3.2 Especificação do Output

  • Formato de output: O output deve ser uma coleção de datasets brutos por fonte, em arrays separados, contendo registros e metadados de coleta.
  • Exemplo de Estrutura de Output:
    [
      {
        "fonte": "bureau_de_credito",
        "dados": [ ... ],
        "timestamp_coleta": "2025-12-09T09:55:00Z"
      }
    ]
  • Número de caracteres esperado: O texto final deve ser conciso e informativo, com um tamanho estimado em torno de 5.000 caracteres, podendo variar conforme a quantidade de dados coletados.

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: Conecta-se a APIs externas para obtenção de dados.

1.3.5 Memória

1.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Normalização e Qualidade de Dados de Crédito (RF 2).

RF 2. Agente de Normalização e Qualidade de Dados de Crédito

2.1 Tarefa do Agente

Unificar, padronizar e qualificar dados provenientes de múltiplas fontes para compor um dataset analítico único de inadimplência.

2.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo uma coleção de datasets brutos por fonte, contendo dados de crédito e comportamento financeiro.

# 2. Objetivo
Unificar, padronizar e qualificar os dados para criar um dataset analítico único de inadimplência.

# 3. Regras que você deve seguir para gerar sua resposta
- Mapeie campos de cada fonte para o padrão-alvo; em conflitos de tipos, converta para: datas em ISO8601 (YYYY-MM-DD), valores monetários como decimal com 2 casas, IDs como string.
- Deduplicate pelo par (contrato_id, parcela_numero) mantendo o registro mais recente por data_atualizacao; registre duplicatas removidas no log_qualidade.
- Recalcule atraso_dias como max(0, data_pagamento - parcela_vencimento) em dias inteiros; se data_pagamento ausente e data_atual > parcela_vencimento, atraso_dias = data_atual - parcela_vencimento.
- Defina rótulos padrão de status_pagamento: "pago", "em_aberto", "atrasado_1_30", "atrasado_31_60", "atrasado_61_90", "atrasado_90_plus", "baixado_prejuizo".
- Assegure coerência temporal: data_concessao <= parcela_vencimento; se violado, corrija se houver offset fixo evidente (ex.: timezone) ou marque como inconsistente e mova para descartados.

# 4. Exemplo de Output que você deve produzir
Dataset analítico único e tabelas auxiliares: 1) fatos_parcelas; 2) dimensao_clientes; 3) dimensao_contratos; 4) log_qualidade com métricas e lista de registros descartados.
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 como input uma coleção de datasets brutos por fonte.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json (JSON).
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 15.000 caracteres.

2.3.2 Especificação do Output

  • Formato de output: O output deve ser um dataset analítico único e tabelas auxiliares.
  • Exemplo de Estrutura de Output:
    {
      "fatos_parcelas": [ ... ],
      "dimensao_clientes": [ ... ],
      "dimensao_contratos": [ ... ],
      "log_qualidade": [ ... ]
    }
  • Número de caracteres esperado: O texto final deve ser detalhado e informativo, com um tamanho estimado em torno de 10.000 caracteres.

2.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

2.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Utiliza lógica interna para cálculos de atraso e coerência temporal.
  • 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 Execução de Chamada à API - Indicadores Macroeconômicos (RF 3).

RF 3. Agente de Execução de Chamada à API - Indicadores Macroeconômicos

3.1 Tarefa do Agente

Obter séries temporais de indicadores macroeconômicos relevantes para contextualizar a inadimplência.

3.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo parâmetros de consulta para acessar APIs de indicadores macroeconômicos.

# 2. Objetivo
Executar chamadas às APIs para obter séries temporais de indicadores macroeconômicos relevantes.

# 3. Regras que você deve seguir para gerar sua resposta
- Utilize os endpoints e parâmetros de consulta fornecidos para acessar as fontes de dados.
- Certifique-se de que a periodicidade e o intervalo de datas especificados sejam aplicados corretamente nas chamadas.
- Registre metadados de coleta, como fonte e data de referência.

# 4. Exemplo de Output que você deve produzir
Séries temporais por indicador com campos: indicador, data_referencia, valor, fonte.
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 como input parâmetros de consulta para APIs de indicadores macroeconômicos.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json (JSON).
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 5.000 caracteres.

3.3.2 Especificação do Output

  • Formato de output: O output deve ser séries temporais por indicador.
  • Exemplo de Estrutura de Output:
    {
      "indicador": "desemprego",
      "data_referencia": "2025-11",
      "valor": 7.5,
      "fonte": "ibge"
    }
  • Número de caracteres esperado: O texto final deve ser conciso e informativo, com um tamanho estimado em torno de 3.000 caracteres.

3.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

3.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Conecta-se a APIs externas para obtenção de dados macroeconômicos.

3.3.5 Memória

3.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Engenharia de Variáveis de Inadimplência (RF 4).

RF 4. Agente de Engenharia de Variáveis de Inadimplência

4.1 Tarefa do Agente

Construir variáveis agregadas e derivadas por cliente, contrato e portfólio para suportar a análise de padrões e a previsão de tendências.

4.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um dataset analítico único e séries macroeconômicas normalizadas.

# 2. Objetivo
Construir variáveis agregadas e derivadas para suportar a análise de padrões e a previsão de tendências de inadimplência.

# 3. Regras que você deve seguir para gerar sua resposta
- Defina janelas móveis: 3, 6, 12 meses; para cada janela calcule: a) taxa_inad (parcelas em atraso >30 dias / parcelas vencidas), b) severidade (média de atraso_dias em parcelas atrasadas), c) valor_atrasado_total, d) roll_rate (P[0-30→31-60], P[31-60→61-90], P[61-90→90+]).
- Calcule recência: dias_desde_ultimo_atraso e dias_desde_ultimo_pagamento.
- Construa comportamento de pagamento: proporção de pagamentos parciais, média de antecipações, variância do valor pago vs. valor devido.

# 4. Exemplo de Output que você deve produzir
Tabela de features com granularidades: cliente_mensal, contrato_mensal e portfólio_mensal; dicionário de variáveis com definição, fórmula e janela temporal.
4.3 Configurações do Agente

4.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 3).
  • Tipo do input: Este agente deve ser apto a receber como input um dataset analítico único e séries macroeconômicas normalizadas.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json (JSON).
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 20.000 caracteres.

4.3.2 Especificação do Output

  • Formato de output: O output deve ser uma tabela de features com granularidades específicas.
  • Exemplo de Estrutura de Output:
    {
      "cliente_mensal": [ ... ],
      "contrato_mensal": [ ... ],
      "portfolio_mensal": [ ... ]
    }
  • Número de caracteres esperado: O texto final deve ser detalhado e informativo, com um tamanho estimado em torno de 15.000 caracteres.

4.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

4.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Utiliza lógica interna para cálculos de variáveis e agregações.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não utiliza.

4.3.5 Memória

4.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Análise de Padrões de Inadimplência (RF 5).

RF 5. Agente de Análise de Padrões de Inadimplência

5.1 Tarefa do Agente

Identificar padrões complexos de inadimplência em grandes volumes de dados históricos e explicar fatores associados.

5.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo uma tabela de features por cliente/contrato/portfólio e fatos de inadimplência rotulados por mês.

# 2. Objetivo
Identificar padrões complexos de inadimplência e explicar fatores associados.

# 3. Regras que você deve seguir para gerar sua resposta
- Segmentação exploratória: avalie combinações de até 3 variáveis categóricas ou discretizadas com suporte mínimo de 2% do portfólio.
- Para cada segmento, calcule taxa_inad_90_plus e compare com a média do portfólio; reporte segmentos com lift >= 1,3.
- Explique fatores: cite as 5 variáveis com maior diferença de distribuição entre adimplentes e inadimplentes.

# 4. Exemplo de Output que você deve produzir
Relatório estruturado em JSON com padrões_detectados[], cada um contendo segmento_alvo, regra_descritiva, métricas, e exemplos representativos.
5.3 Configurações do Agente

5.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 4).
  • Tipo do input: Este agente deve ser apto a receber como input uma tabela de features e fatos de inadimplência rotulados.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json (JSON).
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 15.000 caracteres.

5.3.2 Especificação do Output

  • Formato de output: O output deve ser um relatório estruturado em JSON.
  • Exemplo de Estrutura de Output:
    {
      "padroes_detectados": [ ... ]
    }
  • Número de caracteres esperado: O texto final deve ser detalhado e informativo, com um tamanho estimado em torno de 10.000 caracteres.

5.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

5.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Utiliza lógica interna para cálculos de padrões e métricas.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não utiliza.

5.3.5 Memória

5.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Previsão de Tendências de Inadimplência (RF 6).

RF 6. Agente de Previsão de Tendências de Inadimplência

6.1 Tarefa do Agente

Projetar tendências mensais de inadimplência no curto e médio prazo e sinalizar riscos emergentes por segmento.

6.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um relatório de padrões, tabela de features agregadas por mês e indicadores macroeconômicos alinhados temporalmente.

# 2. Objetivo
Projetar tendências mensais de inadimplência e sinalizar riscos emergentes por segmento.

# 3. Regras que você deve seguir para gerar sua resposta
- Base histórica: utilize séries mensais de pelo menos 24 meses; se <12 meses, classifique previsões como baixa_confianca.
- Decomposição descritiva: identifique componentes de tendência, sazonalidade e choque.
- Cenários: gere três trajetórias (base, estressado, benigno).

# 4. Exemplo de Output que você deve produzir
Previsões em JSON para horizonte H=3, 6 e 12 meses, contendo por nível: taxa_inad_30+ e 90+, intervalo_confiança_descritivo, sinais_de_risco.
6.3 Configurações do Agente

6.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 5).
  • Tipo do input: Este agente deve ser apto a receber como input um relatório de padrões, tabela de features agregadas por mês e indicadores macroeconômicos.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json (JSON).
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 20.000 caracteres.

6.3.2 Especificação do Output

  • Formato de output: O output deve ser previsões em JSON para horizonte H=3, 6 e 12 meses.
  • Exemplo de Estrutura de Output:
    {
      "previsoes": [ ... ]
    }
  • Número de caracteres esperado: O texto final deve ser detalhado e informativo, com um tamanho estimado em torno de 15.000 caracteres.

6.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

6.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Utiliza lógica interna para cálculos de previsões e cenários.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não utiliza.

6.3.5 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.

6.3.6 Regras de Orquestração e Transição

A execução deste agente finaliza o fluxo. As previsões geradas são o resultado que deve ser disponibilizado ao usuário.

© 2025 prototipe.ai. Todos os direitos reservados.